2、障碍物检测基础：传统方法（激光雷达、视觉、毫米波）原理、优缺点及适用场景
在进入基于Occupancy Network的障碍物检测技术之前，必须首先厘清传统传感器方案的工作原理与边界。激光雷达、视觉相机与毫米波雷达是当前量产车与机器人平台最主流的三种环境感知传感器，它们分别以“几何测距”“语义理解”“速度与全天候”见长，但各自也存在不可忽视的物理瓶颈。理解这些传统方法的本质，是后续理解Occupancy Network为何能融合多源数据、弥补单一传感器缺陷的前提。本章将从核心原理、判断方法、实战案例与常见误区四个维度展开，并给出三者的系统对比。
2.1 激光雷达：以几何测距为核心的主动感知
核心原理
激光雷达（LiDAR）通过发射激光束并测量反射光的时间差（TOF）或相位差来计算目标距离。机械式LiDAR通过旋转镜面实现360°水平扫描，固态LiDAR则采用光学相控阵或MEMS微镜实现电子扫描。每个激光点返回三维坐标（x, y, z）和反射强度（I），大量点云构成环境的三维几何轮廓。典型参数包括：测距范围（0.1~200m）、测距精度（±2cm）、角分辨率（0.1°~0.4°）、扫描频率（10~20Hz）。
判断方法与操作流程
- 点云预处理：去除离群点（统计滤波）、地面分割（RANSAC平面拟合）、体素降采样（Voxel Grid）。
- 障碍物聚类：基于欧几里得距离聚类（DBSCAN），将相邻点云归为同一目标。
- 目标分类：提取聚类后的几何特征（尺寸、形状、反射强度分布），输入SVM或随机森林分类器，区分车辆、行人、骑行者、静态障碍物。
- 目标跟踪：使用卡尔曼滤波或JPDA（联合概率数据关联）对连续帧目标进行关联与状态估计。
案例拆解：矿区无人卡车障碍物检测
在某矿区无人运输项目中，采用64线机械式LiDAR作为主传感器。矿区环境粉尘大、无GPS信号，但LiDAR不受光照影响，且点云密度足以识别岩石、卡车和人员。初始现象是：雨天时点云出现大量噪点，导致误检率上升至15%。分析发现，雨滴对激光产生镜面反射和散射，形成“雨帘”噪点。操作上，在预处理阶段增加基于反射强度与点云密度的联合滤波，将反射强度低于阈值且空间分布稀疏的点剔除。同时，将聚类距离阈值从0.5m调整为0.8m，以容忍雨滴造成的点云断裂。结果误检率降至3%以下，但代价是近距离小目标（如行人腿部）的召回率下降约2%。复盘经验：LiDAR在恶劣天气下必须配合算法补偿，且不能单独依赖单一传感器。
2.2 视觉相机：以语义理解为核心的无源感知
核心原理
视觉相机通过镜头将三维世界投影到二维图像平面，利用像素灰度/颜色信息记录环境纹理。单目相机缺乏深度信息，需通过运动恢复结构（SfM）或深度学习估计深度；双目相机通过视差计算深度，基线距离决定有效测距范围（通常0.5~20m）。视觉的核心优势在于语义理解——能够识别交通标志、车道线、行人姿态等精细特征，这是LiDAR和Radar难以做到的。
判断方法与操作流程
- 图像预处理：去畸变（相机标定）、直方图均衡化、图像增强。
- 目标检测：使用YOLO、Faster R-CNN等深度学习模型，输出2D边界框和类别。
- 深度估计：单目采用自监督深度网络（如Monodepth2），双目采用SGM（半全局匹配）算法。
- 3D障碍物重建：结合相机外参，将2D检测框与深度图融合，生成3D包围盒。
案例拆解：城市道路行人横穿预警
在某L2级辅助驾驶项目中，前视摄像头需要检测横穿马路的行人。初始现象是：逆光场景下行人检测置信度从0.85骤降至0.4，导致频繁漏报。分析发现，逆光造成图像过曝，行人轮廓与背景融为一体。操作上，采用多帧HDR（高动态范围）合成，将三帧不同曝光时间的图像融合，保留暗部细节。同时，在训练数据中增加逆光、夜间、雨雾等对抗样本，并引入注意力机制（SE模块）增强模型对局部特征的提取。结果逆光场景下检测率从72%提升至94%。但代价是HDR合成增加了约15ms的延迟，对实时性要求高的场景需权衡。复盘经验：视觉算法必须覆盖极端光照场景，且硬件级HDR与算法级增强需协同设计。
