3. 传感器采集
无人车对周围环境的感知是边缘推理流程的起点，而传感器则是获取环境信息的物理入口。在真实道路上，没有任何单一传感器能在所有天气、光照和距离条件下都保持可靠，因此现代无人车普遍采用多传感器融合方案。理解各类传感器的工作原理及其输出数据的本质特征，是设计预处理算法、选择推理模型和制定控制策略的前提。本章将逐一剖析摄像头、激光雷达、毫米波雷达和超声波传感器的工作机制、数据格式、适用场景与工程限制，并给出在边缘计算平台上的选型与部署建议。
3.1 摄像头：被动光学感知的核心
核心原理
摄像头通过CMOS或CCD图像传感器将环境中的可见光（380-780nm波段）转换为电信号，再经模数转换生成数字图像。其本质是被动传感器——依赖外部光源（太阳、路灯、车灯）照射目标后反射的光线。车载摄像头通常采用全局快门或卷帘快门，配合光学镜头实现不同视场角（FOV）的覆盖，常见的有前视广角（120°-150°）、窄角长焦（30°-60°）以及环视鱼眼（>180°）等类型。
从数据角度看，摄像头输出的是稠密的二维像素矩阵，每个像素包含RGB或YUV色彩信息。以1920×1080分辨率、30fps帧率为例，单帧原始数据量约为1920×1080×3字节≈6.2MB，每秒数据流量约186MB。这种高数据率对边缘计算平台的带宽和存储提出了较高要求，通常需要经过JPEG或H.264/H.265硬件编码后再送入推理引擎。
数据特点与工程挑战
| 属性 | 具体特征 | 对边缘推理的影响 |
|---|---|---|
| 空间分辨率 | 高（百万像素级） | 可识别小目标（交通标志、行人手势），但计算量大 |
| 时间分辨率 | 帧率可调（15-60fps） | 高帧率利于运动估计，但增加处理负载 |
| 色彩信息 | RGB/YUV三通道 | 支持交通灯颜色识别、车道线颜色区分 |
| 光照敏感性 | 强依赖环境光 | 夜间、逆光、隧道场景需HDR或红外补光 |
| 深度信息 | 缺失（单目） | 需通过多目视差或深度学习估计深度 |
在边缘推理流程中，摄像头数据通常先经过降分辨率、色彩空间转换（RGB→BGR或灰度）、归一化等预处理，再输入卷积神经网络（CNN）进行目标检测、车道线分割、可行驶区域识别等任务。由于摄像头对光照变化敏感，实际部署时需配合自动曝光（AE）、自动白平衡（AWB）和宽动态（WDR）算法，确保图像质量稳定。
3.2 激光雷达：高精度三维几何感知
核心原理
激光雷达（LiDAR）采用飞行时间法（ToF）或调频连续波（FMCW）原理，向周围发射近红外激光束（通常为905nm或1550nm），并测量激光从发射到经目标反射返回的时间差，从而计算目标距离。机械旋转式LiDAR通过电机带动激光收发模块旋转，实现360°水平视场覆盖；固态LiDAR则通过光学相控阵或微振镜实现扫描，体积更小、可靠性更高。
激光雷达输出的核心数据是三维点云，每个点包含三维坐标（x, y, z）和反射强度值（intensity）。以64线机械式LiDAR为例，单帧点云约含10-20万个点，数据量约2-4MB（每个点4-6字节），帧率通常为10-20Hz。点云数据具有以下显著特点：
- 稀疏性：点云在空间中分布不均匀，远处点密度低，近处点密度高。
- 无序性：点与点之间没有固定的排列顺序，需要特殊网络结构（如PointNet、VoxelNet）处理。
- 精确距离：测距精度可达±2cm，远优于摄像头深度估计。
- 无色彩信息：仅含几何位置和反射强度，无法识别颜色、文字等语义。
点云预处理与推理
在边缘平台上处理点云时，通常先进行地面分割（移除地面点）、体素化（将点云划分为0.1m×0.1m×0.1m的网格）或投影到鸟瞰图（BEV），以降低数据维度并适配CNN输入。例如，将点云投影为BEV的3通道图像（高度、强度、密度），再使用2D检测网络识别车辆和行人。这种方法的计算效率较高，适合在Jetson Orin等边缘GPU上实时运行。
