1. 课程导入

智能驾驶正在从“功能演示”走向“规模量产”，而支撑这一转变的关键，不再只是算法模型本身，而是传感器平台集成工程——如何把摄像头、毫米波雷达、激光雷达、超声波、IMU、GNSS 等异构传感器，连同供电、通信、时间同步、算力与软件中间件，集成为一个稳定、可量产、可验证的感知平台。本课程围绕这条主线展开，帮助学习者建立从器件到系统、从样车到量产的完整工程视角。

一、学习目标：从“会装传感器”到“会做平台”

本课程的学习目标分为四个层次。第一层是认知层：理解智能驾驶感知系统的功能边界、传感器分工与性能指标。第二层是设计层：能够根据 ODD（运行设计域）与功能需求，完成传感器选型、布局与冗余设计。第三层是集成层：掌握安装标定、时间同步、数据采集、通信链路与算力平台的集成方法。第四层是验证层：能够设计台架、场地与道路测试方案，并对集成问题进行定位与复盘。

二、核心概念：感知平台的五个关键词

• 异构冗余：不同物理原理的传感器互为补充，摄像头擅长分类、雷达擅长测距测速、激光雷达擅长三维几何，冗余不是简单堆叠，而是能力互补。
• 时空基准：所有传感器数据必须统一到同一坐标系与同一时间轴，标定解决“空间对齐”，时间同步解决“时间对齐”。
• 数据流与信号链：从物理量到原始数据，再到目标级/特征级/决策级输出，每一级都有延迟、带宽与精度约束。
• 平台化：把传感器、接口、算力、中间件抽象为可复用平台，支撑不同车型与不同配置的快速衍生。
• 可量产性：一致性、可标定、可诊断、可 OTA、成本可控，是实验室方案与量产方案的分水岭。

三、整体框架：从传感器到感知输出的分层结构

智能驾驶传感器平台可以抽象为五层：物理层（传感器与安装结构）、接口层（供电、通信、触发与同步）、数据层（采集、时间戳、坐标变换）、计算层（域控制器、中间件、融合算法）、验证层（标定、测试、诊断与数据闭环）。下图给出该框架的核心关系。

四、方法流程：平台集成的典型工作流

工程实践中，传感器平台集成通常遵循“需求—选型—布置—标定—同步—验证—迭代”的闭环。下面给出一个可复用的流程骨架，便于在项目中对照执行。

1. 需求分解：从 ODD 与功能清单导出感知指标（探测距离、FOV、分辨率、延迟）
2. 传感器选型：按指标匹配摄像头/雷达/激光雷达/超声波，确定冗余策略
3. 布置设计：确定安装位置、朝向、遮挡与清洁方案，评估视场覆盖
4. 接口设计：供电、通信带宽、触发同步、线束与连接器选型
5. 标定与同步：内参/外参标定，PPS/gPTP 时间同步，验证时空一致性
6. 集成验证：台架回灌、场地测试、道路测试，采集问题场景
7. 诊断与迭代：日志分析、故障定位、参数优化、数据闭环

五、案例场景：一个前向感知平台的集成取舍

某 L2+ 量产项目需要实现高速领航辅助，前向感知要求 200 m 以上探测距离与较高目标分类能力。团队最初只采用单目摄像头加前向毫米波雷达，在雨天与强逆光场景下出现目标丢失与误检。复盘后发现，问题不在算法，而在集成层面的冗余不足与同步误差：摄像头与雷达时间戳偏差约 30 ms，融合时目标位置出现明显错位。改进方案是增加激光雷达作为几何冗余，统一采用 gPTP 同步，并把标定流程从“整车下线一次标定”改为“在线动态标定 + 定期校验”。改造后，前向目标跟踪稳定性显著提升。

六、常见误区与复盘要点

七、行业背景：为什么现在需要这门课

当前智能驾驶行业呈现三个趋势：一是传感器配置从高端选配走向中端标配，成本与一致性压力陡增；二是域集中式电子电气架构普及，传感器直接接入域控制器，集成复杂度上升；三是数据驱动开发成为主流，感知平台必须支持大规模数据采集与回灌。这些趋势共同要求工程师具备跨器件、跨接口、跨软件的系统集成能力，而这正是本课程要培养的核心竞争力。

本课程后续将围绕传感器原理、布置与标定、时间同步、数据链路、域控集成、测试验证与量产落地逐步展开。建议在学习过程中始终带着一个具体车型或项目场景，把每一节的方法映射到自己的工程问题上，形成可落地的集成方案。