第一章：传感器基础——自动驾驶的“感官世界”
大家好，我是你们的老朋友。今天咱们正式开讲《障碍物检测原理解析》的第一章。
做自动驾驶这么多年，我最大的感触就是：传感器就是车的眼睛和耳朵。没有它们，再牛的算法也是白搭。你想想看，一个盲人开车，就算他脑子转得再快，能安全吗？
所以，第一章咱们先把基础打牢。我会带你逐一拆解四种核心传感器：激光雷达、毫米波雷达、摄像头、超声波传感器。每个传感器我都会讲它的工作原理、优缺点，以及我在实际项目中踩过的坑。
核心观点：没有完美的传感器，只有合适的组合。多传感器融合才是王道。
1.1 激光雷达（LiDAR）工作原理
激光雷达，说白了就是用激光束去“摸”世界。它发射一束激光，打到物体上反射回来，通过计算时间差来测距。这个原理其实很简单，就是初中物理的“速度×时间=距离”。
我个人习惯把激光雷达分成两类：机械旋转式和固态式。
- 机械旋转式： 内部有个旋转的镜筒，360度扫描。优点是视野广，缺点是体积大、有机械磨损。我在早期项目里用过Velodyne的64线激光雷达，那家伙转起来嗡嗡响，像个小电扇。
- 固态式： 没有旋转部件，靠光学相控阵或微振镜来改变激光方向。优点是体积小、寿命长，缺点是视场角有限。现在很多量产车用的就是这种。
避坑指南： 我曾经在雨雪天测试激光雷达，结果点云数据全是噪点。后来才发现，水滴和雪花会反射激光，造成大量假目标。所以，激光雷达在恶劣天气下性能会大打折扣，这一点你一定要心里有数。
激光雷达的输出是点云数据。每个点包含(x, y, z)坐标和反射强度。你可以把它想象成用几万个点给周围环境画了一张3D素描。
# 伪代码：激光雷达点云处理示例
def parse_lidar_point_cloud(raw_data):
points = []
for packet in raw_data:
x = packet['x'] * 0.01 # 单位转换：cm -> m
y = packet['y'] * 0.01
z = packet['z'] * 0.01
intensity = packet['intensity']
points.append((x, y, z, intensity))
return points1.2 毫米波雷达工作原理
毫米波雷达，用的是电磁波，波长在毫米级别。它和激光雷达最大的区别是：不怕雨雪雾。为什么？因为电磁波的穿透力比激光强得多。
它的工作原理基于多普勒效应。简单说就是：波碰到运动的物体会发生频率变化。你想想看，救护车朝你开过来时，声音会变尖（频率变高），开走时声音变低沉（频率变低）。毫米波雷达就是利用这个原理来测速的。
毫米波雷达通常工作在24GHz（短距）和77GHz（长距）两个频段。77GHz的精度更高，但成本也更高。我记得有一次做项目，客户非要省钱用24GHz的，结果在高速上目标检测距离不够，差点出事。从那以后，我建议长距场景一定要上77GHz。
| 参数 | 24GHz 毫米波雷达 | 77GHz 毫米波雷达 |
|---|---|---|
| 最大探测距离 | 约 50-100 米 | 约 150-250 米 |
| 距离分辨率 | 约 0.75 米 | 约 0.04 米 |
| 典型应用 | 盲区检测、泊车辅助 | 自适应巡航、前向碰撞预警 |
注意： 毫米波雷达对静态物体的检测能力较弱。因为静止物体没有多普勒频移，雷达很难区分它是真的障碍物还是地面杂波。我曾经在隧道里吃过这个亏——雷达把隧道墙壁当成了静态目标，结果频繁误报警。
1.3 摄像头工作原理
摄像头，这个大家最熟悉了。它就像车的眼睛，通过CMOS或CCD感光元件把光信号转成电信号，再生成图像。
但自动驾驶用的摄像头和手机摄像头不太一样。它需要高动态范围（HDR）和全局快门。为什么？因为车在高速运动，如果用的是卷帘快门，拍出来的图像会变形——就像你快速摇晃手机拍的照片一样，歪歪扭扭的。
摄像头最大的优势是语义信息丰富。它能识别车道线、交通标志、行人、车辆类型。激光雷达只能告诉你“那里有个东西”，摄像头能告诉你“那是个红色的轿车”。
但摄像头也有致命弱点：怕黑、怕逆光、怕雨雾。我做过一个测试，在夜间无路灯路段，摄像头的有效检测距离直接从100米掉到了20米。所以，纯视觉方案在极端环境下风险很高。
我的经验： 摄像头和激光雷达是天生一对。摄像头负责“看懂”世界，激光雷达负责“测量”世界。两者结合，效果1+1>2。
1.4 超声波传感器工作原理
超声波传感器，原理最简单——发射声波，听回声。和蝙蝠一样。它工作在40kHz左右，人耳听不到。
它的优点是便宜、可靠、近距离精度高。缺点是探测距离短（一般3-5米）、角度宽、容易受干扰。你想想看，两个超声波传感器如果靠得太近，它们发出的声波会互相干扰，产生“串扰”。
超声波传感器主要用在泊车辅助和盲区检测。我建议在布置超声波传感器时，相邻两个传感器的安装角度要错开至少15度，这样可以有效减少串扰。
# 超声波测距计算
def calculate_distance(speed_of_sound, time_of_flight):
# 声速约 343 m/s (20°C时)
# time_of_flight 是发射到接收的时间（秒）
distance = (speed_of_sound * time_of_flight) / 2 # 除以2是因为来回
return distance小技巧： 超声波传感器对软性物体（比如泡沫、布料）的检测效果很差，因为声波会被吸收。我在做自动泊车项目时，就遇到过车后有个纸箱，超声波愣是没检测到。后来我加了一个“软性物体补偿算法”，才解决了这个问题。
1.5 四种传感器对比总结
好了，四种传感器都讲完了。咱们来做个对比，方便你记忆。
| 传感器类型 | 测距能力 | 测速能力 | 天气鲁棒性 | 语义信息 | 成本 |
|---|---|---|---|---|---|
| 激光雷达 | ★★★★★ | ★★★☆☆ | ★★☆☆☆ | ★☆☆☆☆ | 高 |
| 毫米波雷达 | ★★★★☆ | ★★★★★ | ★★★★★ | ★☆☆☆☆ | 中 |
| 摄像头 | ★★☆☆☆ | ★★☆☆☆ | ★★☆☆☆ | ★★★★★ | 低 |
| 超声波 | ★☆☆☆☆ | ★☆☆☆☆ | ★★★★☆ | ★☆☆☆☆ | 极低 |
看到没？没有哪个传感器是完美的。激光雷达精度高但怕雨雪，毫米波雷达全天候但缺语义，摄像头语义丰富但怕黑，超声波便宜但只能近距。所以，多传感器融合才是自动驾驶感知的终极答案。
嗯，第一章的内容就到这里。传感器是感知的基础，你把这些原理吃透了，后面讲障碍物检测算法时，你才能理解为什么算法要那样设计。
可可精品资料库