传感器基础：自动驾驶的“感官世界”
大家好，我是你们这门课的老朋友。今天咱们聊聊自动驾驶的“眼睛”和“耳朵”——传感器。
你想想看，一辆车要自己跑，它得知道自己在哪、周围有什么、这些东西在怎么动。这些信息从哪来？全靠传感器。我个人习惯把传感器比作人类的感官：摄像头是眼睛，激光雷达是触觉，毫米波雷达是耳朵，超声波雷达是手指尖，IMU/GNSS则是你的平衡感和方向感。
下面这张图，是我自己梳理的传感器知识体系。你看一眼，心里就有谱了。
1. 摄像头：最像人的眼睛
摄像头是自动驾驶里用得最广的传感器。它拍出来的图像，和我们人眼看到的几乎一样。说白了，就是让车“看懂”世界。
工作原理：光线通过镜头，打到CMOS或CCD感光元件上，转换成电信号，再变成数字图像。就这么简单。
关键参数：
- 分辨率：越高看得越清楚。但别盲目追求高分辨率，处理不过来也是白搭。我见过有人用8K摄像头，结果算法跑不动，帧率掉到10fps以下。
- 帧率：一般30fps够用，高速场景建议60fps。
- 视场角：广角镜头视野大，但边缘畸变严重。鱼眼镜头能看180度，但图像变形得厉害。
核心应用：车道线检测、交通标志识别、行人/车辆检测、红绿灯识别。
我的经验：摄像头最怕什么？怕逆光、怕黑夜、怕雨雾。我曾经在项目里遇到一个坑——夏天傍晚，太阳斜射，摄像头直接过曝，车道线全丢了。后来我们加了HDR（高动态范围）功能，才算解决。
2. 激光雷达：用光“摸”世界
激光雷达，英文叫LiDAR。它发射激光束，打到物体上反射回来，通过时间差算出距离。你想想看，这就像你拿着手电筒，但能精确知道每个光斑离你多远。
分类：
- 机械式：旋转扫描，360度视野。Velodyne的64线激光雷达是经典。但机械结构容易坏，成本高。
- 固态式：没有旋转部件，靠电子扫描。体积小、寿命长，是未来趋势。
- MEMS式：用微振镜扫描，介于机械和固态之间。
关键参数：
| 参数 | 说明 | 典型值 |
|---|---|---|
| 线数 | 激光束的数量，线数越多点云越密 | 16线、32线、64线、128线 |
| 探测距离 | 能测多远 | 100m-300m |
| 精度 | 测距误差 | ±2cm |
| 视场角 | 水平和垂直范围 | 水平360°，垂直30°-40° |
注意：激光雷达在雨雪天性能会下降。水滴会反射激光，产生大量噪点。我曾经在雾天测试，点云里全是“鬼影”，算法直接懵了。
3. 毫米波雷达：全天候的“耳朵”
毫米波雷达发射的是毫米波段的电磁波。它不像摄像头那样怕光线，也不像激光雷达那样怕雨雾。说白了，它是自动驾驶里的“硬汉”，什么天气都能干活。
工作原理：发射调频连续波（FMCW），通过回波的频率差计算距离和速度。嗯，这里要注意，它可以直接测出物体的相对速度，这是摄像头做不到的。
应用场景：
- 自适应巡航（ACC）：保持与前车的距离。
- 自动紧急制动（AEB）：检测前方障碍物，主动刹车。
- 盲区监测（BSD）：检测侧后方来车。
避坑指南：我曾经遇到一个问题——毫米波雷达对静止物体检测不稳定。高速公路上，前方停着一辆车，雷达有时候能检测到，有时候检测不到。后来发现是雷达的“多普勒滤波”把静止目标过滤掉了。解决方案是调整滤波参数，或者融合摄像头数据。
4. 超声波雷达：泊车的好帮手
超声波雷达，就是倒车雷达用的那种。它发射超声波（频率高于人耳能听到的20kHz），通过回波时间测距。
特点：
- 探测距离短，一般0.2m-5m。
- 精度高，近距离能到厘米级。
- 成本低，一个才几十块钱。
- 受温度、湿度影响大。
主要用途：自动泊车、近距离障碍物检测。你想想看，车要自己停进车位，靠的就是车周围那12个超声波雷达。
我的经验：超声波雷达有个“盲区”——太近反而测不准。因为发射的超声波还没完全衰减，回波就回来了，信号会混在一起。所以泊车时，最后那10厘米，我建议靠摄像头或激光雷达来补。
5. IMU/GNSS：知道自己在哪
IMU（惯性测量单元）和GNSS（全球导航卫星系统）是定位的黄金搭档。
GNSS：就是GPS、北斗这些。它告诉你车在地球上的经纬度。但精度有限，普通GPS误差几米，RTK（实时动态差分）能到厘米级。
IMU：测量加速度和角速度。它不依赖外部信号，但会随时间累积误差。说白了，IMU是“短跑冠军”，GNSS是“长跑冠军”，两者结合才能跑完全程。
融合方式：
- GNSS提供绝对位置，修正IMU的漂移。
- IMU提供高频姿态信息，填补GNSS更新慢的空白。
- 常用算法：卡尔曼滤波。
注意：隧道里GNSS信号会丢失。这时候全靠IMU撑着。我曾经在一条长隧道里测试，IMU漂移了十几米，车差点撞墙。后来我们加了轮速计和视觉里程计做辅助，才算稳住。
传感器融合：1+1>2
单个传感器都有短板。摄像头怕黑，激光雷达怕雨，毫米波雷达对静止物体不敏感，超声波雷达距离短，IMU会漂移。怎么办？融合起来用。
我个人习惯的做法是：
- 前融合：在原始数据层面融合。比如把激光雷达点云投影到图像上，让每个像素都有深度信息。
- 后融合：每个传感器独立做目标检测，再把结果融合。比如摄像头检测到一辆车，雷达也检测到一辆车，判断是不是同一个目标。
- 特征融合：提取每个传感器的特征，在特征层面融合。这是目前端到端自动驾驶的主流做法。
总结一下：没有完美的传感器，只有完美的组合。摄像头+激光雷达+毫米波雷达+超声波+IMU/GNSS，五者协同，才能让车在各种场景下都“看得清、认得准、走得稳”。
好了，传感器基础就聊到这。记住，选传感器不是越贵越好，而是越适合你的场景越好。下次见。