3. 自动驾驶系统架构与传感器基础
自动驾驶系统的工程实现，本质上是一个“感知-规划-控制”的闭环信息处理过程。对于基于NVIDIA Jetson平台的智能驾驶开发而言，理解这一分层架构是进行算法部署与优化的前提。Jetson系列模组（如Orin、Xavier NX）在车规级应用中通常承担边缘端的融合感知与决策计算任务，其硬件资源（GPU、DLA、CPU）的分配策略，直接取决于上层软件架构的划分方式。本章将系统梳理典型自动驾驶系统的分层逻辑，并深入解析相机、LiDAR、毫米波雷达与IMU等核心传感器的数据格式、坐标系定义及时间同步机制，为后续在Jetson平台上进行端到端算法开发打下坚实的工程认知基础。
上图展示了自动驾驶系统的核心数据链路与Jetson平台在其中的位置。感知层负责将物理世界的原始传感器数据转换为结构化环境信息；规划层基于感知结果与高精地图生成可执行的行驶轨迹；控制层则将轨迹转化为底盘执行指令。Jetson平台作为边缘计算核心，通过GPU/DLA加速感知模型，同时运行规划控制算法，并通过硬件时间同步引擎保证多传感器数据的时间对齐。下面将逐一展开各层级的核心原理与工程实现要点。
3.1 感知-规划-控制分层架构的核心原理
分层架构的设计初衷是降低系统复杂度，将“我在哪、周围有什么、接下来怎么走、怎么执行”四个问题解耦。每一层只依赖下一层提供的抽象接口，而不需要关心底层实现细节。这种设计使得算法团队可以并行开发、独立测试，也便于在Jetson平台上进行模块化部署与性能调优。
核心模块职责划分：
- 感知层：负责目标检测（车辆/行人/骑行者）、车道线识别、可行驶区域分割、交通标志识别、障碍物测距与速度估计。输出为结构化目标列表（含位置、速度、朝向、类别置信度）与语义栅格地图。
- 规划层：接收感知输出与定位信息，依次完成全局路径搜索（如A*、RRT*）、行为决策（跟车/超车/停车/变道）与局部轨迹优化（考虑动力学约束、避障、乘坐舒适性）。输出为未来5-8秒的轨迹点序列（时间戳+位置+速度+加速度）。
- 控制层：采用PID、MPC或LQR等算法，将规划轨迹转化为方向盘转角、油门开度与制动压力指令。控制频率通常为50-100Hz，远高于规划层的10-20Hz，以保证车辆稳定跟踪。
在Jetson平台上，这种分层架构映射到具体的计算资源分配：感知模型（尤其是基于深度学习的检测/分割网络）通常部署在GPU或DLA上，利用TensorRT进行INT8量化加速；规划算法（如基于采样的轨迹生成）在CPU上运行，利用多核并行处理；控制算法则运行在实时核或独立MCU上，确保低延迟与确定性。
3.2 传感器数据格式与接口标准
不同传感器产生的数据格式差异巨大，理解其底层表示是进行融合与算法开发的基础。下表汇总了Jetson平台上常见传感器的数据格式、接口类型与关键参数。
| 传感器类型 | 数据格式 | 接口 | 关键参数 | Jetson适配要点 |
|---|---|---|---|---|
| 相机 (Camera) | YUV422 / RGB888 / RAW Bayer | MIPI CSI-2 / GMSL2 | 分辨率、帧率、曝光、增益、畸变系数 | 需配置V4L2或libargus，支持ISP处理 |
| LiDAR | PCD / ROS PointCloud2 (XYZI) | Ethernet (UDP) | 线数、扫描频率、角度分辨率、测距精度 | 需处理大带宽数据，通常使用CUDA加速点云处理 |
| 毫米波雷达 | 目标列表 (Object List) / 点云 | CAN / CAN-FD | 距离、速度、角度、RCS | 解析CAN报文，注意目标ID管理与跟踪 |
| IMU | 三轴加速度 + 三轴角速度 | SPI / UART / CAN | 零偏稳定性、噪声密度、量程 | 需进行温度补偿与标定，与GPS融合 |
对于相机数据，Jetson平台通过MIPI CSI接口接收原始图像，并利用内置ISP（图像信号处理器）进行去马赛克、白平衡、色彩校正等处理。开发者需要关注像素格式（如NV12、RGBA）与内存布局（线性/平铺），这直接影响GPU纹理访问效率。对于LiDAR点云，数据通常以浮点型XYZ坐标加反射强度（Intensity）存储，单帧64线激光雷达的数据量约为12-20万点，在Jetson上需要采用CUDA并行处理才能满足实时性要求。
