第2章:ADAS传感器技术详解
各位工程师朋友,咱们今天来聊聊ADAS的“眼睛”和“耳朵”。传感器融合测试,说白了就是让这些传感器协同工作。我做了这么多年HIL测试,发现很多问题都出在对单个传感器特性的理解不够深。你想想看,连单个传感器的脾气都没摸透,怎么指望它们融合得好?
2.1 摄像头:视觉感知的核心
摄像头是ADAS里信息量最大的传感器。它像人的眼睛,但比人眼更“死板”——它看到的只是一堆像素点。
2.1.1 单目摄像头
单目摄像头只有一个镜头。它怎么测距?靠的是几何关系。说白了,就是利用小孔成像原理,通过已知的物体尺寸和它在图像中的像素大小,反推出距离。
工作原理:
- 采集图像 → 识别目标(如车辆、行人)
- 在图像中框出目标,得到像素高度
- 结合已知的实际高度(比如轿车1.5米),用相似三角形算距离
关键公式: 距离 = (实际高度 × 焦距) / 像素高度
我遇到过一个问题:一辆改装过的SUV,车顶加了行李架。单目摄像头按标准轿车高度算,结果距离误差大了30%。嗯,这里要注意——单目对未知高度的物体,测距天生不准。
我的经验: 单目摄像头适合做车道线检测、交通标志识别。测距嘛,只能当辅助参考。HIL测试时,我习惯给单目注入不同高度的目标,看看算法会不会“犯傻”。
2.1.2 双目摄像头
双目摄像头模仿人的双眼。两个镜头同时拍,利用视差来测距。这比单目靠谱多了。
工作原理:
- 左右两个镜头同步采集图像
- 找到同一目标在左右图像中的位置差(视差)
- 视差越大,目标越近;视差越小,目标越远
我曾经调试过一个双目系统,发现左右图像亮度不一致,导致匹配失败。后来加了自动增益控制才解决。你想想看,两个“眼睛”看到的亮度都不一样,大脑怎么判断距离?
避坑指南: 双目摄像头的基线(两个镜头之间的距离)决定了测距范围。基线越长,测距越远,但近距离盲区也越大。我建议HIL测试时,一定要覆盖不同基线的配置。
2.1.3 环视摄像头
环视摄像头一般装4-6个,分布在车头、车尾、两侧后视镜。它们负责360°全景影像,主要用于泊车和低速场景。
特点:
- 视角广(通常>180°),但畸变大
- 分辨率低(一般100万像素左右)
- 测距精度差,主要用于视觉辅助
我做过一个环视拼接的项目。四个摄像头拍出来的图像要拼成一张鸟瞰图,畸变校正和亮度一致性是两大难点。有一次,车尾摄像头被泥巴糊住了,拼接出来的图像直接“断片”。
2.2 毫米波雷达:全天候的测距高手
毫米波雷达是ADAS的“老将”。它不怕雨雾,不怕黑夜,测距测速都很准。
工作原理:
- 发射毫米波(24GHz、77GHz或79GHz)
- 遇到目标反射回来
- 通过发射波和反射波的频率差(FMCW)计算距离和速度
核心公式: 距离 = (光速 × 时间差) / 2
速度测量: 利用多普勒效应,频率差正比于相对速度
我个人习惯把毫米波雷达分成三类:
| 类型 | 频率 | 探测距离 | 典型应用 |
|---|---|---|---|
| 短距雷达 | 24GHz | 0-30米 | 盲区监测、泊车辅助 |
| 中距雷达 | 77GHz | 0-150米 | 自适应巡航、自动紧急制动 |
| 长距雷达 | 77GHz | 0-250米 | 高速公路辅助、前向碰撞预警 |
我遇到过一个问题:77GHz雷达在雨天,地面有水膜时,会出现“多径反射”。雷达波打到地面再弹到目标,测出来的距离比实际远。嗯,HIL测试时一定要模拟这种场景。
我的建议: 毫米波雷达的角分辨率有限(一般3°-5°)。两个并排的目标,如果角度差小于分辨率,雷达会当成一个目标。融合时,需要用摄像头来“补位”。
2.3 激光雷达:高精度的3D“扫描仪”
激光雷达(LiDAR)是最近几年的“新贵”。它用激光束扫描周围环境,生成高精度的3D点云。
工作原理:
- 发射激光脉冲(905nm或1550nm)
- 测量激光往返时间(ToF)
- 结合扫描角度,计算出每个点的三维坐标
关键参数: 线束(16线、32线、64线、128线)、视场角(水平360°,垂直30°-40°)、测距精度(±2cm)
我做过一个激光雷达和摄像头融合的项目。激光雷达能精确测距,但无法识别颜色和纹理。摄像头能识别物体类型,但测距不准。两者一结合,效果立竿见影。
不过,激光雷达也有短板:
- 雨雾天气性能下降(激光会被水滴散射)
- 成本高(虽然现在降了不少)
- 点云数据量大,处理需要算力
避坑指南: 我曾经遇到一个案例:激光雷达装在车顶,但车辆经过颠簸路面时,雷达的安装支架发生微小形变,导致点云整体偏移了0.5°。在100米外,这个偏移就是近1米的误差。HIL测试时,一定要考虑安装误差和振动的影响。
2.4 超声波雷达:近距离的“贴身保镖”
超声波雷达是ADAS里最“老”的传感器。它原理简单,成本低,主要用于泊车辅助。
工作原理:
- 发射超声波(40kHz左右)
- 遇到障碍物反射回来
- 通过声波往返时间计算距离
超声波雷达的探测范围很有限:
- 有效距离:0.2米 - 5米
- 波束角:30°-60°(锥形)
- 精度:±1cm(近距离)
我遇到过一个问题:超声波雷达对某些材料“视而不见”。比如,吸音棉、雪堆、软质织物。有一次,一个泡沫桩子立在车后,超声波雷达愣是没检测到。嗯,HIL测试时,一定要用不同材质的障碍物来验证。
我的经验: 超声波雷达容易受风噪干扰。车速超过30km/h时,风噪会淹没超声波信号。所以,它只适合低速场景。融合时,高速场景要“屏蔽”超声波数据。
2.5 传感器特性对比
最后,我整理了一张对比表。你想想看,每种传感器都有自己的“脾气”,融合测试就是让它们取长补短。
| 特性 | 摄像头 | 毫米波雷达 | 激光雷达 | 超声波雷达 |
|---|---|---|---|---|
| 测距精度 | 差(单目) | 中(±0.5m) | 高(±2cm) | 高(±1cm) |
| 测速精度 | 差 | 高(±0.1m/s) | 中 | 无 |
| 目标识别 | 强(分类) | 弱(金属) | 中(形状) | 无 |
| 全天候能力 | 差(雨雾) | 强 | 中 | 中 |
| 探测距离 | 50-200m | 0-250m | 0-200m | 0-5m |
| 成本 | 低 | 中 | 高 | 低 |
好了,这一章就到这里。下一章,咱们聊聊传感器融合的架构设计。说白了,就是怎么把这些“眼睛”和“耳朵”的数据,变成车辆能理解的“语言”。
课后思考: 如果你在做HIL测试,发现毫米波雷达和摄像头对同一个目标的距离输出不一致,你会怎么处理?是相信雷达,还是相信摄像头?或者,有没有更好的融合策略?