2. 智能驾驶感知系统概述

智能驾驶的感知系统，相当于车辆的“眼睛”和“耳朵”。它并不只是把摄像头、毫米波雷达、激光雷达简单装到车上，而是要把不同物理原理的传感器组织成一个可协同、可标定、可诊断、可扩展的感知平台。理解感知系统，需要从感知层级、传感器分类、环境感知任务以及平台化集成意义四个维度建立整体框架。

一、感知层级：从原始信号到语义决策

感知系统通常可以划分为四个层级。第一层是物理信号层，传感器输出的是光强、电磁回波、飞行时间、相位差等原始物理量；第二层是目标检测层，通过算法从原始数据中提取障碍物、车道线、交通标志等目标；第三层是环境建模层，将多传感器目标融合为统一的环境模型，包括目标列表、占据栅格、可行驶区域等；第四层是语义理解层，进一步判断他车意图、行人行为、交通场景类别，为规划决策提供依据。

这四个层级不是简单串联，而是存在反馈与校验。例如，语义理解层发现前方施工区，会反向调整目标检测层的关注区域；环境建模层发现某传感器置信度下降，会触发诊断与降级策略。平台化集成的价值，正在于让这些层级之间的数据流、时间戳、坐标系和置信度能够被统一管理。

二、传感器分类：不同物理原理的互补

智能驾驶常用传感器可按物理原理分为主动式与被动式。摄像头属于被动式，依赖环境光照，但分辨率高、成本低，擅长识别颜色、纹理和文字；毫米波雷达和激光雷达属于主动式，主动发射电磁波或激光并接收回波，不依赖光照，能直接测量距离和速度。超声波雷达成本低、近距离探测好，常用于泊车；GNSS/IMU 提供全局定位与姿态；V2X 则从车外获取协同信息。

三、环境感知任务：从检测到预测

环境感知任务可以归纳为“检测—跟踪—定位—预测”四类。检测负责发现目标；跟踪负责维持目标 ID 与运动状态；定位负责确定目标在自车坐标系中的位置；预测负责估计目标未来短时轨迹。除此之外，还有车道线检测、可行驶区域分割、交通标志识别、自由空间估计等任务。

这些任务对传感器组合的要求不同。例如，AEB 前向碰撞预警更依赖毫米波雷达的测距测速和摄像头的目标分类；城市 NOA 则更依赖激光雷达点云与视觉 BEV 融合，以获得更完整的三维环境。平台化集成需要为不同任务提供统一的数据接口和算力调度，而不是为每个功能单独拉一套传感器。

四、案例与场景：高速 NOA 的感知链路

以高速 NOA 为例，前向摄像头识别车道线和车辆，前向毫米波雷达提供目标距离与相对速度，角雷达覆盖相邻车道，GNSS/IMU 提供定位，域控制器完成时间同步与融合。若摄像头被强光致盲，系统可依据雷达目标维持短时跟车，并提示驾驶员接管。若雷达被泥水遮挡，诊断模块上报故障，感知平台自动降低该传感器权重。

感知平台典型数据流：
传感器驱动 → 时间戳对齐 → 坐标变换 → 目标检测 → 多源融合 → 环境模型 → 规划控制

关键参数示例：
时间同步误差：< 1 ms
外参标定残差：< 0.1°
融合输出频率：20 Hz
故障降级时间：< 100 ms

五、常见误区与复盘

• 误区一：传感器越多越好。传感器数量增加会带来标定、同步、算力和功耗压力，必须按任务需求配置。
• 误区二：只关注检测精度，忽略时间同步。多传感器融合中，时间戳不一致会直接导致目标位置错位。
• 误区三：把平台化理解为硬件堆叠。平台化更强调接口标准化、数据抽象和故障可管理。
• 复盘要点：先明确感知任务，再选择传感器组合，最后设计集成架构与诊断策略。