感知模块调试：激光雷达点云调试、摄像头图像调试、毫米波雷达调试
感知模块，说白了就是自动驾驶系统的「眼睛」。眼睛要是花了，后面的规划控制全是白搭。我这些年调试感知模块踩过的坑，比走过的路还多。今天咱们就一个一个来捋清楚。
一、激光雷达点云调试
激光雷达点云，是感知系统里最可靠的数据源之一。但可靠归可靠，调试起来照样让人头疼。
1. 点云畸变问题
你有没有遇到过这种情况：明明是一堵笔直的墙，点云显示出来却是弯的？
这就是点云畸变。原因很简单——激光雷达在旋转扫描时，车辆本身也在运动。每一帧点云里的点，其实是在不同时刻、不同位置采集的。
核心思路：用IMU或轮速计的里程计信息，把每个点补偿到同一时刻的坐标系下。
我在项目中遇到过最离谱的一次，是车辆过减速带时点云直接「炸开」了。后来发现是IMU的震动滤波参数没调好，低频震动被当成了真实运动。
// 点云畸变补偿伪代码
for each point in cloud:
// 获取该点的时间戳
t = point.timestamp - cloud.start_timestamp
// 根据时间差，插值得到该时刻的位姿
pose = interpolate_pose(odometry, t)
// 将点变换到起始时刻坐标系
point_corrected = pose.inverse() * point
我的习惯：调试时先录一段静止场景的数据。如果静止场景下点云还有畸变，那就是雷达本身或驱动的问题，别急着调算法。
2. 点云滤波参数调优
原始点云数据量太大，直接处理CPU扛不住。所以得滤波。但滤波参数调不好，要么滤掉了有效目标，要么保留了太多噪声。
常用的滤波方法就这几个：
- 体素滤波（Voxel Filter）——降采样，控制点云密度
- 直通滤波（PassThrough Filter）——切掉不需要的高度/距离范围
- 半径滤波（Radius Filter）——去除孤立噪点
| 滤波类型 | 关键参数 | 我的经验值 |
|---|---|---|
| 体素滤波 | leaf_size（体素边长） | 0.1m ~ 0.3m，视场景而定 |
| 直通滤波 | z轴范围（高度） | 一般保留 -0.5m ~ 3.0m |
| 半径滤波 | 半径 + 最少点数 | 0.3m半径内至少3个点 |
嗯，这里要注意：体素滤波的leaf_size设得太小，点云还是密，计算量下不来；设得太大，小目标（比如行人）可能直接被滤没了。我一般从0.2m开始试，看效果再微调。
3. 点云配准与坐标系对齐
多激光雷达融合，或者激光雷达与地图对齐，都离不开点云配准。Autoware里最常用的是NDT（正态分布变换）算法。
NDT调试的核心参数就两个：
- 分辨率（Resolution）——网格大小，影响配准精度和速度
- 最大迭代次数——收敛条件
我曾经踩过的坑：NDT的初始位姿给得不准，算法直接发散。后来我养成了一个习惯——先用ICP粗配准，再用NDT精配准。虽然多了一步，但稳定性好很多。
二、摄像头图像调试
摄像头图像调试，说白了就是让算法「看懂」画面。这里头门道不少。
1. 图像畸变校正
摄像头镜头都有畸变，尤其是广角镜头。不校正的话，远处的物体位置会偏，车道线检测也会歪。
校正流程其实不复杂：
- 用棋盘格标定板拍20~30张不同角度的照片
- 用OpenCV或Kalibr工具提取角点，计算内参和畸变系数
- 生成校正映射表（remap），运行时直接查表校正
# 用OpenCV做畸变校正
import cv2
import numpy as np
# 加载标定结果
with np.load('calibration.npz') as data:
mtx = data['camera_matrix']
dist = data['dist_coeffs']
# 生成校正映射
h, w = img.shape[:2]
