1. 课程导入

自动驾驶汽车要在开放道路上安全行驶，必须先“看懂”周围世界。感知系统就是车辆的“眼睛”和“耳朵”，它把摄像头、激光雷达、毫米波雷达、超声波雷达、GNSS/IMU 等传感器的原始信号，转换成可被规划与控制模块使用的环境模型。而数据流工程，则决定了这些信息能否在正确的时间、以正确的格式、可靠地送达正确的模块。本章作为课程导入，先建立感知系统与数据流工程的全局认知，为后续 29 章的技术细节打下框架。

一、感知系统在自动驾驶中的位置

典型的自动驾驶软件栈可分为感知、定位、预测、规划、控制五个层次。感知层负责回答三个核心问题：有什么（目标检测与分类）、在哪里（目标定位与测距）、往哪去（目标跟踪与运动状态估计）。它向上游依赖传感器硬件与标定，向下游输出障碍物列表、可行驶区域、车道线、交通标志等结构化结果。

从信号形态看，感知系统内部存在一条清晰的转换链：物理量（光、电磁波、时间）→ 原始采样（图像帧、点云、雷达回波）→ 特征与目标（检测框、语义掩码、点簇）→ 环境模型（目标轨迹、占据栅格、地图元素）。每一级转换都伴随数据量、频率、时延和语义的变化，这正是数据流工程要管理的对象。

二、数据流工程的定义与重要性

数据流工程是指围绕感知数据的采集、传输、同步、缓存、分发、监控与回溯所建立的一整套工程方法与基础设施。它不直接产生检测结果，却决定了算法能否稳定运行。可以把它理解为感知系统的“血液循环系统”：算法是器官，数据流是血管，血管堵塞或供血不足，器官再强也无法工作。

其重要性体现在四个方面：

• 时间一致性：多传感器频率不同（摄像头 30 Hz、激光雷达 10 Hz、雷达 20 Hz），若不做时间对齐，融合结果会出现“鬼影”或目标位置跳变。
• 空间一致性：各传感器安装位置与朝向不同，必须通过外参标定统一到车辆坐标系，否则测距与定位全部失真。
• 确定性时延：规划控制对感知输出有硬实时要求，端到端时延抖动过大会导致刹车或转向决策滞后。
• 可观测与可回溯：出现误检、漏检或功能失效时，需要完整的数据链路日志定位问题发生在哪一级。

三、方法流程：一条感知数据链路的生命周期

以一次前向摄像头与激光雷达融合为例，数据从产生到被规划模块消费，通常经历以下阶段：

1. 采集：传感器驱动读取原始帧，打上硬件时间戳。
2. 预处理：去畸变、降噪、点云运动补偿。
3. 时间同步：按时间戳对齐多源数据，形成同步帧。
4. 坐标变换：通过外参矩阵将数据统一到车辆坐标系。
5. 算法推理：检测、分割、跟踪、融合。
6. 结果封装：生成结构化消息，写入消息队列。
7. 分发与消费：下游模块订阅并消费，同时记录时延指标。

# 典型感知数据流配置片段（示意）
sensor:
  camera_front:
    topic: /sensor/camera/front/image
    rate_hz: 30
    timestamp_source: hardware
  lidar_top:
    topic: /sensor/lidar/top/points
    rate_hz: 10
    timestamp_source: hardware

sync:
  policy: approximate_time
  max_offset_ms: 20

transform:
  target_frame: vehicle
  extrinsic: calib/lidar_to_vehicle.yaml

monitor:
  latency_budget_ms: 80
  drop_frame_alert: true

四、案例场景：一次“鬼影”故障的复盘

某测试车在高速跟车场景中，融合模块偶尔输出一个位于两车之间的虚假目标，导致规划模块误刹车。排查过程如下：

五、课程学习目标与整体知识框架

本课程围绕“感知系统架构”与“数据流工程”两条主线展开，共 30 章。学习完成后，你应能够：

• 描述自动驾驶感知系统的分层架构与各传感器特性；
• 设计多传感器时间同步与坐标变换方案；
• 选择并配置消息中间件，控制时延、吞吐与丢帧；
• 搭建感知数据流的监控、日志与回溯体系；
• 定位并解决典型的数据流故障。

整体知识框架分为五个模块：基础认知（传感器与架构）、数据流核心（同步、标定、传输）、算法集成（检测、跟踪、融合的数据接口）、工程保障（监控、测试、回溯）、综合实战（端到端链路搭建与调优）。后续章节将逐层展开，本章建立的全局视图将作为理解每一层细节的参照系。