2. 感知系统基础

自动驾驶感知系统并不是“一个传感器看世界”，而是由多种物理原理不同的传感器共同构建环境认知。摄像头擅长语义与纹理，激光雷达擅长三维几何，毫米波雷达擅长速度与恶劣天气穿透，超声波负责近距补盲，GNSS/IMU 提供全局位姿与运动基准。理解它们的数据特点，是后续做时间同步、坐标变换、融合与任务调度的前提。

一、五类传感器的物理原理与数据形态

摄像头通过光学成像把三维场景投影到二维像平面，输出稠密像素阵列。它的优势是分辨率高、成本低、语义信息丰富，能识别车道线、交通标志、行人意图；缺点是单目缺乏绝对深度，受逆光、雨雾、夜间影响大，且存在透视畸变与运动模糊。

激光雷达（LiDAR）主动发射激光脉冲并测量飞行时间，得到高精度三维点云。机械旋转式、半固态与固态方案在视场角和线束上差异明显。点云具有精确的 XYZ 坐标和反射强度，但密度随距离衰减，雨雪雾会产生噪点，且数据量庞大。

毫米波雷达利用毫米波频段的电磁波回波，通过多普勒效应直接测量目标径向速度，在测距、测速上稳定，穿透雨雾能力强。其角分辨率相对较低，金属反射与多径效应会带来虚假目标，点云稀疏但每点都带速度信息。

超声波雷达工作在 40kHz 左右，测距短（通常 0.2～5m），成本极低，主要用于泊车与近距障碍物检测。它易受温度、风速和地面反射影响，不适合高速场景。

GNSS/IMU提供全局定位与惯性测量。GNSS 给出经纬度、高程与速度，但城市峡谷中易失锁；IMU 以高频输出加速度和角速度，短时精度高但存在积分漂移。二者组合可输出连续位姿，是定位与建图的基准。

二、感知任务分类与传感器匹配

感知任务通常分为四类：检测回答“有什么、在哪里”，输出 2D/3D 边界框与类别；分割回答“每个像素/点属于什么”，输出语义、实例或可行驶区域；跟踪回答“它往哪走”，通过数据关联维持目标 ID 并估计轨迹；定位回答“我在哪”，输出自车位姿与地图匹配结果。

不同任务对传感器的依赖不同。检测与分割高度依赖摄像头和激光雷达；跟踪需要雷达的速度信息与连续帧关联；定位则依赖 GNSS/IMU 与激光雷达/视觉里程计的组合。下表给出典型匹配关系：

三、典型场景：高速跟车中的多传感器协作

在高速跟车场景中，毫米波雷达以 20Hz 输出前车距离与相对速度，负责稳定测速；摄像头以 30Hz 识别车道线与车辆类型，提供语义；激光雷达以 10Hz 补充三维轮廓，区分相邻车道车辆。跟踪模块把雷达点与视觉框关联，维持前车 ID；定位模块用 GNSS/IMU 与激光雷达匹配车道级地图，确定自车所在车道。四类任务在同一时间轴上协同，才能输出稳定的跟车决策。

四、常见误区与复盘

• 误区一：摄像头可以替代激光雷达。摄像头缺乏绝对深度，逆光与夜间性能下降，纯视觉方案需要极强算力与数据闭环支撑。
• 误区二：雷达点云稀疏就没用。雷达的径向速度是摄像头和激光雷达难以直接提供的，在跟踪与碰撞预警中价值极高。
• 误区三：GNSS 定位足够准。城市峡谷中 GNSS 可能失锁数秒，必须依赖 IMU 与里程计短时递推。
• 误区四：超声波可以用于高速避障。超声波测距短、响应慢，仅适合低速泊车与近距补盲。

# 典型传感器输出频率参考
camera:      30 Hz   # 2D 图像，语义丰富
lidar:       10 Hz   # 3D 点云，几何精确
radar:       20 Hz   # 距离 + 径向速度
ultrasonic:  10 Hz   # 近距 0.2～5m
gnss:        10 Hz   # 全局经纬度、高程
imu:        100 Hz   # 加速度、角速度

掌握五类传感器的数据特点与四类感知任务的匹配关系，是后续学习时间同步、坐标变换、融合架构与数据流工程的基础。只有先看清“每个传感器能提供什么、不能提供什么”，才能在系统层面做出合理的冗余设计与任务调度。