课程导论与基础

大家好，我是你们这门课的主讲。在自动驾驶感知这个领域摸爬滚打了快十年，踩过的坑比走过的路还多。今天咱们开始第一讲，先把地基打牢。

说实话，障碍物检测和动态目标关联，是整个自动驾驶感知系统里最核心、也最头疼的两件事。你想想看，车在路上跑，周围有车、有人、有自行车，还有各种奇奇怪怪的障碍物。如果连这些东西都检测不准、跟踪不上，那后面的规划控制全是白搭。

我个人习惯，在讲任何算法之前，先把传感器和坐标系这些基础搞明白。因为我在项目里见过太多人，算法调得飞起，结果一上车就崩——最后发现是坐标转换搞错了。嗯，这种坑咱们得提前避开。

障碍物检测概述

障碍物检测，说白了就是回答三个问题：「有没有东西？」「是什么东西？」「在哪儿？」

听起来简单，做起来可不容易。我刚开始做这个方向时，觉得用激光雷达扫一圈，点云聚类一下不就完了？后来发现，现实世界远比想象中复杂：

• 雨天、雪天，传感器性能会下降
• 遮挡、截断，目标只露出一半
• 动态物体和静态物体混在一起

所以，障碍物检测不是单一传感器的活，而是多传感器融合的结果。咱们这门课会从单传感器讲起，逐步深入到多传感器融合。

动态目标关联的意义

检测完了，下一步就是关联。为什么要做关联？

你想想看，上一帧检测到一个行人，这一帧又检测到一个行人。你怎么知道他们是同一个人？这就是数据关联要解决的问题。

我曾经在一个项目中，因为关联算法没做好，导致同一个行人被分配了三个不同的ID。结果下游的预测模块直接懵了——它以为有三个人在交叉穿越，实际上只有一个人。这种错误在实车测试时非常危险。

动态目标关联的意义在于：

• 保持ID一致性：同一个目标，从生到死只有一个ID
• 提供运动信息：有了关联，才能计算速度、加速度
• 支撑预测决策：知道目标怎么运动，才能预测它下一步要去哪

传感器介绍

咱们做自动驾驶，常用的传感器就三种：激光雷达、相机、毫米波雷达。每种传感器都有自己的脾气。

激光雷达

激光雷达，我习惯叫它LiDAR。它通过发射激光束，测量反射回来的时间，得到精确的三维点云。

优点很明显：

• 距离精度高，厘米级
• 不受光照影响，晚上也能用
• 直接提供3D信息

缺点也很突出：

• 贵！虽然现在价格在降，但好的LiDAR还是几万块
• 怕雨雪，恶劣天气性能下降严重
• 点云稀疏，远距离目标点太少

相机

相机嘛，大家都熟悉。它提供的是图像，有颜色、有纹理。

我个人的体会是，相机在目标分类上无可替代。你能从图像里看出那是个人、是个狗、还是个交通锥。LiDAR就很难做到这一点。

但相机也有硬伤：

• 没有深度信息（单目）
• 受光照影响大，晚上基本废了
• 视角有限，需要多个相机拼接

毫米波雷达

毫米波雷达，很多人叫它Radar。它用电磁波测距测速，特点是：

• 直接测速，多普勒效应
• 穿透性强，雨雪雾都不怕
• 成本低，几百块一个

但它的分辨率很低，点云稀疏得可怜。你拿Radar点云去做目标检测，基本只能知道「那里有个东西」，至于它长什么样，完全不知道。

坐标系与坐标变换基础

好了，传感器讲完了。但有个问题：每个传感器都有自己的坐标系。LiDAR有LiDAR坐标系，相机有相机坐标系，车体有车体坐标系。怎么把这些数据统一起来？

这就是坐标变换要做的事。

常用的坐标系有：

坐标变换的核心，就是旋转+平移。用数学语言说，就是刚体变换：

// 3D坐标变换公式
P_world = R * P_sensor + T

其中：
P_world: 世界坐标系下的点
P_sensor: 传感器坐标系下的点
R: 旋转矩阵 (3x3)
T: 平移向量 (3x1)

这里有个细节要注意：旋转矩阵是正交矩阵，它的逆等于它的转置。这个性质在代码实现时很有用，可以避免求逆运算。

嗯，说到标定，这里再提一句。传感器外参标定是坐标变换的前提。如果标定不准，后面所有工作都是白费。我见过一个团队，算法调了三个月，最后发现是LiDAR和相机的标定差了5厘米。5厘米啊，在高速场景下，可能就是一次碰撞的距离。

本章知识体系

为了让大家更直观地理解本章的知识结构，我画了一张图：

这张图把本章的四个核心模块串起来了。你可以看到，障碍物检测和动态目标关联是上层应用，传感器和坐标系是底层支撑。没有底层支撑，上层就是空中楼阁。

好了，第一章的内容就到这里。记住我今天说的：传感器选型要匹配场景，坐标变换要严谨，关联算法要稳健。这三句话，够你少踩很多坑。

可可精品资料库