第一章：自动驾驶感知系统概述
大家好，我是老张。在自动驾驶这个行当摸爬滚打了快十年，今天咱们来聊聊感知系统。
说实话，每次有新人问我「自动驾驶最难的是什么」，我第一反应都是感知。为什么？因为车要替人做决定，但车没有眼睛和耳朵。它得靠一堆传感器去「看」这个世界。这活儿，比想象中难得多。
1.1 三大核心传感器：各有各的脾气
自动驾驶的感知系统，说白了就是三样东西：摄像头、激光雷达、毫米波雷达。它们仨就像三个性格迥异的队友，各有长处，也各有短板。
摄像头：最像人眼，但也最怕「眼花」
摄像头是我个人最常用的传感器。它便宜、信息量大，能识别车道线、交通标志、行人、红绿灯——这些激光雷达和毫米波雷达都干不了。
但它的局限也很明显。我在项目中遇到过一个大坑：大晴天一切正常，一到傍晚逆光，摄像头直接「瞎」了。还有雨雾天气，能见度一低，识别率断崖式下降。
摄像头的核心问题在于：它只能提供2D信息，没有深度。想算距离？得靠算法去「猜」。这就引出了YOLO这类目标检测模型的价值——我们后面细说。
激光雷达：精度之王，但怕「脏」
激光雷达的精度，我用一个数据说话：它能测出几厘米的距离误差。这对自动驾驶来说太重要了。你想，高速上100km/h，差个10厘米可能就是生与死的区别。
但激光雷达也有自己的脾气。第一，贵。第二，怕脏。我记得有一次测试车跑了一整天，激光雷达的窗口上沾了泥点，点云数据直接少了一大片。第三，它怕雨雪——雨滴会反射激光，产生大量噪点。
而且，激光雷达不认识颜色。它只能告诉你「那里有个物体」，但不知道那是红灯还是绿灯，是停止牌还是限速牌。所以它必须和摄像头配合使用。
毫米波雷达：全天候选手，但分辨率感人
毫米波雷达是我最放心的传感器——它几乎不受天气影响。雨、雪、雾、黑夜，它都能正常工作。而且它能直接测速度（多普勒效应），这对ACC自适应巡航来说简直是神器。
但它的缺点也很致命：分辨率太低。它只能告诉你「前方有障碍物」，但具体是什么？不知道。是车还是人？不知道。是静止的还是运动的？有时候也分不清。
我遇到过最尴尬的情况：毫米波雷达把路边的金属护栏识别成了静止车辆，导致系统误报警。后来我们加了一个「静止目标过滤」逻辑，才解决了这个问题。
1.2 传感器对比：一张表说清楚
| 特性 | 摄像头 | 激光雷达 | 毫米波雷达 |
|---|---|---|---|
| 测距精度 | 低（需算法估算） | 高（厘米级） | 中（米级） |
| 目标识别 | 强（能识别类别） | 弱（只能检测轮廓） | 弱（只能检测金属物体） |
| 天气适应性 | 差（怕雨雾逆光） | 中（怕雨雪） | 强（全天候） |
| 成本 | 低 | 高 | 中 |
| 数据量 | 大（图像流） | 大（点云） | 小（稀疏点） |
你想想看，这三个传感器单独拿出来，都有致命短板。但把它们组合在一起，就能互补。这就是多传感器融合的思路。
1.3 YOLO在感知系统中的定位
好，聊完了传感器，咱们说说YOLO。YOLO在感知系统里到底扮演什么角色？
说白了，YOLO是摄像头数据的「翻译官」。摄像头拍到了图像，但图像本身只是一堆像素点。YOLO的任务就是：告诉我图像里有什么，在什么位置。
我习惯把感知系统分成三层：
- 数据层： 传感器原始数据（图像、点云、雷达点）
- 感知层： 目标检测、语义分割、深度估计（YOLO就在这里）
- 决策层： 路径规划、行为预测、控制执行
YOLO在感知层中，主要负责「视觉目标检测」这个子任务。它不负责测距（那是激光雷达的事），也不负责测速（那是毫米波雷达的事），但它负责「识别」——这是其他传感器做不到的。
举个例子。激光雷达检测到前方有一个障碍物，但不知道是什么。YOLO一看图像：「哦，那是个行人，而且他正在横穿马路。」这个信息一出来，决策层就知道该减速让行了。
1.4 为什么选择YOLO？
你可能要问：目标检测模型那么多，为什么偏偏是YOLO？
原因很简单：快。
自动驾驶对实时性的要求极高。你想想，车速60km/h，每秒跑16.7米。如果检测延迟100毫秒，车就已经跑了1.67米。这在紧急制动场景下，可能就是生与死的距离。
YOLO的「单阶段检测」架构，让它天生就比Faster R-CNN这类两阶段模型快一个数量级。我实测过，YOLOv8在嵌入式设备上能做到30FPS以上，完全满足实时性要求。
当然，YOLO也有它的短板。比如对小目标的检测效果不如两阶段模型。但咱们做工程，讲究的是「够用就好」。在自动驾驶场景中，YOLO的精度已经足够支撑大部分应用。
嗯，这里要注意：YOLO不是万能的。它只处理摄像头数据。一个完整的感知系统，一定是多传感器融合的。YOLO只是其中一块拼图，但它是非常关键的一块。
1.5 本章小结
聊了这么多，总结一下：
- 摄像头、激光雷达、毫米波雷达各有优劣，谁也替代不了谁
- YOLO负责摄像头数据的「目标检测」，是感知层的核心组件
- YOLO的优势在于实时性，适合自动驾驶这种对延迟敏感的场景
- 实际工程中，YOLO的输出需要和其他传感器数据做融合
下一章，咱们会深入YOLO的模型结构，看看它到底是怎么做到「又快又准」的。到时候我会拿我自己训练的一个模型来拆解，保证干货满满。
公众号:蓝海资料掘金营，微信deep3321