📚 课程目录第2章智能驾驶传感器概述

2. 智能驾驶传感器概述

智能驾驶系统对环境的理解，本质上来自多类传感器的协同感知。不同传感器在物理机理、输出形式、探测距离、分辨率、环境适应性上差异显著，健康管理工程的第一步，就是建立“传感器特性—失效模式—可观测指标”的对应关系。本节围绕六类主流传感器展开，说明其工作原理、关键特性与典型健康关注点。

核心认知：没有一种传感器能在所有场景下都最优。摄像头擅长语义识别，毫米波雷达擅长测距测速，激光雷达擅长三维几何，超声波雷达擅长近距泊车，IMU提供高频运动信息，GNSS提供全局绝对定位。健康管理的目标不是让每个传感器“永远正常”，而是让系统在任一传感器性能退化时仍能安全降级。

一、六类传感器的工作原理与输出特性

摄像头通过CMOS/CCD感光阵列将光信号转为数字图像，输出二维像素矩阵。其核心优势是分辨率高、成本低、可识别颜色与纹理，能完成车道线、交通标志、车辆行人等语义任务。但摄像头对光照极为敏感：逆光、夜间、隧道出入口、雨雪雾都会导致图像质量骤降。健康管理关注曝光异常、镜头遮挡、图像模糊、帧率下降、时间戳漂移等指标。

毫米波雷达发射77GHz或79GHz调频连续波，通过回波频率差计算距离与相对速度，利用多天线相位差测角。它穿透雨雾能力强，测距测速精度高，是AEB和ACC的核心传感器。缺点是角分辨率较低，对静止金属物体和护栏易产生杂波。健康关注点包括信噪比下降、通道幅相不一致、天线罩污损、虚假目标率上升。

激光雷达通过发射激光脉冲并测量飞行时间，获得高精度三维点云。其角分辨率和测距精度远高于毫米波雷达，能直接构建环境几何轮廓。机械旋转式、半固态和固态方案在寿命、成本、可靠性上差异明显。健康管理需关注点云密度衰减、盲区扩大、窗口污染、激光器老化、回波强度异常等。

超声波雷达工作在40kHz至58kHz，通过声波往返时间测距，探测距离通常为0.2至5米。它成本低、近距精度好，广泛用于泊车辅助。但声速受温度影响，且探测波束宽、易受风噪和地面反射干扰。健康关注点包括换能器灵敏度下降、回波丢失、温度补偿失效、相邻传感器串扰。

IMU由陀螺仪和加速度计组成，输出三轴角速度和比力，经积分得到姿态、速度和位置。其高频响应好，可在GNSS失锁时短时维持航位推算。但积分会累积零偏和随机游走误差。健康管理关注零偏稳定性、噪声密度、标度因数误差、温度漂移和轴间非正交误差。

GNSS接收多星座卫星信号，通过伪距和载波相位解算绝对位置。RTK可达到厘米级，但城市峡谷、隧道、高架下易失锁或多路径。健康关注点包括可见卫星数、载噪比、定位模式、差分龄期、水平/垂直精度因子和跳变检测。

二、多传感器融合与冗余设计

单一传感器无法覆盖全部工况，因此量产智能驾驶普遍采用多传感器融合。典型架构是：摄像头提供语义类别，毫米波雷达提供距离与速度，激光雷达提供三维几何，超声波负责近距补盲，IMU与GNSS提供自车运动与全局位置。融合层通过时间同步、空间标定和关联匹配，将不同模态数据统一到同一坐标系。

冗余设计是健康管理的物理基础。例如前向AEB同时依赖摄像头和毫米波雷达；定位模块同时依赖GNSS、IMU和轮速；泊车同时依赖超声波和环视摄像头。当某一传感器健康度下降时，系统可依据冗余关系切换权重或触发降级策略。

三、典型场景：隧道出入口的传感器表现

车辆驶入隧道时，摄像头经历从强光到暗光的剧烈变化，自动曝光需要数百毫秒恢复，期间车道线识别可能丢失；GNSS信号迅速衰减，可见卫星数从12颗降至4颗以下，定位模式从RTK Fixed退化为单点；IMU开始承担航位推算，但零偏误差随时间累积。此时毫米波雷达和激光雷达受光照影响小，仍能提供前方目标距离。健康管理系统应在此场景下识别摄像头“短暂致盲”和GNSS“失锁”状态，临时提升雷达与IMU权重，并限制依赖视觉的高阶功能。

四、健康管理关注的核心参数清单

传感器	关键输出	典型失效模式	可观测健康指标
摄像头	图像帧、目标框	遮挡、过曝、模糊、丢帧	亮度均值、清晰度、帧率、时间戳偏差
毫米波雷达	点迹、目标距离/速度	天线罩污损、通道失配、虚警	信噪比、通道幅相、虚警率、探测距离
激光雷达	三维点云	窗口污染、激光器老化、盲区扩大	点云密度、回波强度、盲区比例、温升
超声波雷达	近距距离	换能器老化、温度漂移、串扰	回波幅值、测距一致性、温度补偿偏差
IMU	角速度、加速度	零偏漂移、噪声增大、轴间耦合	零偏稳定性、噪声密度、标度因数误差
GNSS	经纬度、速度、时间	失锁、多路径、差分中断	卫星数、载噪比、定位模式、差分龄期

五、常见误区与复盘

误区一：把“传感器有输出”等同于“传感器健康”。摄像头在完全遮挡时仍可能输出全黑图像，雷达在污损时仍可能输出点迹，必须结合质量指标判断。
误区二：只关注单传感器故障，忽略共因失效。例如同一洗车场景可能同时污染摄像头、激光雷达和超声波雷达，导致多传感器同时降级。
误区三：忽视时间同步。多传感器融合中，若某一路时间戳漂移超过阈值，融合结果会显著恶化，但单看每个传感器都“正常”。

复盘时应建立“场景—传感器—指标—阈值—降级动作”的闭环。例如隧道场景触发摄像头致盲标志，系统记录持续时间、恢复时间、是否触发降级；若同一车辆频繁出现，则需检查自动曝光参数或镜头状态。健康管理不是简单的故障报警，而是对传感器性能退化的持续量化与可解释评估。

# 传感器健康度评估伪代码示例
for sensor in [camera, radar, lidar, ultrasonic, imu, gnss]:
    quality = extract_quality_metrics(sensor)
    health = normalize(quality, baseline)
    if health < warning_threshold:
        trigger_degradation(sensor, level="warning")
    if health < critical_threshold:
        trigger_degradation(sensor, level="critical")
        reweight_fusion(exclude=sensor)