3.3 传感器时间同步与坐标系标定
多传感器融合的前提是时间对齐与空间对齐。时间同步解决“同一时刻”的问题，空间标定解决“同一坐标系”的问题。在Jetson平台上，时间同步通常采用硬件级方案：利用板载的PTP（Precision Time Protocol）网卡或外部GPS脉冲（PPS）信号，为所有传感器打上统一的时间戳。
工程实践建议：在Jetson Orin上，推荐使用（IEEE 802.1AS）实现以太网传感器（如LiDAR）的时间同步，精度可达微秒级。对于相机，则利用硬件触发线（GPIO）与PPS信号对齐，确保曝光时刻与LiDAR扫描时刻一致。软件层面，可使用ROS2的message_filters进行近似时间同步（ApproximateTime），但精度远低于硬件方案。
坐标系标定方面，需要完成相机内参标定（焦距、主点、畸变）、相机-LiDAR外参标定（旋转+平移矩阵）、以及IMU到车体坐标系的安装角标定。标定结果通常以4x4齐次变换矩阵（T矩阵）存储。在Jetson上，可使用OpenCV或Kalibr工具进行离线标定，在线运行时则通过CUDA加速的变换操作将点云投影到图像平面。
// 示例：LiDAR点云到相机图像的投影变换（CUDA伪代码）
// 输入：LiDAR点云 (x, y, z, intensity)
// 输出：像素坐标 (u, v) 与深度值
float3 pt_lidar = make_float3(x, y, z);
float4 pt_cam = T_lidar_to_cam * make_float4(pt_lidar, 1.0f);
float2 uv = project(pt_cam); // 相机内参投影
if (uv.x > 0 && uv.x < width && uv.y > 0 && uv.y < height) {
depth_map[uv.y * width + uv.x] = pt_cam.z;
}3.4 实战场景：Jetson平台多传感器融合部署案例
以一个典型的L2+级自动驾驶开发项目为例，我们在一辆测试车上集成了前视双目相机、一个32线LiDAR、五个毫米波雷达和一个高精度IMU。目标是在Jetson AGX Orin上实现10Hz的感知融合输出与20Hz的规划控制指令。
初始现象与约束：系统在初期测试时发现，当车辆通过隧道或高架桥下时，相机出现曝光异常，导致目标检测丢失；同时，LiDAR点云与相机图像在时间上存在约80ms的延迟，导致融合后的目标位置出现明显跳变。
分析与解决过程：
- 时间同步优化：检查发现LiDAR通过以太网UDP传输，时间戳由主机软件生成，存在调度延迟。改用硬件时间同步后，将LiDAR驱动改为使用网卡硬件时间戳，延迟降低至2ms以内。
- 相机曝光控制：针对隧道场景，在感知前处理中加入基于图像亮度统计的自动曝光（AE）策略，并利用Jetson的ISP硬件加速，将曝光调整延迟控制在1帧以内。
- 空间标定验证：使用标定板重新进行相机-LiDAR外参标定，发现原标定结果在Z轴方向存在0.5度的偏差，导致远距离目标投影误差达1.2米。修正后，将融合目标的位置误差控制在0.3米以内。
结果与复盘：优化后，系统在隧道场景下的感知帧率稳定在12Hz，规划控制指令延迟低于50ms，车辆在80km/h时速下的车道保持与自适应巡航功能表现稳定。复盘经验：时间同步是融合质量的基石，任何软件层面的“近似同步”都无法替代硬件级时间戳；同时，标定参数需要定期校验，尤其在车辆经过剧烈颠簸或碰撞后。
3.5 常见误区与总结
常见误区提醒：
- 误区一：认为所有传感器数据都可以在Jetson上直接使用。实际上，相机RAW数据需要经过ISP处理，LiDAR点云需要滤波与降采样，雷达目标需要跟踪管理，这些预处理步骤会消耗大量CPU/GPU资源。
- 误区二：忽略传感器坐标系差异。不同传感器安装位置不同，若未正确标定，融合结果会出现系统性偏差，尤其在近距离目标上表现明显。
- 误区三：在Jetson上直接使用高精度模型而不做优化。端到端部署必须考虑TensorRT量化、模型剪枝与内存复用，否则无法满足实时性要求。