4. 传感器系统

Robotaxi 的感知与定位能力，本质上来自一套“异构传感器组合”。没有任何单一传感器能在全天候、全距离、全场景下稳定工作：摄像头语义丰富但受光照影响，激光雷达测距精确但雨雾衰减，毫米波雷达穿透性强但角分辨率有限，超声波适合近距补盲，GNSS/IMU 提供全局位姿但会漂移。理解它们的原理差异，是选型、标定与融合的前提。

一、核心原理：五类传感器的物理基础

摄像头基于小孔成像与光电转换，把三维世界投影为二维像素阵列。它输出的是稠密纹理与颜色信息，擅长识别车道线、交通标志、车辆与行人。核心参数包括分辨率、帧率、动态范围、快门类型（全局/卷帘）与镜头视场角。其固有缺陷是缺少直接深度，需靠视差、结构或模型估计距离。

激光雷达（LiDAR）通过发射激光脉冲并测量飞行时间（ToF）获得精确距离，配合扫描机构形成三维点云。机械旋转式、半固态转镜/MEMS、固态 Flash 与 OPA 是主要形态。它直接给出厘米级三维几何，但点云稀疏、无颜色，且对雨雾、脏污敏感。

毫米波雷达利用调频连续波（FMCW）的多普勒效应与距离-速度耦合关系，同时测量目标的距离和径向速度。77GHz 频段波长短、带宽大，穿透雨雾能力强，是高速场景的关键冗余。其弱点是角分辨率低、易受金属反射与多径干扰。

超声波雷达工作在 40kHz 左右，靠声波回波测距，探测距离通常 0.2～5m，成本极低，主要用于低速泊车与近距障碍物检测。它受温度、风速影响，且响应慢，不适合高速感知。

GNSS/IMU提供全局定位与姿态。GNSS 通过多星座伪距/载波相位解算绝对位置，RTK 可到厘米级，但城市峡谷中易失锁；IMU 用陀螺仪与加速度计积分得到角速度和加速度，短期平滑、长期漂移。二者互补构成组合导航。

二、选型方法：按场景需求匹配传感器组合

选型不是“堆料”，而是围绕 ODD（运行设计域）做需求分解。Robotaxi 通常需要 360° 覆盖、前向 200m 以上远距探测、近距无盲区、以及定位冗余。可参考以下清单：

• 前向远距：长焦摄像头 + 中长距激光雷达 + 前向毫米波雷达，负责高速跟车与远距目标。
• 侧向与后向：广角摄像头 + 补盲激光雷达 + 角雷达，覆盖变道与交叉口。
• 近距补盲：超声波 + 短距摄像头，用于泊车与低速避障。
• 定位冗余：双频 GNSS + RTK + 高精度 IMU + 轮速计，配合激光/视觉里程计。

三、标定流程：从内参到时空对齐

标定决定融合精度。流程通常分三步：

1. 内参标定：摄像头用棋盘格标定焦距、主点与畸变系数；激光雷达标定内部角度偏移；IMU 标定零偏与尺度因子。
2. 外参联合标定：确定各传感器到车辆坐标系的旋转与平移。常用方法包括标定板法、手眼标定法、基于道路特征的无靶标法。
3. 时间同步：用 PTP 或硬触发把各传感器时间戳对齐到统一时钟，误差需小于 1ms，否则高速运动下会产生显著空间错位。

# 外参标定结果示例（相机 → 车辆坐标系）
R = [[0.9998, -0.0121,  0.0153],
     [0.0123,  0.9999, -0.0042],
     [-0.0152,  0.0044,  0.9999]]
t = [1.52, 0.00, 1.85]   # 单位：米
时间同步误差阈值：< 1 ms
重投影误差阈值：< 0.5 pixel

四、多传感器融合基础与典型场景

融合按信息抽象层次分为前融合、特征级融合与后融合。前融合保留最多信息，但对时空对齐要求最高；后融合实现简单、容错性好，是当前量产主流。常用算法包括卡尔曼滤波、扩展卡尔曼滤波、粒子滤波与因子图优化。

以城市十字路口为例：摄像头识别红绿灯与行人意图，激光雷达提供精确轮廓与距离，毫米波雷达给出目标速度，GNSS/IMU 提供自车位置。融合模块把四路信息在统一时空基准下关联，输出稳定的障碍物轨迹。若某一路失效，系统应降级运行而非直接退出。

综上，传感器系统的核心是“异构互补 + 精确标定 + 稳健融合”。理解每类传感器的物理边界，才能在设计 Robotaxi 感知方案时做出合理取舍，并为后续的感知算法与安全冗余打下基础。