3.3 毫米波雷达：全天候目标探测与测速
核心原理
毫米波雷达工作在毫米波段（通常为77GHz或79GHz），利用调频连续波（FMCW）技术同时测量目标的距离、速度和方位角。其工作原理是：发射频率随时间线性变化的调频信号，接收目标反射的回波后，将回波与发射信号混频得到中频信号（IF），中频信号的频率与目标距离成正比，相位变化与目标速度相关。通过多根接收天线（MIMO阵列）的相位差，可以估计目标的水平方位角。
毫米波雷达输出的数据通常有两种形式：
- 点迹数据：每个目标点包含距离（Range）、速度（Velocity）、方位角（Azimuth）和反射强度（RCS）。典型输出为每帧几十个目标点。
- 距离-多普勒图（RD Map）：二维矩阵，横轴为距离单元，纵轴为多普勒速度单元，每个单元的能量值反映该距离-速度组合下是否存在目标。
数据特点与融合价值
| 特性 | 毫米波雷达 | 对比摄像头/LiDAR |
|---|---|---|
| 天气鲁棒性 | 不受雨雾、光照影响 | 摄像头受光照影响大，LiDAR受雨雾影响 |
| 直接测速 | 通过多普勒效应直接获取径向速度 | 摄像头需帧间差分，LiDAR需多帧匹配 |
| 角度分辨率 | 较粗（约1°-3°） | 摄像头像素级，LiDAR点级 |
| 数据量 | 极小（KB级） | 摄像头MB级，LiDAR MB级 |
在边缘推理中，毫米波雷达数据通常直接以目标列表形式输入跟踪模块（如卡尔曼滤波），或与摄像头检测结果进行目标级融合——将雷达目标投影到图像平面，与视觉检测框关联，从而为视觉目标提供精确的距离和速度信息。这种融合策略在自适应巡航控制（ACC）和自动紧急制动（AEB）中至关重要。
3.4 超声波传感器：近距低速防撞的补充
核心原理
超声波传感器利用压电陶瓷换能器发射40-60kHz的机械波，并接收目标反射的回波。通过测量发射与接收之间的时间差，计算目标距离。声波在空气中的传播速度约为340m/s，因此测距公式为：d = (t × v) / 2，其中t为往返时间，v为声速。由于声波衰减快，超声波传感器的有效探测距离通常为0.2-5米，视场角约60°-90°。
超声波传感器输出的是单点距离值（或少量离散点），数据格式极为简单，通常通过CAN总线或I²C接口以10-50Hz的频率上报。其优势在于成本低（单个传感器几元至几十元）、不受电磁干扰、对透明物体（如玻璃）也能有效探测；缺点是响应速度慢（声速限制）、无法测速、空间分辨率低。
典型应用场景
超声波传感器在无人车中主要用于低速泊车辅助和近距离盲区监测。例如，在自动泊车系统中，车辆四角安装的8-12个超声波传感器实时测量与周围障碍物的距离，当距离小于30cm时触发紧急制动。由于超声波数据维度低，边缘推理几乎不需要额外计算，只需简单的阈值判断即可。
① 摄像头负责语义理解（交通灯、标志、车道线）；
② LiDAR提供高精度几何轮廓（用于精确测距和路径规划）；
③ 毫米波雷达在恶劣天气下保证目标检测的连续性；
④ 超声波在低速近距场景提供最后一道安全屏障。
3.5 传感器数据的时间同步与空间对齐
多传感器融合的前提是数据在时间和空间上的一致性。时间同步方面，各传感器帧率不同（摄像头30fps、LiDAR 10Hz、雷达20Hz），必须通过硬件同步信号（PPS、GPRMC）或软件时间戳插值，将不同时刻的数据对齐到同一时间基准。空间对齐方面，需要标定各传感器之间的外参（旋转矩阵R和平移向量t），将LiDAR点云、雷达目标投影到摄像头图像坐标系，或统一转换到车体坐标系。
在边缘计算平台上，通常采用消息队列+时间戳缓冲的方式实现软同步：每个传感器数据到达时打上硬件时间戳，融合模块以主传感器（如摄像头）的帧率为基准，从缓冲队列中选取时间戳最接近的LiDAR帧和雷达帧进行融合。若时间偏差超过阈值（如20ms），则丢弃或插值处理。
3.6 实战案例：城市交叉路口多传感器融合感知
