2、传感器选型与标定避坑：激光雷达、摄像头、毫米波雷达的选型误区，联合标定中的常见错误

传感器选型这事儿，我见过太多人踩坑了。说白了，不是参数越高越好，而是匹配你的场景。今天咱们就聊聊激光雷达、摄像头、毫米波雷达这三个核心传感器的选型误区，以及联合标定里那些让人头疼的坑。

2.1 激光雷达选型：别被线束和测距忽悠了

很多人一上来就问：「你这雷达多少线？测距多远？」嗯，这确实重要，但远远不够。

误区一：线束越多越好

我曾经有个项目，选了128线的激光雷达，结果点云密度太高，算力直接爆了。你想想看，128线每秒产生几百万个点，你的嵌入式平台扛得住吗？

我个人习惯是：先算算你的算力预算，再决定线束。低速园区车，16线或32线完全够用。高速自动驾驶，64线起步，但128线得配高端计算平台。

误区二：只看测距，忽略FOV

我记得有个同行，选了测距200米的雷达，但水平视场角只有30度。结果呢？车拐弯时侧向盲区巨大，差点撞到行人。测距远不等于安全，FOV覆盖才是关键。

场景	推荐FOV	推荐线束	测距需求
城市低速	水平≥120°	16-32线	50-100m
高速巡航	水平≥90°	64-128线	150-200m
矿区/港口	水平≥360°	32-64线	100-150m

2.2 摄像头选型：分辨率不是唯一指标

摄像头这块，大家容易陷入「像素越高越好」的误区。其实，动态范围和帧率往往比分辨率更关键。

误区一：忽略动态范围

我做过一个测试：用120dB动态范围的摄像头和60dB的对比，在隧道出入口场景下，60dB的直接过曝，啥也看不见。而120dB的还能清晰分辨车道线和前车尾灯。

说白了，自动驾驶摄像头要应对的是「从地库到阳光」这种极端光照变化。动态范围低于100dB的，建议直接pass。

误区二：帧率不够，运动模糊严重

你想想看，车以60km/h行驶，每秒移动16.7米。如果摄像头只有15fps，两帧之间车已经跑了1米多。对于行人检测来说，这个时间差足以导致漏检。

我个人建议：前视主摄像头至少30fps，侧视和后视至少20fps。低于这个数，运动模糊会让你头疼。

2.3 毫米波雷达选型：角度分辨率是隐形杀手

毫米波雷达的坑，往往藏在参数表的小字里。

误区一：只看探测距离，忽略角度分辨率

我曾经踩过一个坑：选了探测距离250米的雷达，但角度分辨率只有5度。结果在高速上，相邻车道的车和本车道的前车，在雷达看来是同一个目标。你说危不危险？

角度分辨率低于2度的雷达，在密集交通场景下基本没法用。我建议至少选1.5度以下的，最好能到1度。

误区二：忽略多目标分辨能力

毫米波雷达在隧道、高架桥下容易产生多径反射。如果雷达的多目标分辨能力差，你会看到一堆「鬼影」目标。嗯，这问题我调试了整整两周才找到原因。

2.4 联合标定中的常见错误

传感器选好了，标定又是另一道坎。我见过太多项目在标定环节翻车了。

2.4.1 时间同步：别小看这毫秒级误差

常见错误：只用软件时间戳

我曾经接手一个项目，激光雷达和摄像头的时间戳差了50毫秒。车在高速行驶时，50毫秒意味着1.4米的位移。融合出来的目标位置，偏差大到离谱。

我个人习惯是：硬件同步优先。用GPS的PPS信号或者IEEE 1588协议，把时间同步精度做到1毫秒以内。软件时间戳只能作为辅助，不能依赖。

// 时间同步伪代码示例
// 硬件同步方案
void sync_sensors() {
    // 1. 接收GPS PPS信号
    // 2. 触发所有传感器同时采集
    // 3. 记录硬件时间戳
    // 4. 软件层只做微调（<100us）
}

2.4.2 外参标定精度：差1度就是灾难

常见错误：标定板太小或太近

我见过有人用A4纸大小的标定板，放在车前2米处标定。结果呢？外参误差达到0.5度。在100米处，这个误差会导致0.87米的横向偏差。对于车道级定位来说，这已经越界了。

我建议：标定板至少1.2m×0.8m，标定距离覆盖5-15米。多角度、多距离采集，至少20组数据。

常见错误：忽略温度漂移

传感器在-20°C和60°C时，机械结构会有微小形变。我有个项目在夏天标定完，冬天一上路，融合结果全偏了。后来加了温度补偿模型，才解决问题。

2.5 知识体系总览

下面这张图，是我自己总结的传感器选型与标定的核心逻辑。你可以把它当作一个检查清单。

嗯，传感器选型和标定这块，说白了就是「匹配」二字。匹配你的场景、匹配你的算力、匹配你的成本。别被参数表上的数字迷惑，多跑跑实际场景测试，比什么都强。

可可精品资料库