第二章 传感器基础与数据特性：摄像头、激光雷达、毫米波雷达、超声波雷达
各位同学，欢迎来到第二讲。这一章我们聊聊传感器的“底子”。
做多传感器融合，你得先了解每个传感器的脾气。就像带团队，你得知道每个队员擅长什么、短板在哪。我这些年踩过的坑，十有八九都是因为对传感器特性理解不够深。咱们一个一个来。
2.1 摄像头：最像人眼，也最像人眼一样“骗人”
摄像头的工作原理，说白了就是光电转换。光线透过镜头，打在CMOS或CCD感光元件上，把光信号转成电信号，再经过ISP（图像信号处理器）处理，最终输出一张数字图像。
优点：
- 信息量极大。一张1080p的图像，两百万像素，每个像素有RGB三个通道。车道线、交通标志、行人、红绿灯，全在里头。
- 成本低。一个工业级摄像头几百块，消费级的更便宜。
- 语义理解能力强。能识别“这是红灯”、“那是停止线”。
缺点：
- 极度依赖光照。晚上、逆光、隧道出入口，效果直线下降。我记得有一次测试，傍晚六点，夕阳直射镜头，整个画面白茫茫一片，算法直接罢工。
- 没有深度信息。单目摄像头就是一张2D图片，你得靠算法去“猜”距离。
- 受天气影响大。雨、雪、雾天，能见度低，摄像头基本废了一半。
输出数据格式：
最常见的就是图像帧。格式嘛，YUV、RGB、BGR都有。我习惯用BGR，因为OpenCV默认就是这个顺序。分辨率从VGA到8K不等，帧率通常30fps或60fps。
避坑指南： 我曾经在一个项目中，摄像头用了自动曝光。结果车从树荫下开到阳光下，画面亮度突变，目标检测框疯狂抖动。后来我改成固定曝光+增益控制，问题才解决。记住，自动驾驶场景下，手动控制参数往往比自动更可靠。
2.2 激光雷达：精度之王，但贵得离谱
激光雷达（LiDAR）的工作原理，就是发射激光束，打到物体上反射回来，通过测量飞行时间（ToF）来计算距离。每个激光点都包含(x, y, z)坐标和反射强度信息。
优点：
- 精度极高。毫米级测距精度，不受光照影响。晚上和白天一样干活。
- 直接输出3D点云。不需要像摄像头那样去“算”深度。
- 抗干扰能力强。雨雾天气虽然也有衰减，但比摄像头强多了。
缺点：
- 贵。机械式64线激光雷达，一台十几万。固态的便宜些，但视场角受限。
- 点云稀疏。跟图像比，信息量差了几个数量级。64线激光雷达，一帧也就几十万个点。
- 无法识别颜色和纹理。它只知道“那里有个东西”，但不知道是“红色的消防栓”还是“蓝色的垃圾桶”。
输出数据格式：
点云数据。常见格式有PCD、PLY、LAS，或者直接用二进制流。每个点通常包含x, y, z, intensity四个字段。有些还带ring（线束编号）和timestamp（时间戳）。
我的经验： 处理点云时，别忘了做“去畸变”处理。车辆在运动过程中，激光雷达的每一帧其实是在不同位置采集的。不做运动补偿，点云会“拖尾”。我一般用IMU数据做插值矫正。
2.3 毫米波雷达：全天候战士，但分辨率感人
毫米波雷达发射的是毫米波段的电磁波（通常24GHz、77GHz或79GHz）。通过多普勒效应测量目标的速度，通过FMCW（调频连续波）技术测量距离和角度。
优点：
- 全天候。雨、雪、雾、烟、尘，基本不影响。这是它最大的王牌。
- 直接测速。多普勒效应直接给出径向速度，不需要像摄像头那样做帧间跟踪。
- 探测距离远。长距雷达能到200米以上。
缺点：
- 角度分辨率低。普通毫米波雷达，角度分辨率也就几度。两个目标靠太近，它分不清是一个还是两个。
- 没有高度信息。它只能告诉你“前方有障碍物”，但不知道是“地面上的井盖”还是“头顶的限高杆”。
- 虚警多。路边的金属护栏、井盖、甚至易拉罐，都可能被当成目标。
输出数据格式：
CAN信号。毫米波雷达通常通过CAN总线输出目标列表。每个目标包含：距离、速度、角度、RCS（雷达散射截面积）、ID等字段。嗯，这里要注意，不同厂家的CAN协议不一样，解析的时候一定要看Datasheet。
警告： 我曾经遇到过一个问题：毫米波雷达在隧道里，因为多径反射，报了一个“前方有静止障碍物”的假目标，导致车辆急刹车。后来我加了“目标可信度”阈值和“历史轨迹一致性”检查，才把这类虚警压下去。
2.4 超声波雷达：近场小能手，远场就抓瞎
超声波雷达发射40kHz左右的声波，通过回波时间测距。原理跟激光雷达类似，但用的是声波而不是光波。
优点：
- 成本极低。一个超声波探头几块钱。
- 近距离精度高。几十厘米到几米范围内，测距很准。
- 不受光学干扰。透明玻璃、镜面反射，对它来说都不是事。
缺点：
- 探测距离短。一般也就3-5米，最远不超过10米。
- 响应慢。声速340m/s，来回一趟需要时间。而且有“余振”现象，不能连续测量。
- 受温度影响大。声速随温度变化，需要做温度补偿。
- 无法区分目标类型。它只知道“有东西”，不知道是“墙”还是“人”。
输出数据格式：
也是CAN信号。通常输出每个探头的测距值，单位毫米或厘米。有些高级的超声波雷达还会输出回波强度、回波宽度等信息。
总结一下： 四种传感器，各有各的脾气。摄像头负责“看”，激光雷达负责“量”，毫米波雷达负责“全天候”，超声波雷达负责“近场”。做融合，就是要把它们的长处结合起来，短板互相补上。你想想看，如果只用摄像头，晚上怎么办？只用激光雷达，红灯怎么识别？所以，多传感器融合不是选择题，而是必答题。
2.5 传感器对比一览表
| 传感器类型 | 工作原理 | 核心优势 | 核心劣势 | 输出数据格式 |
|---|---|---|---|---|
| 摄像头 | 光电转换 | 语义信息丰富、成本低 | 依赖光照、无深度 | 图像（YUV/RGB/BGR） |
| 激光雷达 | 激光ToF测距 | 精度高、3D点云、不受光照 | 成本高、点云稀疏、无颜色 | 点云（PCD/PLY/二进制） |
| 毫米波雷达 | FMCW+多普勒 | 全天候、直接测速、距离远 | 角度分辨率低、无高度、虚警多 | CAN信号（目标列表） |
| 超声波雷达 | 声波ToF测距 | 成本极低、近场精度高 | 距离短、响应慢、受温度影响 | CAN信号（测距值） |
好了，这一章就到这里。下一章我们开始讲传感器标定——说白了，就是让这些传感器“对齐”坐标系。不标定好，融合就是空中楼阁。咱们下节课见。