4. 自动驾驶系统架构：感知、决策、执行三大模块，传感器配置方案
聊到自动驾驶系统架构，很多人第一反应就是堆传感器。其实不然。我做了这么多年系统集成，最深的体会是：架构决定上限，传感器决定下限。今天咱们就把这套东西拆开揉碎了讲清楚。
4.1 三大模块：感知、决策、执行
自动驾驶系统说白了就干三件事：看路、想事、动手。对应到工程上，就是感知（Perception）、决策（Planning & Decision）、执行（Control & Actuation）。
核心观点：这三个模块不是串行的，而是闭环的。感知给决策喂数据，决策给执行下指令，执行的结果又反过来影响感知——比如车辆转向后，摄像头看到的画面变了，感知模块得重新理解环境。
4.1.1 感知模块
感知模块的任务就一个：把传感器原始数据变成有意义的环境信息。包括但不限于：
- 目标检测与分类：车、人、自行车、锥桶、路障……
- 车道线与路沿：可行驶区域边界
- 交通标志与信号灯：限速牌、红绿灯状态
- 可行驶空间：Free Space 估计
- 自车定位：高精地图 + GPS + IMU + 感知融合
我遇到过不少团队，感知模块做得特别花哨，各种深度学习模型往上堆。结果呢？决策模块根本用不过来。你想想看，感知输出每秒 100 帧的障碍物列表，决策模块处理一帧就要 50 毫秒，这不就崩了吗？感知不是越强越好，而是够用就好。
4.1.2 决策模块
决策模块是自动驾驶的「大脑」。它接收感知模块输出的环境模型，结合自车状态和导航路径，做出驾驶决策。
决策模块通常分三层：
- 行为决策（Behavioral Decision）：要不要变道？要不要超车？要不要让行？
- 运动规划（Motion Planning）：具体怎么走？路径曲线长什么样？速度曲线怎么调？
- 控制指令生成：方向盘打多少度？油门踩多深？刹车给多大压力？
个人经验：决策模块最容易出问题的地方不是算法，而是状态机设计。我曾经在一个项目中，因为状态机少考虑了一种「前车突然切入且自车正在变道」的组合情况，导致车辆在高速上犹豫了 3 秒才做出反应。嗯，从那以后我设计状态机都会画一张完整的组合状态表。
4.1.3 执行模块
执行模块就是把决策模块的指令变成物理动作。它直接跟车辆底盘打交道：
- 转向系统：EPS（电动助力转向）或 SBW（线控转向）
- 制动系统：ESP/ESC、iBooster、线控制动
- 驱动系统：VCU（整车控制器）或 MCU（电机控制器）
- 灯光与信号：转向灯、喇叭、双闪
执行模块有个关键指标：延迟。从决策发出指令到执行器开始动作，这个时间差不能超过 100 毫秒。我见过一些方案，决策到执行走了 CAN 总线再转 LIN 总线，延迟直接飙到 300 毫秒以上——这种车你敢坐吗？
4.2 传感器配置方案
传感器配置是自动驾驶系统里最烧钱、也最纠结的部分。没有完美的传感器，只有合适的组合。
4.2.1 摄像头
摄像头是自动驾驶的「眼睛」。它的优势是信息丰富，能识别颜色、纹理、文字。缺点是受光照影响大，没有深度信息（单目）。
| 类型 | 分辨率 | 视场角 | 典型用途 |
|---|---|---|---|
| 前视主摄像头 | 2MP ~ 8MP | 60° ~ 120° | 车道线、车辆、行人检测 |
| 环视摄像头 | 1MP ~ 2MP | 180° ~ 190° | 全景影像、泊车 |
| 侧视摄像头 | 2MP ~ 5MP | 100° ~ 120° | 盲区监测、变道辅助 |
| 后视摄像头 | 1MP ~ 2MP | 120° ~ 140° | 倒车影像、后方来车检测 |
| 驾驶员监控摄像头 | 0.5MP ~ 1MP | 60° ~ 90° | 疲劳驾驶、分心检测 |
避坑指南：我曾经在一个项目中选了 8MP 的前视摄像头，想着分辨率越高越好。结果发现，高分辨率带来的数据量太大，SoC 的 ISP 带宽根本扛不住，最后不得不降采样到 2MP 来用。白白多花了 30% 的硬件成本。选摄像头，先算带宽，再定分辨率。
4.2.2 雷达
雷达分两种：毫米波雷达和超声波雷达。
毫米波雷达：24GHz 或 77GHz。测距远（最远 250 米），不受光照和天气影响。但分辨率低，无法区分行人还是自行车。
超声波雷达：40kHz ~ 60kHz。测距近（0.2 ~ 5 米），精度高。主要用于泊车和近距离障碍物检测。
