3. 感知层基础

感知层是AEB系统的“眼睛”。AEB能否在关键时刻正确触发，首先取决于感知层能否稳定输出目标的存在、距离、速度、方位与类别。毫米波雷达、摄像头、激光雷达是当前AEB量产方案中最核心的三类传感器，它们在工作机理、输出信息、环境适应性和成本上差异显著。理解这些差异，是进行传感器选型与融合设计的前提。

一、三类传感器的核心原理

毫米波雷达工作在77GHz或79GHz频段，通过发射调频连续波（FMCW），利用回波与发射信号之间的频率差计算目标距离，利用多普勒效应测量相对速度，利用多天线阵列的相位差测量方位角。其最大优势是直接测速、穿透雨雾能力强、探测距离远，但对静止目标和金属密集场景的区分能力有限，且角分辨率相对较低。

摄像头通过光学镜头将外界场景成像到CMOS/CCD传感器上，再由图像处理算法完成目标检测、分类和车道线识别。摄像头能识别车辆、行人、骑行者、交通标志等丰富语义信息，横向定位精度高，但受光照、逆光、雨雪和镜头污损影响大，且单目测距精度依赖目标尺寸先验，稳定性不如雷达。

激光雷达通过发射激光束并测量飞行时间（ToF）或调频连续波（FMCW）获取高精度三维点云。其角分辨率和测距精度远高于毫米波雷达，能直接构建目标轮廓，对静止障碍物和异形目标识别能力强。但激光雷达受雨雾、灰尘影响明显，成本较高，且在AEB中通常需要与雷达、摄像头融合使用。

二、AEB选型的核心参数与判断逻辑

传感器选型不是“越贵越好”，而是围绕AEB功能需求做匹配。AEB最关心的参数包括：最远探测距离、测距精度、测速精度、水平视场角、角分辨率、刷新周期、环境适应性和成本。对于城市AEB，重点在近距行人、骑行者识别和横穿场景；对于高速AEB，重点在远距车辆检测和相对速度测量。

三、典型AEB感知方案与场景案例

当前量产AEB主流方案是“1毫米波雷达 + 1摄像头”或“1毫米波雷达 + 1摄像头 + 1激光雷达”。以某车型高速AEB为例：前向毫米波雷达负责在120m范围内稳定跟踪前方车辆，输出距离和相对速度；前视摄像头负责识别车辆、行人及车道线，提供横向位置和类别；融合模块将两者目标关联，当TTC（碰撞时间）低于阈值且驾驶员未制动时，触发AEB。

四、常见误区与复盘要点

• 误区一：只依赖单一传感器。毫米波雷达对静止目标不敏感，摄像头在逆光下可能失效，单传感器方案存在明显盲区。
• 误区二：忽视安装标定。摄像头俯仰角、雷达安装角偏差会直接导致测距和方位误差，AEB误触发或漏触发常源于标定问题。
• 误区三：忽略时间同步。雷达与摄像头刷新周期不同，若时间戳未对齐，融合目标位置会出现“鬼影”或漂移。
• 误区四：用激光雷达完全替代雷达。激光雷达在雨雾中衰减明显，且成本高，AEB中通常作为补充而非唯一来源。

# AEB感知融合伪代码示例
radar_targets = radar.get_targets()      # 距离、速度、角度
camera_targets = camera.get_targets()    # 类别、2D框、横向位置
lidar_points = lidar.get_pointcloud()    # 3D点云

fused = fuse(radar_targets, camera_targets, lidar_points)
for obj in fused:
    ttc = obj.distance / max(obj.rel_speed, 0.1)
    if ttc < 2.0 and obj.confidence > 0.7:
        trigger_aeb_warning()
    if ttc < 1.2 and driver_brake == False:
        trigger_aeb_brake()

感知层选型的本质，是在“探测距离、测速精度、分类能力、环境适应性、成本”之间找到与AEB功能目标匹配的平衡点。毫米波雷达、摄像头、激光雷达各有不可替代的价值，融合才是AEB感知层稳定可靠的关键路径。