2.3 毫米波雷达：以多普勒效应为核心的全天候感知
核心原理
毫米波雷达（Radar）发射调频连续波（FMCW），通过混频得到中频信号，再经FFT提取目标的距离、速度和方位角。其工作频率通常为24GHz、77GHz或79GHz，波长在4mm左右，能够穿透雨雾、灰尘和黑暗。多普勒效应使雷达可以直接测量目标的径向速度，这是LiDAR和视觉不具备的独特优势。典型参数：测距范围0.2~250m，速度精度±0.1km/h，方位角分辨率约1°~3°（受天线孔径限制）。
判断方法与操作流程
- CFAR检测：恒虚警率算法在距离-多普勒图上提取目标峰值，自适应调整检测阈值。
- 角度估计：使用MUSIC或ESPRIT算法处理多天线阵列信号，估计目标方位角。
- 目标聚类与跟踪：将距离-速度-角度相近的点迹关联为同一目标，使用α-β滤波或卡尔曼滤波进行跟踪。
- 目标分类：基于RCS（雷达散射截面）波动特征和微多普勒特征区分行人、车辆、自行车。
案例拆解：高速公路AEB（自动紧急制动）系统
某量产车型的AEB系统采用前向77GHz毫米波雷达。初始现象是：在隧道出口处，系统对静止金属护栏产生误触发，导致不必要的紧急制动。分析发现，隧道内多径反射使雷达在距离-多普勒图上产生“幽灵目标”，且金属护栏的RCS与车辆相似。操作上，增加目标历史轨迹连续性校验——若目标在连续10帧内位置变化小于0.3m且无径向速度，则判定为静态物体，降低其碰撞威胁等级。同时，融合视觉传感器的语义信息，确认目标是否为可行驶区域边界。结果误触发率从每千公里2.3次降至0.1次。代价是增加了约20ms的融合决策延迟，但AEB触发时间仍满足法规要求。复盘经验：毫米波雷达的静态目标检测需要结合场景上下文，单一传感器无法可靠判断。
2.4 三种传感器对比与选型决策
| 对比维度 | 激光雷达 | 视觉相机 | 毫米波雷达 |
|---|---|---|---|
| 测距原理 | TOF/相位差 | 视差/深度学习 | FMCW多普勒 |
| 测距精度 | ±2cm（高） | ±10cm（中，受深度估计限制） | ±0.5m（低，但速度精度高） |
| 角分辨率 | 0.1°~0.4°（高） | 像素级（极高） | 1°~3°（低） |
| 速度测量 | 需帧间差分 | 需帧间差分 | 直接测量径向速度 |
| 天气鲁棒性 | 雨雾衰减严重 | 光照敏感，雨雾较差 | 全天候，穿透雨雾 |
| 语义理解 | 弱（仅几何） | 强（可识别类别） | 弱（仅RCS特征） |
| 成本（量产级） | 高（$500~$5000） | 低（$50~$200） | 中（$100~$300） |
| 典型失效模式 | 雨雾噪点、镜面反射 | 逆光、夜间、遮挡 | 多径反射、静态目标误检 |
选型决策建议
- L2级辅助驾驶：以毫米波雷达+前视摄像头为主，成本可控且满足AEB/ACC需求。
- L3级有条件自动驾驶：增加激光雷达作为冗余，提升对静态障碍物和复杂场景的感知能力。
- L4级Robotaxi/物流：多激光雷达+多摄像头+毫米波雷达的冗余组合，任何单一传感器失效都不影响安全。
- 室内机器人：以激光雷达为主（低成本2D/3D），视觉辅助语义识别。
2.5 常见误区与总结复盘
总结复盘
传统三种传感器各有不可替代的物理优势，也各有明确的性能边界。激光雷达提供高精度几何，视觉提供丰富语义，毫米波雷达提供全天候速度测量。在实际工程中，没有任何单一传感器能够满足L3级以上自动驾驶的全场景需求。这正是Occupancy Network出现的根本原因——它试图在统一的空间表示（体素网格）中融合多传感器数据，利用神经网络学习不同传感器的置信度权重，从而在几何、语义、速度三个维度上实现互补。理解传统方法的原理与局限，是设计有效融合策略的第一步。