场景背景：某L4级无人驾驶测试车在雨天傍晚通过城市交叉路口，需同时检测左侧闯红灯的行人、前方等待左转的车辆以及右侧非机动车道上的骑行者。环境条件为：小雨、路面反光、路灯照明不足。
初始现象：仅使用摄像头时，视觉检测模型在雨天反光区域出现漏检，对深色雨衣行人的置信度仅为0.42（阈值0.5），导致系统未触发减速。同时，LiDAR点云因雨滴噪声产生大量离群点，地面分割后仍残留约15%的噪声点，影响目标聚类。
关键输入数据：
- 摄像头：1920×1080@30fps，YUV420格式，经H.264编码后码率约8Mbps
- LiDAR：32线机械式，10Hz，单帧约8万点，含x/y/z/intensity
- 毫米波雷达：77GHz，20Hz，输出目标列表（距离、速度、方位角、RCS）
- 超声波：8个探头，50Hz，距离值范围0.2-4m
分析判断过程：边缘推理单元（NVIDIA Orin）首先对摄像头图像执行YOLOv5s目标检测，检测到行人候选框但置信度低；同时，毫米波雷达在行人方向（方位角-15°，距离18m）检测到RCS为-8dBsm的稳定目标，径向速度0.3m/s（缓慢移动）。LiDAR点云在该区域聚类后得到一个包含12个点的簇，尺寸约0.5m×0.4m×1.6m，符合行人轮廓。
实际操作步骤：
- 将雷达目标通过外参投影到图像平面，得到像素坐标（u=720, v=540），与视觉检测框（IoU=0.35）进行关联匹配。
- 将LiDAR点云簇的质心投影到图像，同样落在检测框附近，进一步确认目标存在。
- 融合模块采用加权投票策略：视觉置信度0.42×0.4 + 雷达存在概率0.95×0.35 + LiDAR几何匹配0.88×0.25 = 0.71，超过融合阈值0.6，判定为有效行人目标。
- 控制模块根据融合后的目标距离（18m）和相对速度（0.3m/s），计算碰撞时间TTC=60s，虽不紧急但考虑到路口场景，仍执行轻度减速（从40km/h降至30km/h）。
结果对比：融合后系统对行人的检测置信度从0.42提升至0.71，漏检风险显著降低。在后续100次路口测试中，融合方案相比纯视觉方案将行人漏检率从8.3%降至1.2%，误制动率从2.1%降至0.4%。
风险与代价：融合增加了约15ms的推理延迟（主要是点云预处理和跨传感器关联），但仍在100ms的安全响应预算内。此外，雷达与摄像头的标定误差在远距离（>50m）时会导致投影偏差增大，需定期校验外参。
复盘经验：单一传感器在复杂天气下均存在失效风险，多传感器融合不是简单的“1+1=2”，而是通过互补性提升系统的鲁棒性。边缘推理平台需要预留足够的算力余量，以应对多路数据同时到达时的峰值负载。
3.7 常见误区与总结复盘
- 误区一：认为传感器越多越好。实际上，每增加一种传感器，都带来标定、同步、维护的额外成本。应基于具体场景需求选择传感器组合，例如高速巡航以毫米波雷达为主，城市低速以摄像头+LiDAR为主。
- 误区二：忽视传感器数据的时间戳精度。若时间同步误差超过50ms，在高速场景下会导致目标位置偏差超过1米，可能引发误判。必须使用硬件同步或高精度PTP协议。
- 误区三：将LiDAR点云直接输入深度学习模型而不做预处理。原始点云包含大量地面点和噪声，直接推理会浪费算力并降低精度。应先进行地面分割和感兴趣区域（ROI）裁剪。
- 误区四：忽略传感器的失效模式。摄像头镜头脏污、LiDAR窗口结冰、雷达天线遮挡等都会导致数据异常。系统应具备传感器健康监测功能，在数据质量下降时自动切换融合策略。
总结而言，传感器采集是无人车边缘推理流程的“感知前端”，其数据质量直接决定了后续识别和控制的准确性。理解每种传感器的物理极限和数据特性，合理设计融合策略，是构建可靠无人车系统的基石。在边缘计算资源受限的条件下，应优先保证关键传感器（摄像头、毫米波雷达）的数据链路稳定，并针对不同场景动态调整传感器权重。