3. 高精地图采集技术：激光雷达、摄像头、毫米波雷达与多传感器融合
各位同学，咱们今天聊聊高精地图的“眼睛”——采集技术。说白了，地图数据怎么来的？就是靠这些传感器去“看”路。我做了这么多年，发现很多新手容易把采集想得太简单，以为装几个传感器上路跑一圈就完事了。其实，这里面的坑，一个比一个深。
3.1 激光雷达采集：点云世界的“尺子”
激光雷达，我习惯叫它LiDAR。它就像一把高精度的尺子，不停地往外发射激光束，然后测量反射回来的时间。你想想看，一秒钟发射几十万甚至上百万个点，这些点就构成了我们常说的“点云”。
为什么高精地图离不开它？ 因为激光雷达能直接获取三维空间信息。摄像头看到的是一张二维图片，你得靠算法去猜深度。激光雷达不用猜，它直接告诉你：“这里有个路沿，距离我2.35米，高度0.12米。” 这种确定性，对于厘米级的地图来说，太重要了。
核心指标： 线束、测距精度、点频、视场角。
- 线束： 16线、32线、64线、128线。线束越多，垂直方向的分辨率越高，看到的细节越丰富。我个人建议，做城市道路高精地图，至少32线起步，64线是主流。
- 测距精度： 一般要求在±2cm以内。精度不够，地图拼接的时候就会“重影”，路沿变成两条线。
- 点频： 每秒发射的点数。点频越高，单位面积内的点云越密，能看清更小的物体，比如路面上的井盖、小石子。
我在项目中遇到过一个问题：用16线激光雷达采集高速路，结果路面上一个不起眼的减速带，点云里只有稀稀拉拉几个点，根本识别不出来。后来换了64线的，减速带的轮廓清清楚楚。嗯，这里要注意，采集设备的选型，直接决定了地图的下限。
3.2 摄像头采集：视觉世界的“画家”
摄像头，大家最熟悉了。它采集的是RGB图像，能提供颜色、纹理、语义信息。比如，车道线是白色的还是黄色的？交通标志牌上写的是什么字？这些信息，激光雷达是给不了的。
摄像头采集的关键，在于图像质量和帧率。
- 分辨率： 至少200万像素起步，现在主流是800万甚至1200万像素。分辨率太低，远处的交通标志牌拍下来就是一团马赛克，算法根本没法识别。
- 帧率： 一般要求30fps以上。车速快的时候，帧率低了，画面会“跳帧”，导致漏掉关键信息。我记得有一次测试，用15fps的摄像头采集，结果一个限速牌刚好在帧与帧之间一闪而过，后期处理时怎么都找不到那个牌子的数据。
- 动态范围： 这个容易被忽略。隧道出入口、树荫下，光线变化剧烈。动态范围不够，不是过曝就是欠曝，图像一片死白或死黑。我建议，一定要选HDR（高动态范围）摄像头。
避坑指南： 我曾经吃过一个亏，摄像头安装角度没校准好，导致图像边缘畸变严重。后期做车道线提取时，算法把弯道识别成了直道。所以，摄像头的外参标定，一定要做到位，别偷懒。
3.3 毫米波雷达采集：恶劣天气的“守护者”
毫米波雷达，它的波长在毫米级。相比激光雷达，它最大的优势是不怕雨、雾、雪、灰尘。激光雷达在暴雨天基本就废了，但毫米波雷达还能正常工作。
不过，毫米波雷达也有它的短板：点云稀疏，角度分辨率低。它只能告诉你前方大概多少米处有个障碍物，但很难告诉你这个障碍物是路沿还是护栏，更别说形状了。
在高精地图采集里，毫米波雷达通常不单独用来建图，而是作为辅助传感器。比如，在隧道里，GPS信号丢失，激光雷达也可能因为粉尘干扰，这时候毫米波雷达可以提供稳定的距离信息，帮助做里程计推算。
| 传感器 | 优势 | 劣势 | 高精地图中的主要用途 |
|---|---|---|---|
| 激光雷达 | 高精度三维点云，厘米级 | 受天气影响大，成本高 | 道路边界、路沿、杆状物提取 |
| 摄像头 | 颜色、纹理、语义信息丰富 | 受光照影响大，缺乏深度 | 车道线、交通标志、信号灯识别 |
| 毫米波雷达 | 全天候工作，测距稳定 | 点云稀疏，角度分辨率低 | 辅助定位、恶劣环境下的距离测量 |
3.4 多传感器融合采集方案：取长补短的艺术
讲到这里，你应该明白了：没有一种传感器是万能的。所以，真正的实战方案，一定是多传感器融合。
我参与过的项目里，最常用的融合方案是：激光雷达 + 摄像头 + 高精度惯导（IMU+GNSS）。毫米波雷达作为可选配置，在特定场景下加入。
具体怎么融合？说白了，就是让各个传感器“各司其职”，然后通过算法把数据对齐到同一个时空坐标系下。
- 时间同步： 所有传感器必须使用同一个时钟源。激光雷达的一帧点云，必须和摄像头在同一时刻拍摄的图像对应上。否则，车在运动，时间对不上，数据就全乱了。
- 空间同步： 也就是联合标定。把激光雷达坐标系、摄像头坐标系、惯导坐标系，都转换到同一个车体坐标系下。这一步精度不够，后面所有处理都是白搭。
- 数据融合策略：
- 激光雷达负责提取几何结构（路沿、护栏、建筑物轮廓）。
- 摄像头负责提取语义信息（车道线颜色、标志牌内容）。
- 惯导负责提供高精度的位姿信息，把每一帧数据串联起来，形成完整的地图。
警告： 千万别以为融合就是简单的“1+1=2”。我见过太多团队，传感器装了一大堆，结果因为标定没做好，融合后的数据还不如单一传感器。记住，融合的前提是每个传感器都足够可靠，且标定足够精准。否则，就是垃圾进，垃圾出。
举个例子，我们在采集一个复杂立交桥的数据时，桥下GPS信号很差，惯导漂移严重。这时候，我们依靠激光雷达的点云匹配（ICP算法）来做相对定位，同时用摄像头识别桥上的交通指示牌，辅助判断当前所在匝道。三种传感器互相校验，最终才拼出了一张完整、无漂移的高精地图。
嗯，总结一下。采集技术是地图质量的基石。选对传感器，做好标定，设计好融合策略，你才能拿到一份“干净”的原始数据。下一章，我们会聊聊拿到这些原始数据后，怎么进行预处理和清洗。到时候，你会发现，采集只是万里长征的第一步。