2. 传感器基础
做多传感器融合这些年，我最大的感触就是——不了解传感器的脾气，就别谈融合。每个传感器都有自己的“性格”，有的擅长远距离探测，有的对光线敏感，有的天生爱漂移。你想想看，如果连它们各自擅长什么、怕什么都不知道，那融合出来的结果能靠谱吗？
这一章，我就带你挨个过一遍四种核心传感器：雷达、激光雷达、摄像头、惯性测量单元。我会结合自己踩过的坑，把它们的原理和特性讲透。
2.1 雷达：全天候的“老黄牛”
雷达（Radar）这玩意儿，说白了就是靠发射电磁波并接收回波来测距测速。它工作在毫米波频段，常见的有24GHz、77GHz和79GHz。我个人习惯把雷达比作“老黄牛”——任劳任怨，不怕风雨。
核心原理：发射调频连续波（FMCW），通过发射信号与回波信号的频率差，计算出目标的距离和速度。多普勒效应在这里起了大作用。
雷达的优点很明显：
- 全天候工作——雨、雪、雾、烟尘，对它影响很小。我在北方做冬季路测时，摄像头被雪糊住，雷达依然稳如老狗。
- 直接测速——利用多普勒频移，一次测量就能拿到径向速度，不需要帧间差分。
- 探测距离远——长距雷达能到250米以上，适合高速公路场景。
但雷达也有短板：
- 角度分辨率低——普通3发4收的雷达，水平角分辨率也就十几度。我曾经遇到过两个并排的行人，雷达直接报成一个目标，差点让系统做出错误决策。
- 无法识别目标类别——雷达知道“那里有个东西”，但不知道是车、是人还是路边的铁皮垃圾桶。
- 多径反射——隧道、高架桥下，雷达信号乱跳，虚警率飙升。
避坑指南：我曾经在隧道场景里被雷达的“幽灵目标”坑过——明明前面空无一物，雷达却报出一个静止目标。后来排查发现是隧道壁的多次反射。解决办法是加入RCS（雷达散射截面）阈值过滤，以及利用历史帧做一致性校验。
2.2 激光雷达：精度之王，但怕天气
激光雷达（LiDAR）用激光束扫描环境，通过测量飞行时间（ToF）来获取精确的三维点云。嗯，这里要注意——激光雷达的精度是毫米级的，比雷达高一个数量级。
我最早接触的是16线机械式激光雷达，转起来嗡嗡响，像个摇头风扇。现在固态激光雷达越来越多了，体积小、寿命长，但视场角受限。
| 参数 | 机械式 | 固态（MEMS/Flash） |
|---|---|---|
| 线数 | 16/32/64/128 | 等效几十到上百线 |
| 视场角 | 360°水平 | 120°以内 |
| 寿命 | 几千小时（旋转部件） | 数万小时 |
| 成本 | 高（数万到数十万） | 逐渐降低 |
激光雷达的核心优势：
- 高精度三维感知——每个点都有精确的(x,y,z)坐标，能清晰勾勒出目标轮廓。
- 不受光照影响——白天黑夜一样干活，不像摄像头那样怕逆光、怕暗光。
- 直接提供几何信息——目标的长宽高、朝向，一清二楚。
但它的缺点也很要命：
- 怕恶劣天气——大雨、大雾、扬尘，激光会被散射衰减。我在沙尘暴天气里试过，点云密度直接掉了60%。
- 无法测速——激光雷达只能测距，速度要靠帧间差分算，精度不如雷达直接。
- 数据量大——64线激光雷达每秒产生上百万个点，处理起来挺吃算力的。
注意：激光雷达的“盲区”问题容易被忽略。机械式激光雷达底部通常有10-30cm的盲区，低矮障碍物（比如路沿、小动物）可能完全扫不到。我建议在融合时，用超声波雷达或摄像头来补这个盲区。
2.3 摄像头：最像人眼，也最像人眼一样脆弱
摄像头的工作原理，说白了就是CMOS感光元件把光信号转成电信号，再经过ISP处理成图像。它提供的信息最丰富——颜色、纹理、语义标签，这些都是雷达和激光雷达给不了的。
但摄像头的问题也最让人头疼。我做过一个项目，夏天傍晚开车向西，太阳直射镜头，整个画面白茫茫一片，车道线、行人全看不见。那一刻我真切体会到——摄像头怕光，也怕没光。
