📚 课程目录第3章环境感知基础

3. 环境感知基础

记忆泊车系统要在低速、近距离、强遮挡、弱纹理的地下车库中完成建图与轨迹复现，感知层必须回答三个问题：我在哪、周围有什么、我动了多少。视觉、激光雷达、超声波与IMU分别从不同物理维度回答这些问题，它们的原理、数据特性和失效边界差异极大。理解这些差异，是后续多传感器融合与建图稳定性的前提。

一、四类传感器的感知原理

视觉（摄像头）通过成像平面上的像素灰度与颜色分布，利用特征点、光流或语义分割提取环境结构。泊车场景中，视觉擅长识别车位线、箭头、减速带、立柱编号和地面文字，但受光照突变、反光地面和弱纹理墙面影响明显。单目视觉缺乏绝对尺度，通常需要轮速或IMU辅助恢复尺度。

激光雷达（LiDAR）通过发射激光束并测量回波时间得到距离，输出三维点云。机械式或固态LiDAR在泊车场景中能稳定获取立柱、墙面、车辆轮廓的几何位置，不受光照影响，但雨雾、灰尘和黑色吸光物体会造成点云缺失。其数据是稀疏、无序、带强度信息的三维点集。

超声波（USS）利用声波回波测距，探测距离通常在0.2～5米，覆盖车身四周近场盲区。它对玻璃、软质物体和斜面反射不敏感，测距精度受温度与车速影响，但成本低、近场可靠，是泊车防撞的最后一道防线。

IMU（惯性测量单元）由加速度计和陀螺仪组成，测量三轴线加速度与角速度。它不感知外部环境，只感知自身运动，输出高频但存在零偏和积分漂移。在泊车低速场景中，IMU对短时航向变化和坡度估计非常关键。

二、数据特性与融合互补关系

四类传感器的数据在频率、维度、噪声模型上高度互补。视觉提供语义与纹理，LiDAR提供几何与绝对距离，USS提供近场冗余，IMU提供高频运动先验。记忆泊车建图时，通常以LiDAR或视觉SLAM为主，IMU做运动补偿，USS做近场安全校验。

传感器	输出数据	典型频率	泊车场景优势	主要失效条件
视觉	图像 / 特征 / 语义掩码	15～30 Hz	车位线、箭头、文字识别	暗光、反光、弱纹理
LiDAR	三维点云 / 强度	10～20 Hz	立柱、墙面几何定位	雨雾、灰尘、黑色物体
USS	距离回波	20～50 Hz	近场防撞、盲区覆盖	软质、斜面、温度变化
IMU	加速度 / 角速度	100～1000 Hz	短时航向、坡度估计	零偏、积分漂移

三、典型泊车场景中的感知流程

以地下车库记忆泊车为例，车辆进入学习模式后，感知流程大致如下：

初始化：IMU零偏标定，视觉与LiDAR外参确认，USS自检。
特征提取：视觉提取车位线与立柱编号，LiDAR提取墙面与立柱点云，USS输出近场距离。
运动估计：IMU提供高频角速度与加速度，与轮速计组合推算短时位姿变化。
地图构建：将视觉语义与LiDAR几何配准到统一坐标系，形成语义-几何混合地图。
轨迹记录：以IMU+轮速为主记录行驶轨迹，视觉与LiDAR提供全局约束，抑制漂移。

关键参数示例：

# 传感器配置片段（示意）
camera:
  resolution: 1920x1080
  fps: 30
  exposure: auto
lidar:
  channels: 16
  range: 0.1~50m
  fps: 10
ultrasonic:
  range: 0.2~5m
  beam_angle: 60deg
imu:
  accel_range: ±4g
  gyro_range: ±500dps
  rate: 200Hz

四、常见误区与复盘要点

误区一：只依赖视觉做车位检测。地下车库光照不均、地面反光时，视觉车位线容易断裂或误检。应结合LiDAR几何与USS近场距离做交叉验证。

误区二：忽略IMU零偏与温度漂移。泊车时间虽短，但IMU积分误差会快速累积，导致轨迹复现时航向偏差。建议每次上电重新标定，并在融合中引入零偏状态估计。

复盘建议：建立传感器健康度看板，记录每类传感器在典型场景下的有效率、噪声水平和失效次数。例如统计LiDAR点云在立柱区域的匹配率、视觉车位线检测的连续帧数、USS在软质障碍前的误报率。这些数据是后续融合权重调整的直接依据。

总结来看，视觉、LiDAR、USS与IMU在泊车场景中并非互相替代，而是分别承担语义、几何、近场安全与运动先验的角色。只有理解它们各自的数据特性与失效边界，才能在记忆泊车建图与轨迹复现中设计出稳定、鲁棒的融合策略。