第3章：传感器特性与选型：摄像头、激光雷达、毫米波雷达、超声波雷达、IMU/GNSS的特性对比与选型依据
各位同学，今天我们来聊聊传感器选型。说实话，这是整个融合系统里最让我头疼，也最有意思的一环。我见过太多项目，算法写得漂漂亮亮，结果传感器选错了，最后整个系统就是跑不起来。嗯，咱们今天就把这事儿掰扯清楚。
3.1 五大传感器的核心特性
先给各位一个总览。这五种传感器，说白了就是五种不同的「感知器官」。它们各有各的脾气，各有各的短板。我个人习惯把它们分成两类：主动感知和被动感知。
- 摄像头：被动感知，靠环境光成像。它能告诉你「这是什么」，但测距是短板。
- 激光雷达：主动感知，发射激光束。它能告诉你「距离多少」，但分辨颜色？别想了。
- 毫米波雷达：主动感知，发射毫米波。它能穿透雨雾，但点云稀疏得像秃头。
- 超声波雷达：主动感知，发射声波。近距离无敌，远距离？嗯，你懂的。
- IMU/GNSS：这俩是「定位担当」。IMU管短时姿态，GNSS管绝对位置。
核心观点：没有完美的传感器，只有合适的组合。你想想看，如果有一种传感器能搞定所有场景，那其他传感器早就被淘汰了。
3.2 摄像头：视觉的王者与短板
摄像头是我个人最常用的传感器。为什么？因为它信息量最大。一个200万像素的摄像头，每秒能输出30帧图像，每帧图像里可能有几百个目标。激光雷达呢？同样时间可能只有几千个点。
但摄像头有个致命问题——它怕黑。我在项目中遇到过，某次夜间测试，摄像头几乎成了瞎子。后来我们加了红外补光，才算勉强能用。
选型要点：
- 分辨率：不是越高越好。1080P够用，4K对算力要求太高。我建议根据检测距离来选——远距离用高分辨率，近距离用低分辨率。
- 帧率：30fps是底线。如果做高速场景，建议60fps以上。
- 动态范围：这个很关键。进出隧道时，光线变化剧烈。动态范围不够，画面直接过曝或欠曝。
- 快门类型：全局快门优于卷帘快门。卷帘快门在高速运动时会产生「果冻效应」，我吃过这个亏。
避坑指南：我曾经选过一款号称「星光级」的摄像头，结果在无路灯的乡村道路上，画面全是噪点。后来发现，所谓的「星光级」只是灵敏度高，但信噪比没跟上。记住，灵敏度高不等于画质好。
3.3 激光雷达：精度与成本的博弈
激光雷达，说白了就是「用光来测距」。它发射一束激光，打到物体上反射回来，根据时间差算出距离。精度可以做到厘米级，甚至毫米级。
但激光雷达有个大问题——贵。我记得2018年，一个64线激光雷达要几十万。现在虽然降下来了，但依然不便宜。而且，激光雷达在雨雪天气下性能会下降，因为水滴和雪花会反射激光。
选型要点：
- 线数：16线够用吗？说实话，做L2级辅助驾驶勉强够，做L4级自动驾驶至少需要64线。线数越多，点云越密，但数据量也越大。
- 探测距离：150米是底线。高速场景下，你需要提前200米感知到障碍物。
- 视场角：水平视场角越大越好，垂直视场角根据安装位置定。我习惯用360°水平视场角的激光雷达，但成本高。
- 波长：905nm和1550nm。1550nm对人眼更安全，但成本更高。905nm是主流。
注意：激光雷达的「点云密度」不等于「有效点云」。有些激光雷达标称几十万点每秒，但实际有效点可能只有一半。为什么？因为很多点打在了地面上，或者被遮挡了。选型时一定要看实测数据。
3.4 毫米波雷达：全天候的可靠伙伴
毫米波雷达是我最喜欢的传感器之一。为什么？因为它稳定。雨雪雾天，摄像头和激光雷达都歇菜了，毫米波雷达依然能正常工作。它发射的是毫米波，波长比激光长，穿透能力强。
但毫米波雷达也有短板——点云稀疏。一个77GHz的毫米波雷达，可能只能输出几十个点。而且，它对金属物体敏感，对行人等非金属物体反射弱。
选型要点：
- 频率：24GHz和77GHz。77GHz是主流，精度更高，体积更小。24GHz逐渐被淘汰。
- 探测距离：长距雷达（200米以上）用于前向感知，中短距雷达（50-100米）用于侧向和后方。
- 角度分辨率：这个很关键。角度分辨率越高，越能区分两个相邻的目标。我建议至少1°。
- 多目标跟踪能力：有些雷达只能跟踪32个目标，有些能跟踪128个。选型时看你的场景需求。
个人经验：我做过一个项目，用毫米波雷达检测静止车辆。结果发现，雷达对静止目标的检测能力很差。为什么？因为雷达的多普勒效应只能检测运动目标。后来我们加了「静止目标检测」算法，才算解决。选型时一定要问清楚：雷达是否支持静止目标检测。
3.5 超声波雷达：近距离的守护者
