3. 传感器基础（下）：激光雷达工作原理、点云数据格式、毫米波雷达与超声波雷达简介
好，咱们接着聊传感器。上一节我们把摄像头聊透了，这一节轮到另外三个硬核角色：激光雷达、毫米波雷达和超声波雷达。说实话，在自动驾驶圈子里，这三兄弟各有各的脾气，也各有各的绝活。
3.1 激光雷达：点云世界的“天眼”
激光雷达，英文叫 LiDAR（Light Detection And Ranging）。说白了，它就是靠发射激光束，然后测量反射回来的时间，算出目标距离。你想想看，一秒钟发射几十万甚至上百万个激光点，每个点都带着三维坐标信息，拼在一起就是所谓的“点云”。
我个人习惯把激光雷达比作“盲人的手杖”——它不依赖环境光照，黑夜、逆光、隧道口，它都能稳定工作。摄像头在暗光下容易“瞎”，但激光雷达不会。
3.1.1 工作原理：TOF 与 FMCW
目前主流的激光雷达有两种测距原理：
- TOF（Time of Flight，飞行时间法）：发射激光脉冲，测量往返时间。简单粗暴，精度高。市面上 90% 的激光雷达都用这个方案。
- FMCW（调频连续波）：发射频率连续变化的激光，通过测量回波与发射波的频率差来算距离。这个方案抗干扰能力强，还能直接测速度，但成本高，目前还在爬坡阶段。
核心公式：
距离 = (光速 × 飞行时间) / 2注意除以 2，因为激光走了个来回。
我在项目中遇到过一个问题：TOF 激光雷达在雨雾天气下，激光会被水滴反射，产生大量“噪点”。后来我们加了滤波算法，才把那些乱飘的点去掉。嗯，这里要注意，环境对激光雷达的影响比你想象的大。
3.1.2 点云数据格式
点云数据长什么样？说白了就是一个 N×4 的矩阵。每一行代表一个激光点，包含四个字段：
| 字段 | 含义 | 示例值 |
|---|---|---|
| x | 三维空间 X 坐标（米） | 2.34 |
| y | 三维空间 Y 坐标（米） | -1.56 |
| z | 三维空间 Z 坐标（米） | 0.78 |
| intensity | 反射强度（0-255） | 128 |
我建议你记住这个格式。因为后续做感知融合时，点云数据几乎都长这样。常见的点云文件格式有 .pcd、.bin、.ply 等。我们项目里最常用的是 .bin 格式，因为它不压缩，读取快。
小技巧：用 Python 读取 .bin 点云文件，只需要一行代码：
import numpy as np
points = np.fromfile('scan.bin', dtype=np.float32).reshape(-1, 4)返回的 points 就是 N×4 的数组，直接拿来用。
3.1.3 激光雷达的“软肋”
激光雷达不是万能的。我曾经踩过一个坑：在强阳光下，激光雷达的接收器会饱和，导致测距不准。还有，它对高反射物体（比如镜面、黑色车辆）的检测效果很差——激光打上去要么被反射走，要么被吸收掉。
避坑指南：我曾经在高速场景下，激光雷达把一辆黑色轿车“漏检”了，因为车漆吸收了大部分激光能量。后来我们不得不融合毫米波雷达来兜底。
3.2 毫米波雷达：全天候的“速度狂魔”
毫米波雷达，工作频率在 24GHz、77GHz 或 79GHz。它发射的是电磁波，不是激光。所以它不怕雨、不怕雾、不怕灰尘。说白了，它是自动驾驶里最“皮实”的传感器。
毫米波雷达最大的优势是——直接测速度。利用多普勒效应，它能精确测量目标的径向速度。这一点激光雷达做不到，摄像头也做不到。
3.2.1 工作原理：FMCW 模式
毫米波雷达几乎清一色用 FMCW（调频连续波）。它发射频率随时间线性变化的电磁波，回波与发射波混频后，得到中频信号。通过分析中频信号的频率，就能同时算出距离和速度。
核心公式：
距离 = (中频频率 × 光速) / (2 × 调频斜率)
速度 = (多普勒频移 × 光速) / (2 × 载波频率)嗯，公式看着有点吓人，但实际工程中，雷达芯片内部已经帮你算好了。你拿到的是现成的目标列表：距离、速度、角度、信号强度。
3.2.2 毫米波雷达的“槽点”
毫米波雷达也有让人头疼的地方。我印象最深的是——静止目标检测差。为什么？因为静止目标的多普勒频移为零，雷达很难把它从背景杂波中区分出来。你想想看，路边的护栏、静止的车辆，毫米波雷达经常“视而不见”。
另外，毫米波雷达的角分辨率低。它只能告诉你“前方大概 30 度方向有个目标”，但没法像激光雷达那样精确到厘米级。所以它适合做跟踪，不适合做精细建模。
3.3 超声波雷达：短距离的“贴身保镖”
超声波雷达，就是倒车雷达上用的那种。它发射 40kHz 左右的超声波，靠回波时间测距。原理和 TOF 激光雷达类似，但精度低、距离短（一般 0.2-5 米）。
在自动驾驶里，超声波雷达主要用于低速泊车场景。它不怕灰尘、不怕光线，但怕风——强风会干扰超声波传播。
个人经验：我做过一个自动泊车项目，超声波雷达在雨天表现还行，但遇到大雪天，雪花会反射超声波，导致误报。后来我们在算法里加了“置信度阈值”，低于一定强度的回波直接丢弃。
3.4 知识体系总览
为了让你更直观地理解这三种传感器，我画了一张图：
这张图把三者的核心特点都列出来了。你仔细看，它们各有各的“舒适区”，没有哪个传感器是万能的。所以感知融合的本质，就是让它们互相补台。
3.5 本章小结
这一节我们聊了三种传感器：
- 激光雷达：输出点云，精度高，但怕雨雾。
- 毫米波雷达：直接测速，全天候，但角分辨率低。
- 超声波雷达：近距离测距，成本低，但距离短。
我个人觉得，理解这些传感器的“脾气”比记住参数更重要。因为在实际工程中，你遇到的每一个问题，几乎都跟传感器的局限性有关。下一节，我们会把这些传感器组合起来，看看它们怎么协同工作。
一句话总结：激光雷达看“形”，毫米波雷达看“速”，超声波雷达看“近”。三者合一，才是真正的“感知”。