课程导论：为什么需要融合？

各位同学好，我是你们这门课的主讲人。在自动驾驶圈子里摸爬滚打了快十年，我见过太多「单传感器走天下」的惨痛案例。今天咱们就来聊聊，为什么非得把毫米波雷达和激光雷达凑到一起。

1.1 单传感器的「致命短板」

先说说激光雷达。这东西精度高，能画出厘米级的点云图。我刚开始做感知时，觉得它简直是神器。但有一次在雨夜测试，点云直接糊成一片——水滴反射太强，目标全丢了。说白了，激光雷达怕雨、怕雾、怕灰尘。

毫米波雷达呢？它不怕天气，穿透力强。但你想想看，它输出的点稀疏得可怜，而且对静止目标几乎「失明」。我记得有次在高速上，一个静止的故障车，雷达直接把它当成了路边的护栏。嗯，这要是没融合，后果不敢想。

1.2 优劣势对比：一张表说清楚

维度	激光雷达	毫米波雷达
测距精度	厘米级（±2cm）	分米级（±10cm）
角分辨率	0.1° 级别	1°~3°
天气鲁棒性	差（雨雾衰减严重）	强（几乎不受影响）
目标分类能力	强（点云可识别形状）	弱（只能检测运动）
测速能力	弱（需帧间推算）	强（直接多普勒测速）
成本	高（数千到数万美元）	低（几百美元）

你看，激光雷达在分类和精度上完胜，但一遇到恶劣天气就「掉链子」。毫米波雷达虽然粗糙，但能稳定输出速度和距离。我个人习惯的做法是：用激光雷达做「主心骨」，用毫米波雷达做「安全网」。

1.3 融合感知的行业现状

现在主流车厂都在搞融合。特斯拉虽然坚持纯视觉，但它的雷达也没完全放弃。国内像华为、百度这些，早就把融合方案量产了。

我参与过的一个量产项目，用的是「前融合」架构——在原始数据层就把雷达点云和激光点云对齐。效果确实好，但计算量也大。后来我们改成了「后融合」，先各自做目标检测，再在目标层做匹配。嗯，这里要注意：后融合容易丢目标，尤其是雷达漏检的时候。

1.4 未来趋势：从「融合」到「共生」

未来会怎样？我个人判断，有三大趋势：

• 硬件集成化：激光雷达和毫米波雷达做成一个模组，出厂就标定好。省去现场标定的麻烦。
• 算法端到端：用神经网络直接处理多模态数据，不再分「雷达检测」和「激光检测」两个阶段。
• 4D成像雷达崛起：新一代毫米波雷达能输出类似点云的密集数据，和激光雷达的界限越来越模糊。

我曾经在实验室里测试过一款4D成像雷达，它的点云密度虽然比不上激光雷达，但已经能看出车辆轮廓了。你想想看，如果未来雷达成本降到激光雷达的十分之一，那融合方案的天平可能会倾斜。

1.5 本章知识体系

下面这张图，是我自己梳理的融合感知知识框架。你可以把它当成整个课程的地图。

这张图里，我特意把「时空同步」和「联合标定」放在底层。为什么？因为这是融合的基础。我见过太多团队，算法调得再好，标定一塌糊涂，最后融合出来的目标全是重影。记住：标定不准，融合白费。

1.6 本章小结

好了，导论部分就到这里。总结几个关键点：

• 激光雷达和毫米波雷达是「天生一对」，优缺点完美互补
• 融合架构分前融合和后融合，新手建议从后融合开始
• 行业趋势是硬件集成化和算法端到端化
• 标定和同步是融合的基石，别在这上面省钱

下一章，我会带大家手撸一个简单的融合demo。到时候咱们用真实数据说话，看看融合到底能提升多少效果。

可可精品资料库