超声波雷达，说白了就是「倒车雷达」。它发射声波，根据回波时间测距。精度一般，但成本极低。一个超声波雷达可能只要几十块钱。
但超声波雷达的探测距离很短，一般只有3-5米。而且，它对软性物体（比如行人）的反射很弱。我见过一个案例，超声波雷达没检测到穿羽绒服的行人，结果发生了剐蹭。
选型要点：
- 探测距离：0.2米到5米。太近会进入盲区，太远精度下降。
- 波束角：60°到120°。波束角越大，覆盖范围越广，但容易产生串扰。
- 抗干扰能力：多个超声波雷达同时工作时，可能会互相干扰。选型时看是否有「编码」功能。
注意：超声波雷达在高速行驶时基本没用。为什么？因为车速太快，声波还没回来，车已经跑远了。它只适合低速场景，比如泊车、近距离避障。
3.6 IMU/GNSS：定位的基石
IMU和GNSS，这俩是「定位双雄」。GNSS告诉你「我在哪里」，IMU告诉你「我动了多少」。GNSS的精度受环境影响，比如高楼遮挡、隧道内无信号。IMU呢？它没有累积误差，但会漂移。
我习惯把IMU和GNSS组合使用。GNSS提供绝对位置，IMU提供短时姿态和位置增量。两者融合，才能得到稳定的定位结果。
选型要点：
- IMU：关注陀螺仪和加速度计的精度。陀螺仪零偏稳定性要小于1°/h，加速度计零偏稳定性要小于0.1mg。
- GNSS：关注定位精度和更新频率。RTK（实时动态差分）可以做到厘米级精度，但需要基站支持。
- 组合导航：看是否支持松耦合或紧耦合。紧耦合精度更高，但算法更复杂。
避坑指南：我曾经选过一款低成本的IMU，结果在长时间行驶后，定位误差达到了几十米。后来发现，IMU的温漂太严重了。选型时一定要看「温度稳定性」这个参数，别只看常温下的性能。
3.7 传感器选型对比表
好了，说了这么多，咱们来张表总结一下。这张表是我自己整理的，各位可以直接拿去用。
| 传感器类型 | 优势 | 劣势 | 典型应用场景 | 成本 |
|---|---|---|---|---|
| 摄像头 | 信息丰富，能识别目标类型 | 怕黑，怕强光，测距不准 | 车道线检测、交通标志识别、行人检测 | 低 |
| 激光雷达 | 精度高，点云密度大 | 成本高，怕雨雪 | 障碍物检测、SLAM、高精地图构建 | 高 |
| 毫米波雷达 | 全天候，测距远 | 点云稀疏，对行人反射弱 | 自适应巡航、碰撞预警、盲区检测 | 中 |
| 超声波雷达 | 成本低，近距离精度高 | 探测距离短，怕软性物体 | 泊车辅助、近距离避障 | 极低 |
| IMU/GNSS | 提供绝对位置和姿态 | GNSS怕遮挡，IMU会漂移 | 定位、导航、姿态估计 | 中 |
3.8 选型依据：从场景出发
选型这事儿，没有标准答案。我个人的习惯是：先看场景，再看预算，最后看性能。
场景一：L2级辅助驾驶
- 前向：1个摄像头 + 1个毫米波雷达
- 侧向：2个毫米波雷达（可选）
- 后方：2个超声波雷达（泊车用）
- 定位：低成本IMU + GNSS
场景二：L4级自动驾驶出租车
- 前向：1个高分辨率摄像头 + 1个64线激光雷达 + 1个长距毫米波雷达
- 侧向：2个16线激光雷达 + 2个中距毫米波雷达
- 后方：1个16线激光雷达 + 2个超声波雷达
- 定位：高精度IMU + RTK-GNSS
场景三：低速物流车
- 前向：1个16线激光雷达 + 1个摄像头
- 侧向：4个超声波雷达
- 定位：低成本IMU + GNSS
核心原则：传感器不是越多越好。你想想看，传感器多了，数据量大了，算力需求也大了。而且，传感器之间的「打架」问题也会更严重。我建议「够用就好」，留出20%的冗余量。
3.9 避坑指南：我踩过的那些坑
最后，分享几个我亲身踩过的坑，各位引以为戒。
- 坑一：传感器安装位置。我曾经把激光雷达装在车顶正中间，结果发现车顶的弧度导致激光雷达的视场角被遮挡了20%。后来改成了「蘑菇头」安装，才算解决。
- 坑二：传感器时间同步。摄像头和激光雷达的时间戳不一致，导致融合时出现「鬼影」。后来我们加了硬件同步信号，才算搞定。
- 坑三：传感器标定。外参标定不准，融合结果就是错的。我建议每3个月重新标定一次，或者每次拆装后必须标定。
- 坑四：传感器散热。激光雷达和摄像头在工作时都会发热。散热不好，性能会下降。我见过一个案例，激光雷达因为过热，点云密度下降了30%。
好了，这一章的内容就到这里。传感器选型是门学问，也是门艺术。各位在实际项目中，多试、多测、多总结，慢慢就会有自己的心得。下一章，我们来聊聊传感器标定的那些事儿。