2. 智能驾驶系统基础

智能驾驶系统并不是单一算法，而是一条从环境输入到车辆动作输出的闭环链路。理解这条链路，是后续做车型适配与量产迁移的前提。不同车型的传感器布置、算力平台、软件中间件和底盘接口各不相同，但系统的基本分工高度一致：感知负责“看清世界”，决策负责“想明白”，规划负责“怎么走”，控制负责“把动作做准”。四者通过数据流与时序约束耦合在一起，任何一环的延迟、精度或接口差异，都会在迁移时被放大。

一、核心原理：四模块闭环与信号链

感知模块把摄像头、激光雷达、毫米波雷达、超声波雷达和组合导航的原始数据，经过时间同步、标定、目标检测、跟踪与融合，输出统一的环境模型，包括车道线、可行驶区域、障碍物位置与速度、交通标志和自车定位。决策模块基于环境模型和导航任务，完成行为决策，例如跟车、变道、超车、避让、停车让行。规划模块把行为意图转成一条满足车辆运动学与动力学约束的轨迹，通常分为全局路径规划与局部轨迹优化。控制模块则把轨迹解算为油门、制动、转向和挡位的执行指令，通过CAN或以太网发送给底盘执行器。

这条链路的本质是“传感器→感知→决策→规划→控制→执行器”的信号流，同时伴随状态反馈。下图给出四模块与传感器、计算平台、执行器之间的典型关系。

二、传感器配置：按功能而非按数量堆叠

传感器配置的核心不是“越多越好”，而是覆盖必须的安全与功能场景。前视摄像头负责远距目标与车道线，环视与侧后摄像头覆盖近距离盲区，激光雷达提供高精度三维点云，毫米波雷达在雨雾和夜间具有稳定测距测速能力，超声波雷达用于低速泊车，GNSS/IMU提供全局定位与姿态。量产迁移时，传感器安装位置、朝向、视场角和标定参数都会变化，因此必须重新做外参标定与融合验证。

三、计算平台与软件架构：算力、实时与安全的平衡

计算平台通常由高算力SoC、GPU/NPU、安全MCU和网络交换芯片组成。感知与规划算法对算力需求大，控制与安全监控则要求高实时和高可靠。软件架构上，常见做法是分层解耦：底层操作系统与中间件负责通信、调度和时间同步；中间层提供感知、定位、规划等模块化服务；上层是功能应用与OTA升级。量产迁移时，若目标车型算力更低，就需要做模型量化、算子裁剪和任务调度优化。

典型软件分层：
  App层：行车功能、泊车功能、人机交互
  Service层：感知服务、定位服务、规划服务、控制服务
  Middleware层：ROS2 / AUTOSAR AP / DDS / SOME/IP
  OS层：Linux + RTOS / QNX / AUTOSAR CP
  Hardware层：SoC、MCU、传感器、执行器

四、案例与场景：从A车到B车的适配检查

假设将一套高速领航辅助功能从A车型迁移到B车型。A车使用5R1V配置，B车使用5R5V1L配置。迁移时，感知团队需要重新标定摄像头与雷达的外参，验证融合后的目标位置误差；规划团队需要根据B车轴距、转向比和制动响应重新调整轨迹曲率与减速度限制；控制团队需要重新辨识底盘执行器的延迟和死区。最终通过实车测试验证跟车距离、变道平顺性和紧急制动响应。

五、常见误区与复盘

• 误区一：只换传感器不重标定。外参偏差会直接导致目标定位错误，融合结果不可信。
• 误区二：忽略时间同步。摄像头、雷达和激光雷达时间戳不一致，高速场景下目标位置会明显错位。
• 误区三：算力估算过于乐观。峰值算力不等于可用算力，需考虑内存带宽、散热降频和任务并发。
• 误区四：控制参数直接复用。不同车型的底盘响应差异大，必须重新做参数辨识与标定。