第二章：传感器基础与选型
各位同学，今天我们来聊聊自动驾驶的“眼睛”——传感器。说实话，我入行那会儿，大家还在争论“纯视觉方案”和“多传感器融合”哪个更靠谱。这么多年过去了，答案其实已经很清楚了。
我个人习惯把传感器比作人的感官：激光雷达像触觉，毫米波雷达像听觉，摄像头像视觉。缺了哪一个，都会出问题。下面我们一个一个来看。
2.1 激光雷达原理与点云特性
激光雷达，LiDAR，说白了就是“激光+雷达”。它发射激光束，打到物体上反射回来，通过测量飞行时间（ToF）来计算距离。
核心原理：
- 发射激光脉冲 → 打到目标 → 反射回来
- 记录往返时间 Δt
- 距离 = c × Δt / 2（c是光速）
嗯，这里要注意：光速是3×10⁸ m/s，所以1纳秒对应约15厘米的往返距离。我当年调试激光雷达时，就遇到过因为时间测量精度不够，导致点云数据飘得厉害的问题。
点云特性：
- 稀疏性：一帧点云可能只有几万到几十万个点，远不如摄像头像素密集
- 无序性：点云没有固定的排列顺序，你换个视角看，点的顺序就变了
- 距离精度高：一般能做到±2cm以内
- 受天气影响大：雨雪雾天，激光会被散射，点云质量直线下降
我曾经在雨夜测试过一款16线激光雷达，结果点云里全是噪点，根本没法用。所以后来我们做融合时，都会加一个“天气置信度”的权重。
2.2 毫米波雷达特性
毫米波雷达，频率在30-300GHz之间，波长1-10mm。它和激光雷达最大的区别是什么？
一句话：不怕雨雪，但分辨率低。
毫米波雷达的工作原理是多普勒效应。它能直接测出目标的相对速度，这一点激光雷达做不到（需要帧间差分）。
| 特性 | 毫米波雷达 | 激光雷达 |
|---|---|---|
| 测距范围 | 0.5-250m | 0.1-200m |
| 测速能力 | 直接测量（多普勒） | 间接计算 |
| 角度分辨率 | 约1°-3° | 约0.1°-0.5° |
| 天气影响 | 小 | 大 |
我建议在做前向碰撞预警（FCW）时，优先用毫米波雷达的数据。因为它测速准，反应快。但做车道线检测？别想了，毫米波雷达根本看不清车道线。
避坑指南：我曾经在高速上遇到过毫米波雷达把路边的金属护栏误判为静止车辆的情况。原因是多径反射导致虚假目标。后来我们在算法里加了“高度滤波”和“历史轨迹一致性检查”，才把这个问题压下去。
2.3 摄像头视觉特性
摄像头，最像人眼的传感器。它提供的信息最丰富——颜色、纹理、语义信息，全都有。
但摄像头有个致命弱点：没有深度信息。单目摄像头拍到的画面，你没法直接知道物体离你多远。除非你用深度学习去“猜”，或者用双目视觉去算。
视觉的特性可以总结为：
- 高分辨率：1080p、4K，甚至更高
- 丰富的语义：能识别交通标志、车道线、行人姿态
- 受光照影响大：逆光、夜间、隧道出入口，都会出问题
- 测距需要额外计算：单目靠模型，双目靠视差
我记得有一次在隧道出口，摄像头瞬间过曝，画面全白。还好当时融合了激光雷达的数据，才没出事故。所以你看，单一传感器真的靠不住。
2.4 多传感器融合的必要性
为什么要融合？说白了，就是取长补短。
你看：
- 激光雷达：距离准，但怕雨雪，分辨率低
- 毫米波雷达：不怕雨雪，测速准，但看不清细节
- 摄像头：细节丰富，但没深度，怕光照变化
单独用哪一个，都有盲区。融合起来，才能覆盖所有场景。
融合的核心逻辑：
- 时间同步：不同传感器的数据帧率不同，必须先对齐时间戳
- 空间对齐：把激光雷达的点云、毫米波雷达的目标、摄像头的像素，都映射到同一个坐标系下
- 置信度加权：根据当前环境（白天/夜晚/雨雪），动态调整各传感器的权重
- 决策级融合：每个传感器先独立做检测，然后投票决定最终结果
我参与的一个项目里，曾经只用摄像头做车道保持。结果有一次傍晚逆光，摄像头完全失效，车辆直接偏离车道。后来我们加了激光雷达和毫米波雷达的融合，才把系统的鲁棒性提上来。
警告：不要以为融合就是“越多越好”。传感器多了，数据量大了，计算延迟也会增加。你想想看，如果融合算法跑一帧要100ms，那车辆已经走了好几米了。所以融合的实时性，比精度更重要。
下面这张图，是我自己总结的传感器融合知识体系，你可以参考一下：
总结一下：传感器没有完美的，只有互补的。激光雷达给精度，毫米波雷达给速度，摄像头给语义。三者融合，才能让自动驾驶系统在各种场景下都“看得清、看得准”。
可可精品资料库