📚 课程目录第2章传感器基础

2. 传感器基础

泊车场景与行车场景最大的差异在于：车速极低（通常 0～10 km/h）、目标距离极近（0～8 m 为主）、周边障碍物密集且形态杂乱（车辆、立柱、地锁、锥桶、行人、路沿）。因此泊车感知并不追求"看得远"，而追求"贴得近、测得准、盲区小、成本可控"。本章围绕超声波雷达、毫米波雷达、环视摄像头、激光雷达四类传感器，从测距原理、数据形式、优缺点与泊车适用性四个维度建立工程认知，为后续融合方案选型打基础。

一、四类传感器的测距原理

超声波雷达（USS）采用飞行时间法（ToF）。探头既是发射器也是接收器，发出 40～58 kHz 的超声脉冲，遇到障碍物反射后由同一探头接收，通过往返时间 t 计算距离：d = v·t/2，其中声速 v 约 343 m/s（受温度影响，约 0.6 m/s 每摄氏度）。工程上常用"发-收"分时复用，因此存在最小探测盲区（一般 15～30 cm）和较长的余振时间。

毫米波雷达采用调频连续波（FMCW）。发射信号频率随时间线性上升，回波与发射信号混频得到差频 f_b，目标距离 R = c·f_b/(2·B·T)（B 为带宽，T 为调频周期）；同时利用多普勒效应测速，利用多天线相位差测角。77 GHz 是车载主流频段，泊车常用 24 GHz 或 77 GHz 短距模式。

环视摄像头本身不主动测距，而是通过"成像 + 标定 + 几何反投影"获得距离信息。单目依靠针孔模型与地面平面假设：已知相机内参 K、外参（相对车体安装位姿）和像素坐标 (u,v)，可反算该像素射线与地平面的交点，得到平面距离；立体视觉则通过左右图像视差 d 计算深度 Z = f·B/d。泊车环视通常用 4 路鱼眼相机（前、后、左、右），经去畸变与透视变换拼接成鸟瞰图（BEV）。

激光雷达同样基于 ToF，但使用近红外激光（905 nm 或 1550 nm）。机械旋转式通过旋转扫描获得 360° 点云；固态/半固态（MEMS、转镜、Flash）通过扫描或面阵发射获得视场角内的点云。每个点包含距离、水平角、垂直角与反射强度，输出为三维点集。

二、数据形式与接口特征

四类传感器的输出形态差异极大，直接决定了融合层的设计方式。超声波输出的是"探头 ID + 距离 + 回波幅值"的稀疏点，一帧通常 8～12 个探头各一个值，需先做三角定位才能得到障碍物坐标；毫米波输出的是目标级列表（Object List），每个目标含距离、径向速度、方位角、RCS，部分芯片可输出原始距离-多普勒-角度三维数据立方体；环视摄像头输出的是图像帧，需经 ISP、去畸变、拼接后得到 BEV 图，再送入检测网络；激光雷达输出的是无序点云，需经地面分割、聚类、包围盒拟合后才能与其它传感器对齐。

# 典型泊车传感器数据帧结构（示意）
uss_frame:
  timestamp: 1683000123.456
  probes: [{id: 1, dist_m: 0.82, amp: 143}, {id: 2, dist_m: 1.35, amp: 96}, ...]

mmw_frame:
  timestamp: 1683000123.462
  objects: [{id: 7, r_m: 2.10, v_mps: -0.35, az_deg: 12.4, rcs: 8.2}, ...]

avm_frame:
  timestamp: 1683000123.470
  images: [front.png, rear.png, left.png, right.png]
  bev_shape: [640, 640, 3]

lidar_frame:
  timestamp: 1683000123.481
  points: N x 4  # x, y, z, intensity

三、优缺点与泊车适用性对比

传感器	测距原理	数据形式	核心优点	主要局限	泊车适用性
超声波雷达	超声脉冲 ToF	稀疏距离点	近距准、成本极低、不受光照影响	盲区大、易受风噪/温漂影响、无法测速	极高：贴边、防撞、车位宽度初判
毫米波雷达	FMCW 差频 + 多普勒	目标列表 / 数据立方	全天候、可测速、穿透雨雾	角分辨率低、静止目标杂波多、金属反射强	中高：侧向补盲、来车预警
环视摄像头	成像 + 标定反投影	图像 / BEV 图	语义丰富、可识别车位线/地锁/行人	深度精度依赖标定、逆光/夜间衰减	极高：车位检测、可通行区域、视觉拼图
激光雷达	激光 ToF	三维点云	精度高、角分辨率高、直接给三维	成本高、雨雾雪衰减、数据量大	中：高端车型冗余、窄通道精细建模

四、典型泊车场景中的分工

以"垂直车位泊入"为例：车辆低速接近车位时，环视摄像头先通过 BEV 图识别车位线、判断车位类型与朝向；超声波雷达在侧向持续测量与旁车的横向间距，作为贴边控制的直接反馈；毫米波雷达监测后方来车与侧向移动目标，防止开门或倒车碰撞；激光雷达在窄通道或立柱密集地库中提供高精度点云，用于构建更精细的可通行区域边界。四者并非互相替代，而是按"近距精度、语义理解、全天候、三维精细度"四个维度互补。

工程提示：泊车融合中，超声波与环视是"必选项"，毫米波与激光雷达是"增强项"。选型时应先明确车位类型（划线车位 / 空间车位 / 记忆泊车）与成本上限，再决定增强传感器的数量与安装位置。

五、常见误区与复盘

误区一：超声波越多越好。探头数量增加会带来串扰（相邻探头同时发射互相干扰），需通过分时分组发射与编码激励抑制，并非简单堆数量。
误区二：环视 BEV 图可以直接当距离用。BEV 图是地面平面假设下的反投影结果，对高于地面的立柱、悬空物体会产生严重拉伸与错位，必须与 USS/MMW 的距离量测交叉校验。
误区三：毫米波能替代超声波做近距。毫米波在 0.3 m 以内存在近距盲区与强反射饱和，且对低矮路沿、地锁等小目标回波弱，近距兜底仍应交给超声波。
误区四：激光雷达装上就万事大吉。地库中玻璃幕墙、反光地面会造成多路径与虚假点，需在点云预处理阶段做反射强度过滤与地面拟合。

复盘要点：任何单一传感器都无法独立支撑泊车安全。工程上应建立"传感器能力矩阵"，明确每个传感器在近距精度、语义、全天候、三维精细度上的贡献与失效边界，再据此设计融合权重与降级策略。

小结：超声波雷达负责近距兜底，环视摄像头负责语义与车位检测，毫米波雷达负责全天候补盲与测速，激光雷达负责高精度三维冗余。理解四者的测距原理与数据形式差异，是后续多传感器融合与车位检测算法设计的前提。