第二章：传感器基础——用于边界感知的传感器原理与特性
做自动驾驶感知这几年，我有个很深的体会：边界感知这件事，七分靠传感器，三分靠算法。你想想看，如果传感器本身就看不清路沿、测不准距离，那再牛的深度学习模型也白搭。今天咱们就来聊聊三种主流传感器——激光雷达、摄像头、毫米波雷达——它们各自是怎么“看”道路边界的，又有什么脾气和秉性。
2.1 激光雷达：边界感知的“黄金标准”
激光雷达，说白了就是用激光束扫描环境，通过测量飞行时间（ToF）来获取三维点云。我个人习惯把它叫做“边界感知的尺子”——因为它直接给你距离信息，不需要像视觉那样去“猜”。
我在项目中遇到过最典型的场景：高速公路上，激光雷达能清晰扫出路沿的“台阶”结构。点云中，路面是连续平面，路沿突然抬高几厘米，这个突变就是边界特征。嗯，这里要注意——激光雷达对低矮障碍物的检测能力很强，比如15cm高的路沿石，32线以上的雷达基本都能稳定检出。
| 参数 | 典型值 | 对边界感知的影响 |
|---|---|---|
| 线束数 | 16/32/64/128线 | 线束越多，垂直分辨率越高，越能看清路沿的细微起伏 |
| 水平角分辨率 | 0.1°~0.4° | 决定了远距离边界的点云密度 |
| 最大探测距离 | 100~300m | 高速场景需要150m以上才能提前规划 |
| 测距精度 | ±2cm | 厘米级精度，足以区分路沿和路面 |
2.2 摄像头：边界感知的“语义理解者”
摄像头不直接测距，但它能告诉你“这是什么”。比如，它看到一条白色实线，就知道那是车道边界；看到红色路沿石，就知道那是人行道边界。说白了，摄像头做的是语义分割——给每个像素打标签。
我建议你记住一个关键点：摄像头对边界线的纹理、颜色、形状非常敏感。比如黄色实线、白色虚线、路沿的红色反光条——这些视觉特征在图像里非常明显。但问题来了：它没有深度信息。单目摄像头只能靠几何约束（比如地面假设）来估算距离，精度远不如激光雷达。
为什么会这样？因为摄像头受光照影响太大了。我记得有一次傍晚测试，夕阳直射镜头，整个图像过曝，路沿完全淹没在光晕里。嗯，这就是摄像头的软肋——强光、逆光、夜间、雨雾，都会严重影响边界感知的稳定性。
2.3 毫米波雷达：边界感知的“稳健派”
毫米波雷达，频率在24GHz或77GHz左右。它的特点是不怕雨雾、不怕黑夜、不怕灰尘。你想想看，激光雷达在雨雾天“瞎了”，摄像头在夜间“瞎了”，但毫米波雷达依然能工作——这就是它的价值。
但毫米波雷达有个致命问题：角分辨率太低。什么意思呢？它只能告诉你“前方20米处有个物体”，但很难分辨这个物体是路沿、护栏还是行人。说白了，它测距准、测角差。
| 特性 | 毫米波雷达 | 对边界感知的影响 |
|---|---|---|
| 测距精度 | ±0.1m | 够用，但不如激光雷达 |
| 角分辨率 | 1°~3° | 太粗，无法分辨路沿的精细结构 |
| 天气鲁棒性 | 极强 | 雨雾天依然可用 |
| 目标分类能力 | 弱 | 无法区分路沿和护栏 |
2.4 三种传感器的对比与融合策略
好了，三种传感器都聊完了。你可能会问：到底该用哪个？我的答案是：全都要。但怎么搭配，有讲究。
从上面的图你能看出来：三种传感器各有短板，但组合起来就能覆盖绝大多数场景。我个人习惯的融合策略是：
- 激光雷达做主心骨：提供厘米级的边界位置信息，作为轨迹规划的“硬约束”
- 摄像头做语义过滤：告诉系统“这个边界能不能压”，比如虚线可以压，实线不能压
- 毫米波雷达做冗余备份：在激光雷达和摄像头都失效的极端天气下，至少能告诉你“前方有东西”
2.5 实战中的传感器选型建议
最后，给你一些选型建议。这不是理论，是我踩过坑之后总结的：
- L4级自动驾驶：必须上128线激光雷达+多目摄像头+4D毫米波雷达。别省钱，边界感知出问题就是事故。
- L2+级辅助驾驶：可以只用摄像头+毫米波雷达，但边界感知的精度会下降，建议只做车道保持，别做路沿检测。
- 特殊场景（矿区、港口）：激光雷达是首选，因为灰尘大、光照差，摄像头基本废了。
好了，这一章就聊到这里。传感器是边界感知的“眼睛”，选对了、用好了，后面的算法才能发挥价值。下一章咱们会深入聊聊点云处理与边界提取——到时候我会手把手教你写代码。