3. 车载传感器特性与选型
自动驾驶感知系统不是单一传感器的独角戏，而是多类传感器在物理机理、数据格式和适用场景上的互补组合。理解每种传感器“测什么、怎么测、输出什么、什么时候会失效”，是后续做传感器融合与部署的前提。本节按“工作原理—输出数据—选型依据”三条线索，逐一梳理五类车载传感器，并在最后给出选型时的权衡方法。
摄像头：语义最丰富，但缺深度
车载摄像头基于小孔成像与CMOS/CCD光电转换：镜头把外界光聚焦到感光阵列上，每个像素把光强转为电信号，再经ISP（图像信号处理器）完成去马赛克、白平衡、伽马校正、HDR合成等处理，最终输出图像帧。它本身不直接测距，深度信息要靠视差（双目）、运动（单目SFM）或与其它传感器融合获得。
输出数据格式通常为：原始RAW（Bayer阵列）、YUV、RGB，以及压缩后的H.264/H.265码流。对感知算法而言，常用的是去畸变后的RGB或YUV帧，附带时间戳、曝光时间、内参矩阵K（焦距、主点）和外参（相对车体坐标系的旋转平移）。前视摄像头典型参数示例：1920×1080@30fps，水平FOV约60°（长焦）或120°（广角），动态范围≥120dB以应对隧道出入口。
选型依据：看FOV与分辨率的组合（广角看近处盲区、长焦看远处目标）、低照度性能（夜视、无路灯）、HDR能力、全局快门还是卷帘快门（卷帘快门在高速运动下会产生果冻效应）、以及是否满足车规AEC-Q100与功能安全要求。摄像头擅长识别车道线、交通标志、信号灯、车辆类型，但受逆光、雨雾、强光眩光影响大，且无法直接给出可靠距离。
激光雷达：高精度三维点云
激光雷达通过发射激光脉冲并测量回波时间（ToF）计算距离：d = c·Δt/2，其中c为光速。机械旋转式通过旋转扫描覆盖360°，固态式则用MEMS微振镜、OPA或Flash方案实现扫描或面阵探测。每个激光点包含距离、水平角、垂直角，从而解算出三维坐标（x, y, z），并附带反射强度。
输出数据格式为点云（Point Cloud），常见为PCD或自定义二进制格式，字段包括x、y、z、intensity、ring（线束编号）、timestamp。典型参数示例：128线，测距0.5～200m，水平分辨率0.1°～0.4°，垂直FOV 40°，帧率10～20Hz，测距精度±2cm。点云密度随距离下降，远处目标点稀疏。
选型依据：线束数与角分辨率决定点云密度和远距离检测能力；测距范围与精度决定高速场景可用性；是否抗强光（如对向车灯、阳光直射）；是否满足车规与寿命要求；成本与体积。激光雷达能提供精确三维几何，对无纹理物体也有效，但雨雪雾天衰减明显，且成本较高。
毫米波雷达：全天候测距测速
毫米波雷达工作在77GHz或79GHz频段，发射调频连续波（FMCW），通过回波与发射信号的差频计算距离，通过多普勒频移计算径向速度，通过多天线相位差计算角度。它穿透雨雾、灰尘能力强，是全天候测距测速的主力。
输出数据格式为“目标列表”或“点云+目标”：每个目标包含距离、径向速度、方位角、俯仰角（4D雷达）、RCS（雷达截面积）和跟踪ID。典型参数示例：77GHz，探测距离0.2～250m，距离精度±0.1m，速度精度±0.1m/s，水平FOV ±60°，更新周期50ms。4D成像雷达可输出更密集的点云，提升高度分辨能力。
选型依据：探测距离与FOV是否覆盖AEB、ACC、BSD等场景；角度分辨率能否区分相邻车道目标；是否支持高度测量（避免井盖、天桥误报）；抗干扰能力与多雷达互扰抑制。毫米波雷达对金属敏感、对行人等低RCS目标较弱，且角分辨率通常低于激光雷达。
超声波：近距离泊车辅助
超声波传感器工作在40～58kHz，通过发射声波并测量回波时间测距，典型探测范围0.2～5m。它成本低、近距离盲区小，主要用于泊车、低速防碰撞。
输出数据格式为距离值（单位cm或m）和状态标志（有无障碍、故障），通常以CAN或LIN报文发送，更新周期约10～50ms。典型参数示例：探测距离0.2～4.5m，精度±1～3cm，波束角约60°。
选型依据：探测距离与盲区、安装位置（前后保险杠）、防水防尘等级、温度漂移补偿。超声波受温度、风速影响，且探测距离短，不能用于高速场景。
GNSS/IMU：绝对定位与姿态基准
GNSS（全球导航卫星系统）通过接收多颗卫星信号，用伪距和载波相位解算位置，RTK差分可将定位精度提升到厘米级。IMU（惯性测量单元）由陀螺仪和加速度计组成，测量角速度和加速度，通过积分得到姿态、速度和位置，但会随时间漂移。两者常组合成GNSS/INS，用GNSS抑制IMU漂移，用IMU在GNSS失锁时维持短时定位。
输出数据格式：GNSS输出经纬度、海拔、速度、航向、定位质量（固定解/浮点解/单点）、卫星数；IMU输出三轴角速度、三轴加速度、温度；组合导航输出位置、姿态（四元数或欧拉角）、速度、协方差。典型参数示例：GNSS更新率10Hz，RTK水平精度±2cm；IMU更新率100～1000Hz，陀螺零偏稳定性≤1°/h。
选型依据：定位精度与更新率、GNSS失锁后IMU保持精度的时间、是否支持多频多系统、抗多径与抗干扰能力、时间同步接口（PPS）。GNSS在隧道、城市峡谷会失锁，IMU则提供短时连续定位，二者互补。
选型依据与权衡方法
选型不是“哪个传感器最好”，而是“哪个组合最匹配目标场景与成本约束”。可以从四个维度权衡：
- 探测需求：需要多远、多宽、多高的覆盖？高速AEB要求200m以上测距，泊车只需5m以内。
- 环境鲁棒性：雨雾天摄像头和激光雷达衰减，毫米波雷达仍可用；隧道内GNSS失锁，IMU短时维持。
- 数据互补性：摄像头给语义、激光雷达给几何、毫米波给速度、GNSS/IMU给绝对位姿，融合后覆盖各自盲区。
- 成本与车规：超声波最便宜，摄像头次之，毫米波雷达中等，激光雷达和组合导航成本较高；均需满足车规温度、振动、EMC与功能安全等级。
一个典型的L2+感知配置示例：1个前视长焦摄像头 + 4个环视广角摄像头 + 1个前向毫米波雷达 + 4个角雷达 + 12个超声波 + 1套GNSS/IMU组合导航。前视负责远距识别，环视负责近距泊车，毫米波负责全天候测距测速，超声波负责低速防碰撞，GNSS/IMU提供全局定位与姿态基准。实际选型时，应先用场景清单列出每个功能（AEB、ACC、LKA、APA、HWP）对探测距离、精度、更新率、失效模式的要求，再逐项匹配传感器参数，最后用融合算法验证覆盖是否完整。