摄像头的关键特性：
- 高分辨率——200万、800万像素，能看清远处车牌。
- 丰富的语义信息——能识别交通标志、红绿灯颜色、行人姿态。
- 成本低——一个工业级摄像头几百块，比雷达和激光雷达便宜得多。
但它的短板也很明显：
- 受光照影响极大——逆光、暗光、强光、阴影切换，都会导致检测失效。
- 缺乏深度信息——单目摄像头无法直接测距，要靠几何约束或深度学习来估算。
- 视角有限——普通镜头水平视场角60-120°，需要多摄像头拼接才能覆盖360°。
我的经验：摄像头和激光雷达是天然的互补对。摄像头提供语义，激光雷达提供深度。我在做目标关联时，经常用激光雷达的点云投影到图像上，给每个检测框赋予精确的距离信息。这样既保留了语义，又解决了测距问题。
2.4 惯性测量单元：短时精度高，长时漂成狗
惯性测量单元（IMU）包含加速度计和陀螺仪，测量的是物体的加速度和角速度。它不依赖外部信号，完全自主工作——这是它最大的优势。
但IMU有个臭名昭著的毛病：积分漂移。加速度积分一次得速度，再积分一次得位置。每次积分都会放大噪声，几秒钟还行，几十秒后位置误差能到几十米。
IMU的特性总结：
- 高频输出——通常100-1000Hz，比摄像头（30Hz）和激光雷达（10-20Hz）快得多。
- 短时精度高——几十毫秒内的相对位移和姿态变化非常准。
- 不受外界干扰——没有遮挡、没有多径、没有光照问题。
但它的缺点也很致命：
- 长时漂移——纯IMU导航，几分钟后就没法看了。
- 对振动敏感——车辆颠簸时，加速度计读数全是噪声。
- 需要初始对准——启动时不知道自己的姿态，需要借助重力或磁力计来初始化。
融合中的角色：IMU在融合系统里通常扮演“桥梁”角色。在两个传感器帧之间（比如两帧激光雷达之间），用IMU做状态预测，保证融合结果的高频输出。说白了，IMU负责“填空”，其他传感器负责“纠偏”。
2.5 四种传感器的对比与互补
做融合这么多年，我越来越觉得——没有完美的传感器，只有完美的组合。下面这张表是我自己总结的，每次做系统设计都会拿出来参考：
| 特性 | 雷达 | 激光雷达 | 摄像头 | IMU |
|---|---|---|---|---|
| 测距精度 | 厘米级 | 毫米级 | 差（需估算） | 差（积分漂移） |
| 测速精度 | 高（直接多普勒） | 中（帧间差分） | 中（帧间差分） | 高（短时） |
| 角度分辨率 | 低 | 高 | 高 | 高（姿态） |
| 目标识别 | 无 | 弱（几何轮廓） | 强（语义） | 无 |
| 全天候能力 | 强 | 弱 | 弱 | 强 |
| 数据频率 | 10-50Hz | 5-20Hz | 15-60Hz | 100-1000Hz |
下面这张图，是我画的一个传感器融合知识体系图，帮你理清它们之间的关系：
你看，每个传感器都有自己的“一技之长”，也都有自己的“软肋”。雷达不怕天气但看不清细节，激光雷达精度高但怕雨雾，摄像头信息丰富但依赖光照，IMU反应快但会漂移。把它们组合起来，才能取长补短。
我个人做融合系统时，最常用的组合是：激光雷达做主传感器（提供精确位置），摄像头做语义补充（识别目标类别），雷达做远距离探测和速度校验，IMU做帧间预测和运动补偿。这套组合拳，在大多数场景下都够用了。
重要提醒：传感器融合不是简单地把数据堆在一起。你得理解每个传感器的误差模型——雷达的测距噪声是高斯分布吗？激光雷达的点云在边缘处精度会下降吗？摄像头的检测框有系统偏差吗？这些细节，决定了融合算法的上限。
好了，这一章的内容就到这里。四种传感器的脾气秉性，你应该心里有数了。下一章我们会深入聊一聊时间同步和空间对齐——这可是融合的第一步，也是最容易出问题的一步。
可可精品资料库