2. 传感器模型的核心参数：分辨率、视场角（FOV）、帧率、精度与噪声模型

好，咱们接着聊传感器模型。上一章我讲了传感器模型在感知联调中的定位，说白了它就是虚拟世界和真实世界之间的“翻译官”。那这个翻译官到底靠不靠谱，得看几个硬指标。

我个人习惯，拿到一个新传感器，先不看它的品牌和价格，直接翻数据手册，盯着五个参数看：分辨率、视场角（FOV）、帧率、精度、噪声模型。这五个参数，决定了你的感知算法能跑多快、能看多远、能看多清。

2.1 分辨率：看得清，还是看得见？

分辨率，大家都不陌生。摄像头有1080P、4K，激光雷达有16线、64线、128线。但我要提醒你一点：分辨率高不等于感知效果好。

我在项目中遇到过一件事。有个同事非要用4K摄像头做目标检测，觉得像素高肯定牛。结果呢？算法跑不动，帧率掉到个位数，车都开起来了，画面还在卡。后来换成1080P，帧率上去了，检测效果反而更好。

为什么会这样？因为分辨率越高，数据量越大，对算力的要求也越高。你想想看，一张4K图像是1080P的四倍像素，处理时间自然翻倍。感知联调里，实时性往往比分辨率更重要。

激光雷达的分辨率，主要体现在线数和水平角分辨率上。64线激光雷达比16线能看清更多细节，但点云密度大了四倍。嗯，这里要注意：点云太密，反而容易造成计算瓶颈。

2.2 视场角（FOV）：你能看到多大的世界？

FOV，全称Field of View，就是传感器能看到的范围。水平FOV越大，看得越宽；垂直FOV越大，看得越高。

摄像头常见的FOV有60°、90°、120°。激光雷达呢，机械式的通常是360°水平FOV，固态的可能是120°或更小。毫米波雷达的FOV一般比较窄，60°左右。

这里有个坑，我踩过。有一次做多传感器融合，摄像头FOV是120°，激光雷达FOV只有90°。结果呢？摄像头看到了侧方的障碍物，激光雷达没看到，融合算法直接报错。后来我加了一个FOV对齐的预处理步骤，才把问题解决。

FOV还有一个隐藏参数——盲区。激光雷达的盲区通常在几十厘米到几米之间，摄像头也有近场盲区。盲区内的物体，传感器是看不到的。所以感知联调时，一定要留出安全冗余。

2.3 帧率：快，还是稳？

帧率，就是传感器每秒输出多少帧数据。摄像头一般是30fps，激光雷达10-20fps，毫米波雷达可以到50fps以上。

帧率越高，感知系统对动态目标的跟踪越平滑。但帧率太高，数据量也大，处理不过来怎么办？

我个人的做法是：帧率匹配。比如摄像头30fps，激光雷达10fps，那就让激光雷达每3帧和摄像头对齐一次。这样既保证了时间同步，又不会浪费算力。

你想想看，如果激光雷达10fps，摄像头30fps，你非要把每一帧摄像头数据都和激光雷达对齐，那激光雷达的数据根本跟不上。结果就是大量无效的插值计算，白白浪费资源。

2.4 精度：差一厘米，可能就是事故

精度，是传感器最核心的参数之一。激光雷达的测距精度通常在±2cm到±5cm之间，摄像头的深度估计精度就差多了，可能差几十厘米甚至更多。

我记得有一次做自动泊车项目，用的激光雷达标称精度±3cm。结果实际测试时，发现某些角度下误差能到±10cm。后来一查，是温度变化导致的光学器件形变。从那以后，我每次做传感器选型，都会要求供应商提供全温度范围内的精度曲线。

精度还分绝对精度和相对精度。绝对精度是测量值和真实值的偏差，相对精度是多次测量之间的偏差。感知联调中，相对精度往往比绝对精度更重要。因为算法更关心的是“物体移动了多少”，而不是“物体到底在哪个经纬度”。

2.5 噪声模型：传感器也会“说谎”

最后一个参数，也是很多人容易忽略的——噪声模型。传感器不是完美的，它输出的数据里总带着噪声。激光雷达有高斯噪声和离群点，摄像头有散粒噪声和暗电流，毫米波雷达有杂波和闪烁噪声。

为什么要关心噪声模型？因为感知算法需要知道“哪些数据是可信的”。如果你不知道传感器的噪声分布，那你的滤波器、卡尔曼增益、置信度计算，全都是瞎蒙。

我习惯的做法是：先做噪声标定。拿一个已知距离的标定板，让传感器对着它测1000次，然后统计误差的分布。是高斯分布？还是均匀分布？方差多大？有没有离群点？这些数据，直接决定了你的感知算法怎么设计。

噪声模型还有一个作用——评估传感器退化。传感器用久了，噪声会变大。如果你定期做噪声标定，发现噪声方差突然变大，那说明传感器可能出问题了。我曾经靠这个办法，提前发现了一个激光雷达的光学窗口污染问题，避免了一次路测事故。

好了，这五个参数讲完了。总结一下我的经验：分辨率看算力，FOV看覆盖，帧率看匹配，精度看场景，噪声看标定。把这五个参数吃透了，传感器模型这块你就拿捏住了。