1. 感知系统概述：传感器选型与布局

大家好，我是老张。在自动驾驶这个行当摸爬滚打了快十年，踩过的坑比吃过的盐还多。今天咱们聊聊感知系统的第一课——传感器选型与布局。说实话，这一步要是走偏了，后面算法调得再好也白搭。

1.1 传感器选型：各有各的脾气

先说说传感器。很多人觉得传感器越多越好，其实不是。我见过一个项目，堆了十几个摄像头，结果数据量太大，算力根本扛不住。选型这事儿，得看你的应用场景和成本预算。

摄像头

摄像头是感知系统的眼睛。它便宜、信息丰富，但怕黑、怕强光、怕雨雾。我个人习惯，L2级辅助驾驶用2-3个前视摄像头就够了，L4级至少得6个以上，环视加前视加侧视。

激光雷达

激光雷达是感知系统的"尺子"。它能精确测距，生成点云数据。但贵，而且怕雨雪天气。我记得2021年有个项目，激光雷达在暴雨天直接罢工，点云全是噪点。

选激光雷达，主要看线数和视场角。16线够用吗？说实话，做L4不够。我建议至少32线起步，64线更稳。当然，现在固态激光雷达便宜了，16线固态也能凑合。

毫米波雷达

毫米波雷达是感知系统的"老黄牛"。它不怕雨雾，测距远，但分辨率低。我经常跟团队说，毫米波雷达是"知道有东西，但不知道是什么东西"。

毫米波雷达的选型，主要看频段和角度分辨率。77GHz比24GHz好，角度分辨率小于5°的才算合格。嗯，这里要注意，毫米波雷达的俯仰角也很重要，不然过个减速带就丢目标了。

超声波雷达

超声波雷达是感知系统的"贴身保镖"。它只负责近场，3米以内。自动泊车、盲区监测全靠它。便宜，但怕脏、怕冰、怕雪。

我建议超声波雷达装6-8个，前后各4个。别省这个钱，我见过一个项目只装了4个，结果倒车时侧面刮了柱子。

1.2 传感器布局：位置决定命运

传感器选好了，怎么装？布局这事儿，说白了就是"视野最大化、盲区最小化"。我画了一张图，你们看看。

你看，前视摄像头装在挡风玻璃后面，激光雷达放车顶，毫米波雷达藏在前保险杠里。超声波雷达均匀分布在前后保险杠上。这样布局，视野重叠区最大，盲区最小。

1.3 感知系统架构设计

传感器装好了，怎么组织成一个系统？架构设计这事儿，说白了就是"数据怎么流、任务怎么分、算力怎么配"。

我常用的架构是分层式：

• 数据采集层：传感器原始数据，摄像头图像、激光雷达点云、毫米波雷达点迹、超声波雷达距离。
• 预处理层：去噪、校正、时间戳对齐。这一步很关键，我见过数据没对齐导致融合结果全是错的。
• 感知算法层：目标检测、跟踪、语义分割、可行驶区域识别。
• 融合层：多传感器融合，输出目标列表、障碍物信息、车道线信息。
• 决策输出层：给规划控制模块发消息。

你想想看，如果数据采集层和预处理层没做好，后面的算法再牛也白搭。我习惯在预处理层加一个"数据质量监控"模块，一旦发现传感器异常，立刻报警。

1.4 数据流与时间同步

数据流和时间同步，这是感知系统里最容易出问题的地方。为什么？因为每个传感器的采样频率不一样。摄像头30fps，激光雷达10fps，毫米波雷达20fps，超声波雷达50fps。你怎么把它们对齐？

我常用的方法是"硬件触发+软件插值"。硬件触发就是用一个PPS信号同时触发所有传感器，保证它们在同一时刻开始采样。软件插值就是根据时间戳，把不同频率的数据插值到同一个时间点上。

举个例子，摄像头在t0时刻拍到一辆车，激光雷达在t0+5ms时刻扫到同一辆车。如果时间戳没对齐，你会以为这是两辆车。我曾经在一个项目中，因为时间戳差了10ms，导致融合后的目标位置偏差了0.5米。你想想看，0.5米的偏差在高速上意味着什么？

数据流方面，我建议用"发布-订阅"模式。每个传感器节点发布自己的数据，感知算法节点订阅需要的数据。这样解耦，方便调试。我习惯用ROS2，它的DDS机制天然支持这种模式。

# 伪代码示例：数据流发布-订阅
class CameraNode:
    def publish(self):
        while True:
            img = capture_image()
            stamp = get_timestamp()
            publish("/sensor/camera", img, stamp)

class LidarNode:
    def publish(self):
        while True:
            pcd = capture_pointcloud()
            stamp = get_timestamp()
            publish("/sensor/lidar", pcd, stamp)

class FusionNode:
    def __init__(self):
        subscribe("/sensor/camera", self.camera_callback)
        subscribe("/sensor/lidar", self.lidar_callback)
    
    def camera_callback(self, img, stamp):
        # 缓存图像
        self.img_buffer[stamp] = img
    
    def lidar_callback(self, pcd, stamp):
        # 找到最近时间戳的图像
        nearest_img = find_nearest(self.img_buffer, stamp)
        # 执行融合
        fused_result = fuse(pcd, nearest_img)

嗯，这里要注意，数据缓存不能太大，否则内存会爆。我一般只缓存最近1秒的数据，超过1秒的直接丢弃。

最后说一句，感知系统不是堆硬件，而是系统工程。传感器选型、布局、架构、数据流，每一步都得精心设计。我见过太多项目，硬件堆得豪华，但系统一跑就崩，就是因为这些基础没打好。

好了，第一章就聊到这儿。记住，感知系统的核心是"看得准、算得快、融得稳"。下一章咱们聊聊目标检测的那些坑。