3、传感器模型与仿真：摄像头仿真模型、毫米波雷达模型、激光雷达点云生成、超声波传感器模拟

传感器仿真，说白了就是给算法喂「假数据」。但你别小看这个「假」字。我在项目里见过太多次，仿真里跑得飞快的算法，一上车就翻车。为什么？因为传感器模型建得不够真。

今天咱们就把四大传感器的仿真模型掰开揉碎了讲。摄像头、毫米波雷达、激光雷达、超声波，一个都跑不掉。

3.1 摄像头仿真模型

摄像头仿真，核心就三个字：光、色、畸。光指光照模型，色指色彩还原，畸指镜头畸变。

我个人习惯用 虚幻引擎（Unreal Engine） 做摄像头仿真。为什么？因为它自带物理渲染，光照效果真实。你想想看，一个摄像头模型如果连逆光、眩光都模拟不出来，那算法在真实场景里肯定抓瞎。

代码示例，用 OpenCV 模拟摄像头畸变：

import cv2
import numpy as np

# 相机内参矩阵
K = np.array([[800, 0, 640],
              [0, 800, 360],
              [0, 0, 1]], dtype=np.float32)

# 畸变系数 (k1, k2, p1, p2, k3)
dist_coeffs = np.array([-0.3, 0.1, 0.001, 0.002, -0.05])

# 生成棋盘格图像
img = np.zeros((720, 1280, 3), dtype=np.uint8)
cv2.drawChessboardCorners(img, (9, 6), ...)

# 应用畸变
undistorted = cv2.undistort(img, K, dist_coeffs)

3.2 毫米波雷达模型

毫米波雷达，说白了就是「看距离和速度」的传感器。它不像摄像头那样能看清颜色，但它不怕雨雾、不怕黑夜。

雷达仿真的核心是 点云生成 和 多普勒效应。我记得有一次，算法在仿真里能检测到静止车辆，但真实场景里却漏检。查了半天，发现是仿真里没模拟 地面杂波。

毫米波雷达模型的关键参数：

参数	典型值	说明
工作频率	77 GHz	主流车载雷达频段
最大探测距离	250 m	长距模式
距离分辨率	0.04 m	取决于带宽
速度分辨率	0.1 m/s	取决于帧周期
水平视场角	±60°	中距模式

仿真时，我一般用 射线追踪 来模拟雷达波束。每个波束发射出去，碰到物体就反射回来。但要注意，多径效应 是个大坑。真实场景里，雷达波会在地面和车辆之间来回反射，产生「鬼影」目标。

3.3 激光雷达点云生成

激光雷达，业界俗称「大号扫地机器人」。它通过发射激光束，测量反射时间，生成三维点云。

点云生成的仿真，我推荐用 CARLA 或 LGSVL 这类开源模拟器。它们内置了激光雷达模型，能模拟不同线束（16线、32线、64线、128线）的点云效果。

但要注意，仿真点云和真实点云有个巨大差异：反射率。真实场景里，黑色车辆反射率低，容易「消失」。仿真里如果不模拟这个，算法就会在真实场景里漏检。

代码示例，用 Python 模拟简单的激光雷达点云：

import numpy as np

class LidarSimulator:
    def __init__(self, num_beams=64, fov_vertical=30, max_range=100):
        self.num_beams = num_beams
        self.fov_vertical = np.deg2rad(fov_vertical)
        self.max_range = max_range
        
    def scan(self, obstacles):
        """模拟一次激光雷达扫描"""
        points = []
        # 生成垂直角度
        angles = np.linspace(-self.fov_vertical/2, 
                            self.fov_vertical/2, 
                            self.num_beams)
        
        for angle in angles:
            # 模拟水平旋转（360度）
            for h_angle in np.linspace(0, 2*np.pi, 360):
                # 射线与障碍物求交
                hit = self._raycast(angle, h_angle, obstacles)
                if hit is not None:
                    points.append(hit)
        
        return np.array(points)
    
    def _raycast(self, v_angle, h_angle, obstacles):
        # 简化实现：检查射线是否与障碍物相交
        # 实际项目中用 KD-Tree 加速
        pass

3.4 超声波传感器模拟

超声波传感器，说白了就是「倒车雷达」。它便宜、可靠，但精度低、探测距离短。

超声波仿真的核心是 声波传播模型 和 回波检测。声波在空气中传播速度约 340 m/s，通过测量发射和接收的时间差来计算距离。

关键参数：

• 工作频率：40 kHz ~ 60 kHz
• 探测距离：0.2 m ~ 5 m
• 波束角：水平 ±30°，垂直 ±30°
• 分辨率：约 1 cm

仿真时，我一般用 圆锥体 来近似超声波波束。波束内如果有物体，就计算最近距离。但要注意，交叉串扰 是个常见问题。多个超声波传感器同时工作时，会互相干扰。

3.5 传感器仿真知识体系

下面这张图，是我自己总结的传感器仿真知识体系。你一看就明白各传感器之间的关系了。

嗯，到这里传感器模型与仿真就讲完了。记住一句话：仿真不是目的，验证才是。模型建得再花哨，如果不能帮你在真实场景里避坑，那就是白搭。