3、传感器仿真基础：激光雷达、摄像头、毫米波雷达、IMU/GNSS 的仿真原理与数据格式
传感器仿真，说白了就是给自动驾驶的车子装上一双“虚拟的眼睛”。
我刚开始做仿真时，总觉得传感器模型差不多就行。后来发现，一个参数没调对，实车测试时直接撞上了路沿。嗯，从那以后我再也不敢小看传感器仿真了。
3.1 激光雷达（LiDAR）仿真
激光雷达的原理很简单：发射激光束，测量反射时间，算出距离。仿真里我们做的就是模拟这个过程。
核心仿真原理：
- 射线投射（Ray Casting）：从激光雷达原点发射射线，检测与场景中物体的交点
- 光束模型：模拟真实激光束的束散角、能量衰减
- 噪声模型：加入高斯噪声、多路径反射、雨雾衰减
我个人习惯用 ROS 的 sensor_msgs/PointCloud2 格式。你想想看，这个格式能同时存储点云的 xyz 坐标、反射强度、时间戳，非常方便。
数据格式示例（PointCloud2）：
# 点云消息结构
Header header # 时间戳、坐标系
uint32 height # 1（无序点云）
uint32 width # 点云数量
PointField[] fields # 字段定义（x, y, z, intensity）
string name # 字段名
uint32 offset # 偏移量
uint8 datatype # 数据类型（FLOAT32=7）
uint32 count # 元素个数
bool is_bigendian # 字节序
uint32 point_step # 每个点的字节数
uint32 row_step # 每行字节数
uint8[] data # 点云数据
bool is_dense # 是否包含无效点避坑指南： 我曾经在仿真中忽略了激光雷达的“盲区”问题。真实激光雷达在近距离（<0.5m）是无法探测的。仿真里如果不加这个限制，实车部署时就会在近距离出现意外碰撞。
3.2 摄像头仿真
摄像头仿真，说白了就是渲染一张“照片”。但这里有个坑：你不能随便渲染，得模拟真实相机的光学特性。
仿真关键点：
- 针孔相机模型：内参矩阵（焦距、主点）、畸变系数
- 光照模型：模拟不同时间、天气的光照条件
- 运动模糊：车辆高速行驶时，图像会产生拖影
- 传感器噪声：暗电流噪声、读出噪声、坏点
我建议使用 sensor_msgs/Image 格式。这个格式支持多种编码方式，比如 RGB8、BGR8、MONO8 等。
数据格式示例（Image）：
# 图像消息结构
Header header # 时间戳、坐标系
uint32 height # 图像高度（像素）
uint32 width # 图像宽度（像素）
string encoding # 编码方式（如 "rgb8"）
uint8 is_bigendian # 字节序
uint32 step # 每行字节数（width * channels）
uint8[] data # 图像数据注意： 仿真中的图像太“干净”了。真实摄像头有镜头污渍、眩光、过曝等问题。我建议在仿真中加入随机污点、光晕效果，否则模型在实车上会水土不服。
3.3 毫米波雷达仿真
毫米波雷达和激光雷达不同。它不测精确距离，而是测相对速度和大致方位。仿真时得模拟这种“模糊感”。
仿真原理：
- FMCW 调制：通过发射频率连续变化的波，测量回波频率差来算距离和速度
- 多普勒效应：目标运动会导致回波频率偏移，从而算出相对速度
- 角度测量：通过多天线阵列的相位差估算目标方位角
- 杂波模型：地面反射、多径效应、雨雪衰减
我记得有一次，仿真中毫米波雷达的检测距离设得太理想了。实车测试时，雷达在雨天根本看不到 200 米外的车。后来我加入了衰减模型，才和实车数据对得上。
数据格式示例（ROS radar_msgs/RadarScan）：
# 毫米波雷达扫描消息
Header header
float32 angle_min # 最小扫描角度
float32 angle_max # 最大扫描角度
float32 angle_increment # 角度分辨率
float32 time_increment # 每帧时间间隔
float32 scan_time # 扫描周期
float32 range_min # 最小探测距离
float32 range_max # 最大探测距离
float32[] ranges # 距离数组
float32[] intensities # 回波强度数组
float32[] velocities # 径向速度数组实战技巧： 毫米波雷达的“多目标检测”在仿真中很容易被忽略。真实场景中，一个目标可能产生多个反射点。我建议在仿真中为每个目标生成 2-3 个散射点，更贴近真实情况。
3.4 IMU/GNSS 仿真
IMU 和 GNSS 是定位的“黄金搭档”。IMU 提供高频的加速度和角速度，GNSS 提供低频的位置。仿真时得把两者结合起来。
IMU 仿真原理：
- 加速度计模型：模拟三轴加速度，加入零偏、比例因子、随机游走噪声
- 陀螺仪模型：模拟三轴角速度，同样加入零偏和噪声
- 重力补偿：仿真中需要减去重力加速度分量
GNSS 仿真原理：
- 卫星几何分布：模拟可见卫星数量、DOP 值
- 误差模型：电离层延迟、对流层延迟、多路径效应
- 更新频率：通常 10Hz，比 IMU 的 100-200Hz 低很多
你想想看，为什么 IMU 需要高频？因为车辆在颠簸路面上的姿态变化很快，低频的 GNSS 根本跟不上。仿真中如果 IMU 频率设低了，定位结果会严重失真。
数据格式示例：
# IMU 消息（sensor_msgs/Imu）
Header header
geometry_msgs/Quaternion orientation # 四元数姿态
float64[9] orientation_covariance # 姿态协方差
geometry_msgs/Vector3 angular_velocity # 角速度 (rad/s)
float64[9] angular_velocity_covariance # 角速度协方差
geometry_msgs/Vector3 linear_acceleration # 线加速度 (m/s²)
float64[9] linear_acceleration_covariance # 线加速度协方差
# GNSS 消息（sensor_msgs/NavSatFix）
Header header
float64 latitude # 纬度 (度)
float64 longitude # 经度 (度)
float64 altitude # 海拔 (米)
uint8 status # 状态（0=无解, 1=单点, 2=差分, 4=RTK固定）
float64 position_covariance[9] # 位置协方差重要提醒： 我曾经在仿真中把 IMU 的零偏设为零，结果实车测试时定位漂移得一塌糊涂。真实 IMU 一定有零偏，而且会随温度变化。仿真中一定要加入零偏稳定性模型，否则你的定位算法在实车上根本跑不起来。
3.5 传感器仿真知识体系
下面这张图是我自己整理的传感器仿真知识体系。它把四种传感器的仿真原理、数据格式、关键参数都串起来了。
这张图把四种传感器的核心要素都列出来了。我建议你把它打印出来贴在工位上，做仿真时随时对照。
我的个人经验： 传感器仿真不是越复杂越好。刚开始做时，先用简单的射线投射模型跑通流程。等算法稳定了，再逐步加入噪声、衰减等细节。一步到位反而容易出问题。
好了，传感器仿真的基础就讲到这里。记住一句话：仿真做得越真实，实车部署就越顺利。别偷懒，把每个传感器的特性都模拟到位。