传感器基础与建模：常见传感器的工作原理、误差特性、测量模型与坐标系
多传感器数据融合的首要任务，是深刻理解每一个信息源的物理本质与数学表达。相机、激光雷达、毫米波雷达、超声波、IMU与GPS，它们分别从电磁波、声波、惯性力学与卫星导航等不同维度观测世界，各自拥有独特的测量方程、误差分布与参考坐标系。本章将逐一剖析这六类传感器的核心原理、误差特性、测量模型及坐标系定义，为后续的空间对齐（外参标定）与时间同步（时间戳对齐）奠定理论基础。
上图展示了多传感器融合系统的整体框架：各传感器在各自坐标系中完成原始测量，通过外参标定转换到统一的车体坐标系，再经时间同步后送入融合引擎。值得注意的是，不同传感器的采样频率差异巨大（IMU通常为100-1000Hz，而GPS仅为1-20Hz），且各自的误差特性互补——GPS低频无漂移但噪声大，IMU高频短时精确但长期漂移，相机与激光雷达分别擅长纹理与几何测量。理解这些差异是设计融合策略的前提。
2.1 相机：被动光学传感器与针孔模型
核心原理与测量模型
相机通过镜头将三维世界投影到二维图像平面，其本质是光强度在空间上的采样。理想情况下，该投影遵循针孔模型，其数学表达式为：
λ * [u, v, 1]^T = K * [R|t] * [X, Y, Z, 1]^T其中，(u,v)为像素坐标，K为内参矩阵（包含焦距fx, fy与主点cx, cy），[R|t]为外参矩阵（描述相机在世界坐标系中的位姿），λ为深度缩放因子。实际镜头存在径向畸变（桶形/枕形）与切向畸变，需通过标定获得畸变系数k1, k2, k3, p1, p2进行校正。
误差特性与实战场景
相机的误差主要来源于三类：量化误差（像素离散化导致深度估计精度随距离平方下降）、光学误差（畸变、色差、运动模糊）以及环境敏感度（光照变化、反光、遮挡）。在自动驾驶视觉感知中，一个典型的案例是：车辆在隧道出口处，由于光照剧烈变化，自动曝光算法导致图像过曝，使得车道线检测失效。解决思路是采用HDR（高动态范围）成像或基于事件相机（Event Camera）的异步采样机制。
常见误区
- 误区一：认为像素坐标直接对应物理坐标。实际上，单目相机无法获得尺度，必须通过多视图几何或与其它测距传感器融合。
- 误区二：忽略卷帘快门（Rolling Shutter）效应。在高速运动时，图像逐行曝光导致物体变形，需使用全局快门（Global Shutter）或进行运动补偿。
2.2 激光雷达：主动光学与点云几何
核心原理与测量模型
激光雷达（LiDAR）通过发射激光脉冲并测量反射光的时间差（TOF）或频率差（FMCW）来获取目标距离。其测量模型在球坐标系下表示为：
r = c * Δt / 2
x = r * cos(φ) * sin(θ)
y = r * cos(φ) * cos(θ)
z = r * sin(φ)其中r为距离，θ为水平方位角，φ为垂直俯仰角。激光雷达的误差特性表现为：距离精度高（±2cm），但受天气影响大（雨雾衰减），且对高反物体（如镜面）会产生多路径效应导致虚假点云。
判断方法与案例拆解
在融合系统中，激光雷达点云通常用于提供精确的几何轮廓。一个典型的工程案例是：在停车场场景中，车辆后视镜对激光的镜面反射导致点云出现“拖尾”现象，若直接用于障碍物聚类，会产生虚假目标。处理流程如下：
- 数据预处理：通过强度阈值过滤低反射率点，并利用点云曲率特征剔除离群点。
- 地面分割：采用RANSAC平面拟合或射线法，分离地面点与非地面点。
- 目标聚类：基于欧几里得距离聚类，并计算每个聚类的包围盒与质心。
- 融合策略：将聚类结果与相机检测框进行关联，利用激光雷达的精确距离修正视觉的深度估计。
2.3 毫米波雷达：多普勒效应与运动感知
核心原理与测量模型
毫米波雷达（Radar）发射调频连续波（FMCW），通过混频得到中频信号，进而提取目标的距离、速度与角度。其测量模型为：
距离 r = c * (f_beat) / (2 * S)
速度 v = λ * f_doppler / 2
角度 θ = arcsin(λ * Δφ / (2π * d))其中S为调频斜率，λ为波长，d为天线间距。雷达的独特优势在于直接测量径向速度（多普勒频移），且不受光照和天气影响。但其角度分辨率较低（通常为几度），且对静止目标检测能力弱（因多普勒频移为零）。
误差特性与实战场景