new_mtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w,h), 1, (w,h))
mapx, mapy = cv2.initUndistortRectifyMap(mtx, dist, None, new_mtx, (w,h), 5)
# 应用校正
undistorted = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)
我个人习惯：标定完一定要在实车上验证——找一条笔直的车道线，看校正后图像里的车道线是不是直的。不是的话，重新标。
2. 曝光与白平衡调试
你想想看，自动驾驶车从隧道出来的一瞬间，画面从暗变亮，算法很容易「懵掉」。
曝光和白平衡的调试，核心是找到「平衡点」：
- 自动曝光（AE）——目标亮度值设多少？我一般设在100~120（8位图像）
- 自动白平衡（AWB）——色温变化时，颜色不能偏得太离谱
- 增益控制——增益太高，噪声就大；增益太低，暗处看不清
我在项目中遇到过最头疼的问题，是傍晚时分路灯和车灯混在一起，自动曝光来回跳，导致目标检测时有时无。后来我们改成了「慢速自适应曝光」，变化速率调低，画面就稳了。
3. 时间戳同步
摄像头和激光雷达的数据必须时间对齐，不然融合出来的结果就是「驴唇不对马嘴」。
Autoware里常用的做法是：
- 用硬件触发信号（PPS或PTP）同步各传感器的时钟
- 在软件层做时间戳对齐，找最近邻的时间戳匹配
注意：时间戳同步的误差不能超过10ms。超过这个范围，高速场景下的目标位置偏差就会很明显。我曾经吃过这个亏，后来加了个时间戳偏差监控模块，超时了就报警。
三、毫米波雷达调试
毫米波雷达，很多人觉得它「简单」，其实不然。它的调试坑也不少。
1. 多目标跟踪与杂波抑制
毫米波雷达的原始数据里，除了真实目标，还有大量杂波——护栏、地面、雨滴、甚至路边的金属广告牌。
调试的关键在于：
- CFAR（恒虚警率）检测参数——保护单元和参考单元的窗口大小
- 多目标跟踪（MTT）——航迹起始、维持、消亡的逻辑
- 杂波图（Clutter Map）——静态杂波的背景建模
| 参数 | 作用 | 调试建议 |
|---|---|---|
| CFAR保护单元 | 防止目标自身被当成杂波 | 一般设3~5个单元 |
| CFAR参考单元 | 估计背景噪声水平 | 10~20个单元，视雷达分辨率而定 |
| 航迹起始阈值 | 连续多少帧检测到才确认目标 | 3帧起步，太少了虚警多 |
嗯，这里有个经验：高速公路场景和城市道路场景，CFAR参数最好分开调。高速上目标少但速度快，城市里目标多但速度慢，一套参数打天下是不现实的。
4. 雷达与视觉融合调试
毫米波雷达和摄像头融合，说白了就是「雷达给距离，视觉给类别」。但两者坐标系对齐是个麻烦事。
融合调试的步骤：
- 联合标定——找雷达和摄像头的相对位姿
- 投影验证——把雷达点投影到图像上，看是否对齐
- 关联匹配——用距离、角度、速度做数据关联
核心原则：雷达的测距精度高，但角度分辨率低；视觉的角度分辨率高，但测距精度差。融合时要「取长补短」。
我曾经调试过一个场景：前方有一辆静止的卡车，雷达检测到了，但视觉没检测到（因为卡车颜色和背景太像）。后来我们在融合逻辑里加了「雷达检测到但视觉没检测到的目标，先保留，等视觉确认后再输出」的策略，问题就解决了。
四、感知模块调试的通用方法论
说了这么多具体问题，最后总结几条通用的调试思路：
- 先单传感器，后多传感器融合——每个传感器先调通，再谈融合
- 先简单场景，后复杂场景——直道、晴天、低速先跑通，再上弯道、雨雾、高速
- 数据驱动调试——遇到问题先录数据，回放分析，别在车上瞎调参数
- 可视化是王道——点云、图像、检测结果，能可视化就可视化，肉眼比日志管用
我的最后一条建议：调试感知模块，耐心比技术更重要。一个问题可能反复出现，别急着改代码，先想清楚「为什么」。很多时候，问题不在算法本身，而在数据质量或标定精度上。
可可精品资料库