4. 激光雷达参数：线数、视场角、点云密度、扫描频率

聊到激光雷达，很多刚入行的同学第一反应就是「线数越多越好」。嗯，这个想法其实挺危险的。我见过不少项目，堆了128线雷达，结果点云数据量大到处理不过来，反而把感知延迟拖到了200ms以上。今天咱们就把这四个核心参数掰开揉碎，讲讲它们到底怎么影响联调效果。

4.1 线数：不是越多越好，够用就行

线数，说白了就是激光雷达内部有多少对激光发射器和接收器。16线、32线、64线、128线，数字越大，垂直方向上的扫描线就越密。

线数对感知的影响：

• 目标检测距离：线数越多，远距离目标上的点云越密集。我用16线雷达测100米外的行人，往往只有3-5个点，检测器基本认不出来。换成64线，同样距离能有15-20个点，识别率直接翻倍。
• 小目标召回率：路上掉个轮胎、倒个锥桶，低线数雷达很容易漏掉。我在高速项目里遇到过，32线雷达对30米外的小锥桶召回率只有40%，换成128线直接拉到85%。
• 计算负载：128线每秒产生的点云数量是16线的8倍。你想想看，如果后端算法没优化，CPU直接跑满，整个感知链路都跟着卡顿。

4.2 视场角：水平FOV和垂直FOV的取舍

视场角（FOV）决定了雷达「看得多宽」和「看得多高」。水平FOV通常是360°或120°前向，垂直FOV一般在15°到45°之间。

水平FOV的影响：

• 360°机械式雷达：适合全向感知，但数据量大，旋转部件容易坏。我在矿区项目里用过，半年换了3个电机。
• 120°前向固态雷达：结构简单，可靠性高，但两侧有盲区。需要多雷达拼接，联调时标定误差很容易超过0.1°。

垂直FOV的影响：

• 窄垂直FOV（15°）：适合高速场景，远距离目标点云集中。但近处地面和低矮障碍物容易漏掉。
• 宽垂直FOV（45°）：能看清近处地面和路沿，但远距离垂直分辨率下降。我做过对比，45°FOV的雷达在80米外，垂直相邻两条线之间的间距能达到0.5米，小目标直接「掉」在两条线之间。

4.3 点云密度：稀疏和稠密的博弈

点云密度，就是单位角度内激光点的数量。它由线数、水平角分辨率共同决定。

点云密度对感知的影响：

• 目标分割精度：密度越高，目标轮廓越清晰。我用0.1°角分辨率的雷达，能清楚看到行人手臂的摆动；换成0.4°的，行人就成了一团模糊的「点球」。
• 地面拟合效果：稀疏点云拟合地面时，容易把斜坡误判为障碍物。我记得有一次，稀疏点云把一段5°的上坡识别成了墙，车直接刹停。
• 算法鲁棒性：稠密点云对算法更友好，但也会引入大量噪声点。我习惯在预处理阶段做体素滤波，把密度降到合理范围，既保留特征又减少计算量。

场景	推荐点云密度	说明
高速巡航	0.2° - 0.4°	远距离目标为主，密度适中即可
城区复杂路况	0.1° - 0.2°	需要精细识别行人、自行车
停车场/园区	0.4° - 0.6°	近距离为主，密度低也能满足

4.4 扫描频率：帧率和运动模糊的平衡

扫描频率，就是雷达每秒转几圈或者扫几次。常见的有10Hz、20Hz、40Hz。

扫描频率的影响：

• 运动畸变：10Hz扫描时，一帧数据采集需要100ms。如果车以60km/h行驶，这100ms里车已经走了1.67米。点云里的物体位置会「拖尾」，这就是运动畸变。我见过一个案例，10Hz雷达把静止的交通锥识别成了移动物体，就是因为畸变没处理好。
• 实时性：20Hz比10Hz延迟低50ms，对紧急制动场景至关重要。但频率越高，每帧点云越稀疏，因为总点数被分散了。
• 算法适配：有些检测算法对帧率敏感。我调过的一个模型，在10Hz下mAP是85%，换到20Hz直接掉到78%。后来发现是时间戳对齐出了问题。

4.5 四个参数的联调策略

这四个参数不是孤立的，它们互相影响。我总结了一套联调策略：

1. 先定线数：根据目标检测距离和算力选线数。算力够就上64线，不够就32线。
2. 再调FOV：根据场景选水平FOV。高速用120°前向，园区用360°。
3. 优化点云密度：通过水平角分辨率调节。我习惯先设0.2°，看效果再微调。
4. 最后定频率：在保证点云密度的前提下，尽量提高频率。如果密度不够，降频率保密度。

这张图把四个参数和它们的影响维度串起来了。你从根节点出发，先选线数，再调FOV，然后优化密度，最后定频率。每一步都要回头看上一层的选择是否合理。说白了，联调就是个迭代优化的过程，没有一步到位的配置。

好了，激光雷达参数这块就聊到这儿。记住，参数配置没有标准答案，只有最适合你场景的方案。多试、多记、多对比，慢慢你就能找到感觉。