| 参数 | 毫米波雷达 | 超声波雷达 |
|---|---|---|
| 工作频率 | 24GHz / 77GHz | 40kHz ~ 60kHz |
| 最大测距 | 250m（77GHz） | 5m |
| 测距精度 | ±0.1m | ±0.02m |
| 角度分辨率 | 1° ~ 3° | 10° ~ 30° |
| 受天气影响 | 小 | 小 |
| 典型数量 | 3 ~ 6 个 | 8 ~ 12 个 |
4.2.3 激光雷达
激光雷达（LiDAR）是自动驾驶的「深度感知神器」。它直接输出 3D 点云，精度高、不受光照影响。但贵，而且受雨雾天气影响大。
激光雷达按扫描方式分：
- 机械旋转式：64 线、128 线。精度最高，但机械结构寿命有限。早期无人车标配。
- MEMS 微振镜式：半固态。成本适中，可靠性好。目前主流方案。
- Flash 面阵式：固态。没有运动部件，但探测距离有限（通常 < 50m）。
- OPA 光学相控阵：纯固态。还在实验室阶段，但未来可期。
我的建议：L2+ 级别的系统，用摄像头 + 毫米波雷达就够了。L3 以上，建议加一颗前向激光雷达。L4 无人驾驶，至少 3 颗激光雷达（前向 + 两侧补盲）。别盲目堆数量，传感器融合的算法复杂度会随着传感器数量指数级增长。
4.3 传感器融合策略
传感器融合不是简单地把数据拼在一起。它分三个层级：
- 数据级融合：直接把原始数据融合。比如把摄像头图像和激光雷达点云对齐，生成 RGB 点云。计算量大，但信息损失最小。
- 特征级融合：先提取特征，再融合。比如分别从图像和点云中提取目标框，然后用匈牙利算法做关联匹配。计算量适中，工程上最常用。
- 决策级融合：每个传感器独立做决策，最后投票。比如摄像头说「前面有车」，雷达说「前面有目标」，激光雷达说「前面有障碍物」，三个一致就确认。鲁棒性好，但信息利用率低。
我个人习惯用特征级融合 + 决策级兜底。平时用特征级融合保证精度，当传感器之间出现严重冲突时，切换到决策级融合做安全兜底。
4.4 典型传感器配置方案对比
| 方案 | 摄像头 | 毫米波雷达 | 激光雷达 | 超声波 | 典型成本 | 适用等级 |
|---|---|---|---|---|---|---|
| 纯视觉方案 | 8 ~ 12 个 | 0 ~ 3 个 | 0 | 8 ~ 12 个 | $500 ~ $1500 | L2 ~ L2+ |
| 视觉 + 雷达方案 | 8 ~ 12 个 | 3 ~ 6 个 | 0 | 8 ~ 12 个 | $1500 ~ $3000 | L2+ ~ L3 |
| 多传感器融合方案 | 8 ~ 12 个 | 3 ~ 6 个 | 1 ~ 3 个 | 8 ~ 12 个 | $5000 ~ $15000 | L3 ~ L4 |
| 全冗余方案 | 12 ~ 16 个 | 6 ~ 8 个 | 3 ~ 5 个 | 12 ~ 16 个 | $20000+ | L4 ~ L5 |
避坑指南：我曾经见过一个团队，为了追求「全冗余」，在车上装了 5 颗激光雷达、12 个摄像头、8 个毫米波雷达。结果呢？数据量太大，域控制器的 PCIe 带宽全部打满，以太网也堵死了。最后不得不砍掉一半传感器。记住：冗余不是堆数量，而是关键链路的备份。
4.5 自动驾驶系统架构总览
下面这张图是我自己画的自动驾驶系统架构总览，涵盖了感知、决策、执行三大模块以及传感器配置方案。你可以把它当作本章的知识地图。
这张图把本章的核心内容串起来了。从上到下依次是传感器层、感知模块、决策模块、执行模块。每个模块内部的关键子功能也都列出来了。你可以把它当作一个快速索引，复习的时候对着这张图回忆每个模块的细节。
4.6 本章小结
自动驾驶系统架构的核心就三句话：
- 感知：把传感器数据变成环境信息。别贪多，够用就好。
- 决策：根据环境信息做驾驶决策。状态机设计要严谨，别漏了边界情况。
- 执行：把决策变成物理动作。延迟是关键指标，别超过 100 毫秒。
传感器配置没有标准答案。纯视觉方案便宜但怕极端天气，多传感器融合方案贵但鲁棒性好。选什么方案，取决于你的目标等级、成本预算和算法能力。我个人的经验是：先定功能，再定传感器，最后定算法。别反过来，否则你会陷入「为了用传感器而用传感器」的陷阱。