3. 传感器概论：自动驾驶核心传感器原理与特性

各位同学，欢迎来到传感器概论这一章。

做高精地图和传感器融合，说白了，你得先了解你的“眼睛”和“耳朵”是怎么工作的。我见过不少新人，一上来就调算法，结果传感器本身的特性都没摸透，最后定位飘了、地图建歪了，还找不到原因。

今天我们就来聊聊自动驾驶的四大核心传感器：GPS/IMU、激光雷达、相机、毫米波雷达。我会结合我这些年踩过的坑，把它们的原理和特性讲透。

3.1 GPS/IMU：定位的“骨架”

先说GPS和IMU。这俩是绝配，一个管绝对位置，一个管相对姿态。

3.1.1 GPS（全球定位系统）

GPS的原理其实不复杂。卫星发信号，你的接收机算时间差，然后解算出位置。但这里有个坑——多路径效应。

我记得有一次在城区做测试，车在高架桥下走，GPS定位突然跳了十几米。查了半天，原来是信号在桥墩和地面之间来回反射，导致测距不准。嗯，这就是多路径效应。

GPS的精度大概是这样：

模式	精度	典型场景
单点定位	2-5米	普通导航
DGPS（差分）	0.5-1米	农业、测量
RTK（实时动态）	2-5厘米	高精地图采集
PPP（精密单点）	10-30厘米	远洋、偏远地区

3.1.2 IMU（惯性测量单元）

IMU由加速度计和陀螺仪组成。它不依赖外部信号，所以没有多路径问题。但它有个致命弱点——漂移。

你想想看，加速度计测的是比力，你要积分一次得到速度，再积分一次得到位置。每次积分都会累积误差。陀螺仪也是，角速度积分得到角度，时间一长就偏了。

我曾经做过一个实验：把IMU放在桌上静止不动，10分钟后，它“认为”自己已经移动了100米。这就是漂移的威力。

所以，GPS和IMU必须融合。GPS提供长期稳定的绝对位置，IMU提供短期高精度的相对运动。这就是卡尔曼滤波的经典应用场景。

3.2 激光雷达：三维世界的“画笔”

激光雷达，LiDAR，是我个人最喜欢的传感器。它直接输出三维点云，精度高、范围远。

3.2.1 工作原理

激光雷达发射激光束，打到物体上反射回来，通过飞行时间（ToF）计算距离。同时，通过扫描机构（旋转镜、MEMS、固态等）获取角度信息，从而得到三维坐标。

这里有个关键点：激光雷达测的是“点”，不是“面”。所以，点云密度决定了你能看到多细的细节。

3.2.2 分类与特性

• 机械旋转式： 经典方案，360度视场角。Velodyne、禾赛都有。缺点是贵、有旋转部件、寿命有限。
• MEMS微振镜式： 成本低、体积小。但视场角有限，需要多颗拼接。
• 固态式（Flash/OPA）： 没有运动部件，可靠性高。但探测距离和分辨率目前还有限。

我个人的经验是：做高精地图采集，首选机械旋转式。因为你需要360度无死角的数据。做量产车，MEMS或固态更合适。

3.3 相机：最像人眼的传感器

相机，说白了就是拍照片。但自动驾驶用的相机，和手机相机不太一样。

3.3.1 相机类型

• 单目相机： 成本低，但无法直接测距。需要靠目标大小、运动估计等间接方法。
• 双目相机： 通过视差计算深度。但基线长度限制了有效测距范围。
• 鱼眼相机： 视场角大（180度以上），但边缘畸变严重。

3.3.2 相机 vs 激光雷达

很多人问我：相机和激光雷达哪个好？我的回答是：它们不是竞争关系，是互补关系。

相机有纹理信息，能识别车道线、交通标志、行人。激光雷达有精确的距离信息，能构建三维结构。你想想看，如果只用相机，你怎么知道前面那个“人”是真人还是广告牌？如果只用激光雷达，你怎么知道那个“圆柱体”是路灯还是行人？

3.4 毫米波雷达：全天候的“耳朵”

毫米波雷达，频率在30-300GHz。它不像激光雷达那样精细，但它有独特的优势——全天候。

3.4.1 工作原理

毫米波雷达发射电磁波，通过多普勒效应测量目标的速度，通过FMCW（调频连续波）测量距离和角度。

这里有个有趣的点：毫米波雷达对金属物体特别敏感。所以，它很适合检测车辆。但对行人，尤其是穿棉衣的行人，反射信号很弱，容易漏检。

3.4.2 优缺点

优点	缺点
不受光照影响（白天黑夜一样）	角分辨率低（通常几度）
穿透雨雾雪能力强	无法识别物体类别（是车还是铁皮？）
直接测速（多普勒效应）	多径反射导致虚假目标
成本低（几百元）	近距离盲区（通常0.5米内）

我记得有一次在高速上测试，毫米波雷达突然报了一个“静止目标”，导致车辆急刹车。后来排查发现，是路边的金属护栏反射了对面车道车辆的信号，形成了一个虚假目标。这就是多径反射的典型问题。

3.5 传感器融合：1+1>2

好了，四种传感器都讲完了。你可能会问：到底用哪种？

我的答案是：全都要。

GPS/IMU提供全局定位骨架，激光雷达提供高精度三维结构，相机提供丰富的语义信息，毫米波雷达提供全天候的测速和探测。它们各自有短板，但组合起来，就能覆盖绝大多数场景。

最后，我想说一句：传感器是自动驾驶的基石。算法再牛，如果传感器数据本身有问题，那也是白搭。所以，花时间理解传感器的原理和特性，绝对值得。

下一章，我们会深入讲解传感器标定——如何让这些传感器“对齐”到同一个坐标系下。这是融合的第一步，也是最容易出错的一步。到时候我会分享一些我当年踩过的坑，保证让你少走弯路。