3. ADAS感知层数据：摄像头、雷达、激光雷达数据特征

各位工程师朋友，大家好。今天我们聊聊ADAS的“眼睛”——感知层数据。说白了，就是摄像头、毫米波雷达和激光雷达这三兄弟，它们各自能看到什么、怎么看的、数据长什么样。

我个人习惯把感知层比作人的感官系统。摄像头像眼睛，雷达像耳朵（能听距离和速度），激光雷达则像触觉——精确但范围有限。这三者协同，才能让车“看”清世界。

3.1 摄像头数据特征

摄像头是ADAS里最常用的传感器。它输出的是图像数据，本质上是二维像素矩阵。每个像素包含亮度（灰度）或颜色（RGB）信息。

关键参数：

  • 分辨率：常见的有1920x1080（1080p）、2048x1536（3MP）、3840x2160（4K）。分辨率越高，细节越丰富，但数据量也越大。
  • 帧率：通常30fps或60fps。高速场景下，60fps能减少运动模糊。
  • 视场角（FOV）：水平视角一般在30°~120°之间。广角镜头能看到更多，但边缘畸变严重。
  • 动态范围：典型值120dB~140dB。高动态范围（HDR）能同时看清暗处和亮处。

数据格式示例：

// 摄像头原始数据（YUV422格式）
// 每个像素2字节，Y亮度，U/V色度
uint8_t frame[1920 * 1080 * 2];  // 约4MB/帧

// 经过ISP处理后，转为RGB888
uint8_t rgb_frame[1920 * 1080 * 3];  // 约6MB/帧

我在项目中遇到过一个问题：某款摄像头在隧道出口处，因为动态范围不够，导致画面一片白。后来换了HDR摄像头，才解决。嗯，这里要注意：动态范围比分辨率更重要，尤其是在强光/逆光场景。

3.2 雷达数据特征

毫米波雷达（通常77GHz或24GHz）输出的是点云数据。每个点代表一个目标，包含距离、速度、角度信息。

关键参数：

  • 探测距离：长距雷达（LRR）可达250m，短距雷达（SRR）约50m。
  • 距离分辨率：典型值0.1m~0.5m。分辨率越高，越能区分两个靠近的目标。
  • 速度精度：通常±0.1m/s。雷达测速非常准，这是它的核心优势。
  • 角度分辨率：水平约1°~3°，垂直约5°~10°。角度分辨率低，是雷达的短板。

避坑指南：我曾经调试一个AEB系统，发现雷达在弯道处经常丢失目标。后来分析数据才发现，雷达的波束宽度太宽，导致弯道内侧的护栏被误判为车辆。解决办法是增加雷达数量，或者融合摄像头数据。

数据格式示例：

// 雷达目标列表（CAN总线输出）
typedef struct {
    uint16_t id;          // 目标ID
    float distance;       // 距离（m）
    float velocity;       // 相对速度（m/s）
    float angle;          // 水平角度（°）
    float rcs;            // 雷达散射截面（dBsm）
    uint8_t confidence;   // 置信度（0-100%）
} RadarTarget;

// 典型一帧数据包含64个目标
RadarTarget targets[64];

3.3 激光雷达数据特征

激光雷达（LiDAR）输出的是高密度3D点云。每个点包含X、Y、Z坐标和反射强度（Intensity）。

关键参数：

  • 线束：16线、32线、64线、128线。线束越多，垂直分辨率越高。
  • 点频：每秒点数（PPS），常见的有30万点/秒（16线）到240万点/秒（128线）。
  • 探测距离：通常100m~200m（10%反射率）。
  • 精度：±2cm（距离），±0.1°（角度）。
  • 视场角：水平360°，垂直通常30°~40°。

注意：激光雷达在雨、雾、雪天气下性能会大幅下降。我做过一个测试：在大雨中，64线激光雷达的有效探测距离从150m骤降到30m。所以，不要完全依赖激光雷达做远距离感知。

数据格式示例：

// 激光雷达点云数据（PCD格式）
typedef struct {
    float x;            // X坐标（m）
    float y;            // Y坐标（m）
    float z;            // Z坐标（m）
    uint8_t intensity;  // 反射强度（0-255）
    uint16_t ring;      // 线束编号
    double timestamp;   // 时间戳（us）
} LiDARPoint;

// 一帧数据包含约10万~100万个点
LiDARPoint point_cloud[100000];

3.4 三种传感器数据对比

特性 摄像头 毫米波雷达 激光雷达
数据类型 图像（像素矩阵） 稀疏点云（目标列表） 密集点云（3D坐标）
空间分辨率 高（像素级） 低（角度分辨率差） 极高（厘米级）
速度测量 间接（帧间差分） 直接（多普勒效应） 间接（帧间差分）
颜色/纹理 有 无 无（仅有强度）
夜间性能 差（需红外补光） 好 好
恶劣天气 差 较好 差
数据量 大（MB级/帧） 小（KB级/帧） 极大（MB~GB级/帧）
成本 低 中 高

3.5 数据融合的关键点

你想想看，这三种数据格式完全不同，怎么融合？核心在于时间同步和空间对齐。

  • 时间同步：所有传感器必须使用同一时钟源（如PTP协议），确保数据时间戳一致。我见过一个项目，因为摄像头和雷达的时间差50ms，导致融合后的目标位置偏差了1.5米——这在高速上足以引发事故。
  • 空间对齐：将雷达和激光雷达的点云投影到摄像头图像坐标系下。这需要精确的标定参数（旋转矩阵R、平移向量t）。

投影公式（雷达→图像）：

// 雷达点 (X, Y, Z) 投影到图像像素 (u, v)
// 需要：相机内参矩阵K，外参矩阵[R|t]
// 1. 将雷达点转换到相机坐标系
P_cam = R * P_radar + t
// 2. 投影到图像平面
u = fx * (P_cam.x / P_cam.z) + cx
v = fy * (P_cam.y / P_cam.z) + cy

说白了，数据融合就是“取长补短”。摄像头提供语义信息（这是车、那是人），雷达提供精确的速度和距离，激光雷达提供高精度的3D轮廓。三者结合，才能实现可靠的感知。

3.6 知识体系结构图

下面这张图，我画了三种传感器数据在ADAS系统中的流转关系。你可以看到，从原始数据到最终的目标列表，每一步都离不开数据特征的理解。

ADAS感知层数据特征与融合流程 摄像头 图像数据（RGB/YUV） 毫米波雷达 稀疏点云（目标列表） 激光雷达 密集点云（3D坐标） ISP处理/畸变校正 CFAR检测/聚类 点云滤波/降采样 时间同步（PTP/硬件触发） 空间对齐（标定/投影） 融合目标列表（Fusion Object List）

这张图展示了从原始传感器数据到融合目标列表的完整流程。每一步都依赖对数据特征的深刻理解。比如，摄像头数据需要做畸变校正，雷达数据需要做CFAR检测，激光雷达数据需要做降采样——这些预处理步骤，都是基于数据本身的特性来设计的。

我的经验：在实际项目中，我建议先花一周时间，把三种传感器的原始数据录下来，用Python或MATLAB可视化看看。你会发现很多意想不到的问题——比如雷达的虚假目标、激光雷达的噪点、摄像头的过曝区域。只有亲眼看过这些数据，你才能设计出鲁棒的融合算法。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →