4. 感知传感器基础

车路云协同感知系统并不是由单一传感器“包打天下”，而是由多种异构传感器共同构成感知前端。不同传感器在物理机理、输出数据形式、时空特性、成本与适用场景上差异显著。理解它们的工作原理与数据特点，是后续进行时间同步、空间标定与多源融合的前提。本章围绕五类核心传感器展开：摄像头、激光雷达、毫米波雷达、超声波雷达以及GNSS/IMU组合定位单元。

一、核心原理：五类传感器的物理机理

摄像头基于光学成像原理，将三维世界投影到二维像平面，输出稠密的RGB或灰度像素阵列。它擅长识别颜色、纹理、文字与语义类别，但单目图像丢失深度信息，需依靠几何约束、双目视差或深度学习估计距离。

激光雷达（LiDAR）通过发射激光脉冲并测量飞行时间（ToF）获取距离，配合扫描机构或固态相控阵形成三维点云。其输出为稀疏但精确的三维坐标点，直接提供几何结构，测距精度可达厘米级，但受雨雾、扬尘影响较大，且成本相对较高。

毫米波雷达利用毫米波频段（如76–81 GHz）电磁波的发射与回波，通过调频连续波（FMCW）测量目标的距离、径向速度和方位角。它对雨雪雾霾穿透力强，测速精度高，但角分辨率较低，点云稀疏，易受金属反射和多径干扰。

超声波雷达工作在40 kHz左右的机械波频段，通过回波时间测距，探测距离通常仅数米，主要用于低速泊车与近距避障。其成本极低，但波束角大、分辨率低、易受温度与风速影响。

GNSS/IMU是定位与姿态基准。GNSS通过卫星伪距与载波相位解算绝对位置，IMU通过陀螺仪与加速度计积分获得角速度和比力，二者组合可在卫星遮挡时维持短时高精度位姿输出，为多传感器融合提供统一时空参考。

二、方法流程：从原始数据到融合输入

多传感器协同感知的工程流程通常分为四步。第一步是数据采集与驱动解析，将各传感器的原始报文解析为统一内部格式，例如将激光雷达的UDP包解析为点云、将毫米波雷达的CAN帧解析为目标列表。第二步是时间同步，以GNSS的PPS秒脉冲或PTP协议为基准，为每帧数据打上硬件时间戳，消除采集延迟与传输抖动。第三步是空间标定，通过联合标定获得各传感器到车体坐标系的旋转平移矩阵。第四步是融合处理，在统一时空基准下进行目标关联、航迹管理与置信度融合。

传感器        频率        时间戳来源        同步误差目标
摄像头        30 Hz       PTP/GPTP          < 1 ms
激光雷达      10 Hz       PPS + 串口UTC     < 1 ms
毫米波雷达    20 Hz       CAN时间戳         < 2 ms
超声波雷达    20 Hz       轮询触发          < 5 ms
GNSS/IMU     100 Hz       PPS + 惯导积分    < 0.5 ms

三、案例场景：城市路口车路云协同感知

在某城市十字路口，路侧单元部署了摄像头、激光雷达与毫米波雷达。摄像头负责识别交通信号灯颜色与车辆类型；激光雷达提供路口三维结构，精确分割行人、非机动车与机动车轮廓；毫米波雷达在雨雾天气下持续跟踪快速移动目标的速度。车载端则通过GNSS/IMU提供自车绝对位置与姿态，超声波雷达负责低速泊车时的近距障碍检测。云端融合平台将路侧与车端数据在统一时空框架下对齐，输出全局目标列表，实现超视距感知。

该场景中，若仅依赖摄像头，夜间逆光或雨雾会导致漏检；若仅依赖激光雷达，雨雾衰减会降低点云密度；若仅依赖毫米波雷达，角分辨率不足难以区分相邻车道目标。多传感器互补正是协同感知的价值所在。

四、误区与复盘

五、五类传感器数据特点对比清单