第2章：传感器基础——激光雷达与相机的工作原理

各位同学，欢迎来到第二章。这一章我们聊聊传感器的“底子”。

做融合，说白了就是让激光雷达和相机“说同一种语言”。但前提是——你得先搞懂它们各自是怎么工作的。我见过不少项目，标定没做好，融合效果一塌糊涂，最后发现是连传感器原理都没吃透。嗯，咱们今天就把这事掰扯清楚。

2.1 激光雷达工作原理

激光雷达，英文叫LiDAR。它靠发射激光束来测量距离。目前主流的有两种：TOF和FMCW。

2.1.1 TOF（飞行时间法）

TOF的原理很简单：发射一束激光，打到目标上反射回来，记录时间差。距离 = 光速 × 时间差 / 2。

我个人习惯把TOF比作“回声定位”。你对着山谷喊一声，听到回声的时间越长，山谷就越远。激光雷达也一样，只不过它用的是光，速度是3×10⁸ m/s。

d = (c × Δt) / 2

我在项目中遇到过一个问题：TOF雷达在强阳光下容易“饱和”。因为太阳光里也有近红外成分，会干扰接收器。后来我们加了窄带滤光片，效果好了很多。

2.1.2 FMCW（调频连续波）

FMCW是另一种思路。它不直接测时间，而是测频率差。

发射的激光频率是连续变化的——比如从低到高扫过去。反射回来的光频率会有偏移。这个偏移量跟距离成正比。

你想想看，这有什么好处？

• 抗干扰强：TOF容易被其他雷达干扰，FMCW几乎不会。因为每个雷达可以有自己的“频率签名”。
• 能测速度：利用多普勒效应，FMCW可以直接测出目标的速度。TOF需要连续两帧才能算速度。
• 灵敏度高：FMCW可以检测到更弱的回波信号。

不过FMCW也有缺点：成本高，技术门槛高。目前量产车用的还是TOF居多。但我个人判断，未来3-5年FMCW会逐渐普及。

2.2 相机成像模型——针孔模型

相机怎么把三维世界变成二维图像的？说白了就是针孔成像。

想象一个暗箱，前面戳一个小孔，光线穿过小孔在后面的感光元件上成像。这就是针孔模型。

数学上，它可以用一个3×4的投影矩阵来描述：

λ * [u, v, 1]ᵀ = K * [R | t] * [X, Y, Z, 1]ᵀ

其中：

• K 是内参矩阵（焦距、主点坐标）
• [R | t] 是外参矩阵（旋转和平移）
• (u, v) 是像素坐标
• (X, Y, Z) 是世界坐标

针孔模型有两个关键参数：

• 焦距f：决定了视场角大小。焦距越长，看得越远但视野越窄。
• 畸变：实际镜头不是完美针孔，会有径向畸变（桶形/枕形）和切向畸变。标定就是为了矫正这些。

2.3 传感器标定基础概念

标定是什么？说白了就是找两个传感器之间的“相对位置关系”。

激光雷达和相机要融合，必须知道：激光雷达坐标系下的一个点，对应到图像上是哪个像素。

这个对应关系由外参决定：

P_cam = R * P_lidar + t

其中R是旋转矩阵，t是平移向量。

标定的流程大致是：

1. 准备一个标定板（棋盘格或特殊图案）
2. 同时采集激光雷达点云和相机图像
3. 在点云中提取标定板的角点
4. 在图像中提取对应的角点
5. 用PnP算法求解R和t

标定精度直接影响融合效果。差个几厘米，投影到图像上可能就偏了几十个像素。所以标定不是一次性的，建议定期重标定——尤其是车辆经过剧烈颠簸或碰撞后。

2.4 知识体系总览

下面这张图，是我自己整理的本章知识结构。你可以把它当作一个“地图”，随时回来对照。

这张图把本章的三个核心模块串起来了。你看到没？激光雷达和相机是“输入”，标定是“桥梁”。没有这座桥，融合就是空谈。

好了，这一章就到这里。记住：搞懂原理，标定才能不翻车。下一章我们开始实战——手把手教你做联合标定。