雷达的误差主要来自：距离旁瓣（强反射目标掩盖邻近弱目标）、多径效应（隧道内反射导致虚假目标）以及速度模糊（当目标速度超过最大不模糊速度时）。在自适应巡航控制（ACC）中，雷达需要区分同车道的前车与相邻车道的车辆。此时，融合系统利用雷达的径向速度信息，结合车辆自身速度，计算目标相对纵向速度，并通过航迹管理（Kalman滤波）预测目标位置，从而决定是否跟车。
| 传感器 | 测距精度 | 测速能力 | 角度分辨率 | 天气鲁棒性 |
|---|---|---|---|---|
| 相机 | 中（依赖视差） | 差（需帧间差分） | 高（像素级） | 差（光照敏感） |
| 激光雷达 | 高（±2cm） | 中（需帧间差分） | 高（0.1°） | 中（雨雾衰减） |
| 毫米波雷达 | 中（±0.5m） | 高（直接多普勒） | 低（3°-10°） | 高（全天候） |
| 超声波 | 高（近距±1cm） | 无 | 极低（波束宽） | 高（但受风噪影响） |
2.4 超声波传感器：近距感知与泊车辅助
核心原理与测量模型
超声波传感器通过发射40kHz左右的声波脉冲，并接收回波时间来计算距离：d = v_sound * t / 2。其测量模型简单，但受温度影响显著（声速随温度变化约0.6m/s/°C）。超声波的有效探测距离通常在0.2-5米内，波束角较宽（约60°），因此无法提供精确的角度信息。
实战场景与误差控制
在自动泊车系统中，超声波传感器阵列用于检测近距离障碍物。一个常见问题是：当车辆靠近路沿时，声波在路沿与地面之间多次反射，导致测距值跳变。工程解决方案是：
- 对连续N帧测距值进行中值滤波，剔除异常跳变。
- 结合车辆轮速脉冲，当车速低于5km/h时启用超声波，避免高速时的风噪干扰。
- 利用多探头联合检测，通过三角定位法估算障碍物的粗略方位。
2.5 IMU：惯性测量与航迹推算
核心原理与测量模型
IMU（惯性测量单元）包含三轴加速度计与三轴陀螺仪，分别测量比力（Specific Force）与角速度。其测量模型为：
a_m = a_true + b_a + n_a
ω_m = ω_true + b_g + n_g其中b_a与b_g为随时间缓慢变化的零偏（Bias），n_a与n_g为高斯白噪声。IMU的误差特性是：高频噪声大，但短时积分精度高；长期积分会产生严重的漂移（位置误差随时间三次方增长）。
误差建模与案例拆解
在融合系统中，IMU通常作为运动预测的核心。一个典型的案例是：车辆在GPS信号丢失的隧道中行驶，系统依靠IMU进行航迹推算（Dead Reckoning）。初始阶段，IMU积分位置误差较小；但30秒后，由于陀螺仪零偏累积，航向角漂移导致横向位置偏差超过2米。解决方法是：
- 零偏估计：在车辆静止时，利用加速度计均值估计重力方向，并校准陀螺仪零偏。
- 运动约束：利用车辆非完整性约束（NHC），即假设车辆不会侧向滑动，将IMU的横向与垂向速度置零，抑制漂移。
- 多源融合：在GPS恢复后，通过松耦合或紧耦合方式，利用GPS位置修正IMU的累积误差。
2.6 GPS/GNSS：定位与全球参考
核心原理与测量模型
GPS（全球定位系统）通过接收至少4颗卫星的信号，利用伪距测量解算接收机位置。其测量模型为：
ρ_i = ||p_sat_i - p_rec|| + c * δt + ε_i其中ρ_i为第i颗卫星的伪距，p_sat_i为卫星位置，p_rec为接收机位置，δt为接收机钟差，ε_i为测量噪声。GPS的误差来源包括：卫星星历误差、电离层/对流层延迟、多路径效应以及接收机噪声。标准单点定位精度约为5-10米，而RTK（实时动态差分）可达厘米级。
坐标系与融合策略
GPS输出的是WGS-84经纬度坐标，需通过投影（如UTM）转换为局部平面坐标，再与车体坐标系对齐。在融合中，GPS提供低频位置修正，与IMU的高频相对运动估计形成互补。一个典型的融合架构是：
状态向量: [x, y, z, vx, vy, vz, q0, q1, q2, q3, b_a, b_g]
预测: IMU 积分 (频率 100Hz)
更新: GPS 位置 (频率 10Hz) + 雷达速度 (频率 20Hz)
滤波器: 误差状态卡尔曼滤波 (ESKF)该架构中，IMU负责高频预测，GPS与雷达负责低频修正，从而在GPS短暂丢失时，系统仍能维持数秒的高精度定位。