2. 传感器基础
在特殊场景感知系统中，传感器是获取环境信息的起点。不同传感器基于不同的物理机理工作，输出数据的形式、精度、鲁棒性和成本差异显著。理解它们的原理与数据特性，是后续多传感器融合与障碍物识别的基础。本节将逐一剖析六类常用传感器，并给出选型依据。
一、核心原理与数据形式
摄像头通过光学镜头将场景投影到图像传感器（CMOS/CCD）上，输出二维像素阵列。单目摄像头提供丰富的纹理与颜色信息，但缺乏深度；双目或多目通过视差计算深度。数据形式为图像帧（如1920×1080×3），帧率通常为15~60fps。摄像头在光照良好时语义识别能力强，但受逆光、雨雾、夜间影响大。
激光雷达（LiDAR）发射激光脉冲并测量回波时间，通过飞行时间（ToF）计算距离。机械旋转式或固态式扫描形成三维点云，每个点包含(x, y, z, intensity)信息。典型线束为16/32/64/128线，帧率10~20Hz，测距精度可达厘米级。激光雷达在夜间和弱纹理场景下表现优异，但受雨雪、浓雾衰减明显，且成本较高。
毫米波雷达发射调频连续波（FMCW），利用多普勒效应测速，通过差频测距。输出目标级的距离、速度、角度信息，部分可输出点云。工作频段为24GHz、77GHz、79GHz，穿透雾、烟、灰尘能力强，全天候工作，但角分辨率较低，对静止物体和金属反射敏感。
超声波传感器发射40kHz左右声波，测量回波时间得到距离。输出单一距离值，探测范围通常0.2~5m，波束角大，成本极低。适用于近距离泊车、避障，但响应慢、易受温度与风速影响，且无法识别目标类型。
红外传感器分为主动红外（发射红外光测距）和被动红外（检测热辐射）。主动红外输出距离或接近开关信号，被动红外输出热成像图或人体感应信号。红外在夜间无光环境下可工作，但受环境温度、阳光干扰大，探测距离有限。
IMU（惯性测量单元）由加速度计和陀螺仪组成，测量三轴加速度与三轴角速度，部分集成磁力计。输出高频（100~1000Hz）的原始惯性数据，通过积分得到姿态、速度和位置。IMU短期精度高、响应快，但存在零偏和累积漂移，需与外部传感器融合校正。
二、方法流程：从原始数据到可用感知
传感器数据进入系统后，通常经历以下流程：
- 数据采集与时间同步：多传感器需统一时间戳，常用PTP或GPS秒脉冲对齐。
- 预处理：摄像头去畸变、白平衡；激光雷达去噪、地面分割；毫米波雷达滤除杂波；IMU零偏校正。
- 特征提取：图像提取边缘、角点、语义分割；点云提取聚类、法向量；雷达提取目标航迹。
- 坐标变换：通过外参标定将各传感器数据统一到车辆坐标系。
- 融合与输出：卡尔曼滤波、贝叶斯估计或深度学习融合，输出障碍物列表、可行驶区域等。
三、典型场景与选型案例
以园区低速无人配送车为例，其感知配置通常为：1个16线激光雷达（前向）、4个超声波（四周近距）、1个毫米波雷达（前向中距）、1个单目摄像头（前向语义）、1个IMU。激光雷达负责中远距三维障碍物检测，超声波覆盖盲区，毫米波在雨雾天补充，摄像头识别红绿灯与行人，IMU提供高频姿态用于定位融合。
四、常见误区与复盘
| 误区 | 问题 | 正确做法 |
|---|---|---|
| 只依赖摄像头 | 夜间或逆光时失效 | 增加毫米波或激光雷达冗余 |
| 激光雷达装太低 | 地面反射噪声大 | 调整俯仰角，结合地面分割算法 |
| 忽略IMU零偏 | 积分漂移导致定位发散 | 定期标定，与GNSS/视觉融合 |
| 超声波用于高速 | 响应慢，探测距离短 | 仅用于低速近距泊车场景 |
掌握六类传感器的原理与数据特性后，下一阶段需根据具体任务设计融合方案。选型不是追求最贵或最全，而是让每种传感器在系统中发挥不可替代的作用，形成互补与冗余。