2. 传感器基础：摄像头、激光雷达、毫米波雷达、超声波雷达的工作原理与数据特点

做感知融合，第一步不是调算法，而是摸透传感器的脾气。

我见过太多团队，一上来就堆模型，结果摄像头过曝、激光雷达点云稀疏、毫米波雷达虚警一堆——数据都没对齐，融合个啥？

这一章，咱们把四种主流传感器的底裤扒干净。你想想看，只有知道每个传感器「擅长什么、怕什么」，才能让它们互补干活。

2.1 摄像头：最像人眼，也最像人眼一样脆弱

摄像头的工作原理，说白了就是「光信号→电信号→数字图像」。镜头把光线聚焦到CMOS/CCD传感器上，每个像素点记录光的强度，再通过拜耳阵列插值出RGB颜色。

数据特点：

• 高分辨率纹理信息：能看清车道线、交通标志、行人衣服颜色。这是其他传感器做不到的。
• 深度信息缺失：单目摄像头没有距离感，全靠算法猜。双目或ToF能测距，但精度有限。
• 光照敏感：逆光、夜晚、隧道出入口，直接歇菜。我曾在高速上遇到傍晚逆光，摄像头拍出来的画面一片惨白，车道线检测直接崩了。
• 帧率稳定：通常30fps或60fps，数据量巨大（1080p一张图约2MB）。

2.2 激光雷达：精度之王，但怕雨怕尘

激光雷达（LiDAR）发射激光束，打到物体上反射回来，通过飞行时间（ToF）计算距离。每秒发射几十万到几百万个点，形成3D点云。

数据特点：

• 精确的3D位置信息：每个点有(x,y,z)坐标，精度厘米级。做障碍物检测、可行驶区域分割，离不开它。
• 无纹理信息：点云是灰色的，不知道物体颜色。你分得清红色车和蓝色车吗？激光雷达不行。
• 稀疏性：距离越远，点越稀疏。64线激光雷达在100米外，一个行人可能只有几个点。
• 环境敏感：大雨、大雾、扬尘会衰减激光信号。我记得在矿区测试，扬尘一起，点云全是噪点，根本没法用。

2.3 毫米波雷达：全天候战士，但分辨率低

毫米波雷达发射毫米波（24GHz、77GHz等），通过多普勒效应测速，通过FMCW（调频连续波）测距。它不怕雨雪雾，是真正的全天候传感器。

数据特点：

• 直接测速：这是它的独门绝技。摄像头和激光雷达都得靠帧间差分算速度，毫米波雷达直接告诉你「目标相对速度XX km/h」。
• 角度分辨率低：传统毫米波雷达只能分辨几度，无法区分并排的两个行人。4D成像雷达好一些，但依然不如激光雷达。
• 虚警多：路边的金属护栏、井盖、甚至易拉罐都可能产生回波。我调过一套系统，毫米波雷达在桥上把护栏识别成静止障碍物，导致频繁误刹车。
• 数据量小：通常输出几十到几百个目标点，处理起来很轻松。

2.4 超声波雷达：近场小能手，远场就抓瞎

超声波雷达发射40kHz左右的声波，通过回波时间测距。原理简单，成本极低，常用于自动泊车、盲区检测。

数据特点：

• 近距离精度高：0.2米到3米范围内，精度可达厘米级。再远就不行了，声波衰减快。
• 角度宽：单个探头覆盖约60°~120°，适合探测近距离大范围。
• 易受干扰：两个超声波雷达同时工作会串扰。我见过一个案例，左右两个探头互相干扰，把空气检测成障碍物。
• 数据简单：就是距离值，没有速度、没有角度（除非用阵列）。

2.5 传感器对比：一张表看懂

传感器	测距	测速	纹理	全天候	成本	典型应用
摄像头	弱（需算法）	弱（帧间差分）	强	差	低	车道线、交通标志、目标分类
激光雷达	强	中（帧间差分）	无	中	高	3D检测、可行驶区域、SLAM
毫米波雷达	强	强（直接多普勒）	无	强	中	ACC、AEB、盲区检测
超声波雷达	中（近距）	无	无	中	极低	自动泊车、近距离防撞

2.6 传感器融合的核心逻辑

说白了，融合就是「取长补短」。摄像头提供语义，激光雷达提供几何，毫米波雷达提供速度，超声波雷达补近场盲区。

我个人的融合习惯是：

1. 空间对齐：把所有传感器数据统一到车体坐标系。这一步做不好，后面全是错的。
2. 时间同步：不同传感器帧率不同，要用插值或硬件同步。我踩过坑——摄像头30fps，激光雷达10fps，直接硬对齐导致目标位置跳变。
3. 置信度管理：每个传感器都有「擅长场景」和「不擅长场景」。比如夜晚，摄像头置信度降低，毫米波雷达权重提高。

2.7 知识体系总览

下面这张图，把四种传感器的核心特点、优缺点、以及融合逻辑串起来了。你可以把它当作本章的「思维导图」。

嗯，传感器基础就聊到这儿。每种传感器都有自己的脾气，摸透了它们，融合框架才能搭得稳。下一章咱们开始动手搭建数据预处理管线——那才是真正出活的地方。