第二章：感知仿真基础——传感器模型与仿真环境搭建
各位同学，欢迎来到感知仿真的核心章节。
说实话，做自动驾驶仿真，最绕不开的就是传感器。你想想看，车要靠眼睛（摄像头）、耳朵（激光雷达、毫米波雷达）去感知世界。如果这些“感官”在仿真里就不准，那后面的算法全是白搭。
我个人习惯，在搭建仿真环境前，先把每个传感器的脾气摸透。今天我们就来聊聊摄像头、激光雷达、毫米波雷达、超声波这四位“老兄”。
2.1 摄像头传感器模型
摄像头，说白了就是模仿人眼。它采集的是RGB图像，信息最丰富，但也最怕光线变化。
核心参数：
- 分辨率： 比如1920x1080。分辨率越高，细节越多，但计算量也越大。我在项目中遇到过，为了跑实时性，不得不把分辨率降到1280x720。
- 视场角（FOV）： 水平FOV和垂直FOV。广角镜头能看到更多，但边缘畸变严重。
- 帧率： 30fps是主流。高速场景下，60fps会更稳。
- 动态范围： 这个很关键。进出隧道时，动态范围不够，画面就会一片白或一片黑。
仿真中的摄像头模型：
在dSPACE里，我们通常用针孔相机模型。它会模拟镜头畸变、曝光时间、甚至运动模糊。
// 伪代码示例：摄像头配置
CameraConfig {
resolution: [1920, 1080];
fov: 70; // 度
focal_length: 12; // 毫米
distortion: [k1, k2, p1, p2]; // 畸变系数
frame_rate: 30;
}我的小技巧： 仿真时别把摄像头参数设得太完美。加一点噪声和畸变，算法在实车上才更鲁棒。
2.2 激光雷达传感器模型
激光雷达，我习惯叫它“LiDAR”。它发射激光束，测量反射时间，得到点云数据。精度高，但怕雨雪天气。
核心参数：
- 线束： 16线、32线、64线、128线。线束越多，点云越密，但价格也越贵。
- 测量距离： 比如200米。远距离探测对高速行驶很重要。
- 精度： 厘米级。我记得有一次，仿真里精度设得太高，结果实车雷达根本达不到那个水平，算法直接崩了。
- 视场角： 水平360度，垂直一般30度左右。
仿真中的LiDAR模型：
dSPACE支持旋转式、固态式等多种LiDAR模型。它会模拟光束的反射、衰减，甚至多回波效应。
// 伪代码示例：LiDAR配置
LidarConfig {
channels: 64;
range: 150; // 米
accuracy: 0.02; // 2cm
horizontal_fov: 360;
vertical_fov: 30;
rotation_rate: 10; // Hz
}避坑指南： 我曾经在仿真里忽略了LiDAR的“鬼影”效应（玻璃反射）。结果算法在实车测试时，对着玻璃墙猛打方向盘。嗯，后来我老老实实把多回波模型加上了。
2.3 毫米波雷达传感器模型
毫米波雷达，频率在30-300GHz。它不怕雨雪，能直接测速，但角度分辨率低。
核心参数：
- 频率： 77GHz是主流。
- 探测距离： 长距（200米以上）和短距（50米以内）。
- 速度分辨率： 能区分多快的相对速度变化。
- 角度分辨率： 一般3-5度。说白了，它知道前面有车，但不太确定车在左边还是右边。
仿真中的雷达模型：
dSPACE的雷达模型会模拟多普勒效应、多目标检测、以及杂波干扰。
// 伪代码示例：毫米波雷达配置
RadarConfig {
frequency: 77; // GHz
range: 200; // 米
range_resolution: 0.5; // 米
velocity_resolution: 0.1; // m/s
azimuth_fov: 30; // 度
elevation_fov: 10; // 度
}我的经验： 毫米波雷达在仿真里容易“太干净”。我建议手动加一些随机噪声点，模拟真实环境中的杂波。
2.4 超声波传感器模型
超声波，频率20kHz以上。它成本低，近距离探测很准，但远距离就不行了。主要用于泊车辅助。
核心参数：
- 频率： 40kHz或48kHz。
- 探测距离： 一般0.2米到5米。
- 波束角： 60-120度。波束越宽，覆盖范围越大，但精度越低。
- 分辨率： 厘米级。
仿真中的超声波模型：
dSPACE里，超声波模型主要模拟声波的传播和反射。它很依赖环境材质（比如墙壁、轮胎）。
// 伪代码示例：超声波配置
UltrasonicConfig {
frequency: 40; // kHz
range: 4; // 米
beam_angle: 80; // 度
accuracy: 0.01; // 1cm
}注意： 超声波容易受风噪干扰。我在仿真里试过，车速超过30km/h，超声波基本就废了。所以它只适合低速场景。
2.5 传感器特性参数对比
我把四个传感器的关键参数整理成了一张表，方便大家对比：
| 传感器类型 | 主要用途 | 探测距离 | 精度 | 环境鲁棒性 | 成本 |
|---|---|---|---|---|---|
| 摄像头 | 目标识别、车道线检测 | 中远距（100m+） | 高（像素级） | 差（怕暗、怕逆光） | 低 |
| 激光雷达 | 3D环境建模、障碍物检测 | 中远距（200m+） | 极高（厘米级） | 中（怕雨雪） | 高 |
| 毫米波雷达 | 目标测速、自适应巡航 | 远距（250m+） | 中（角度分辨率低） | 高（不怕雨雪） | 中 |
| 超声波 | 泊车辅助、近距离探测 | 近距（5m以内） | 中（厘米级） | 中（怕风噪） | 极低 |
2.6 仿真环境搭建实战
好了，理论说完了。我们来看看在dSPACE里怎么把这些传感器搭起来。
步骤一：创建场景
打开dSPACE ModelDesk，先画一条路。我建议从简单的直道开始，别一上来就搞复杂路口。
步骤二：添加车辆
在场景里放一辆主车（Ego Vehicle）。然后给它装上传感器。
步骤三：配置传感器
在ConfigurationDesk里，找到Sensor Models。把摄像头、LiDAR、雷达、超声波拖进去。然后按我们刚才讲的参数去配置。
一个典型的传感器配置流程：
// 在dSPACE ConfigurationDesk中
1. 添加 CameraSensor 模块
- 设置分辨率、FOV、帧率
2. 添加 LidarSensor 模块
- 设置线束、距离、精度
3. 添加 RadarSensor 模块
- 设置频率、距离、速度分辨率
4. 添加 UltrasonicSensor 模块
- 设置频率、波束角
5. 连接 Sensor Fusion 模块
- 将所有传感器输出接入融合算法步骤四：运行仿真
点运行。你会看到摄像头画面、LiDAR点云、雷达目标列表。嗯，这里要注意，第一次跑的时候，检查一下传感器的时间戳是否对齐。我遇到过，摄像头和LiDAR时间戳差了50ms，融合结果直接乱套。
我的建议： 仿真环境搭建好后，先跑一个简单的场景（比如直道跟车）。看看传感器数据是否合理。别急着上复杂场景，先把基础打牢。
好了，这一章的内容就到这里。传感器模型是感知仿真的地基。地基不稳，楼盖得再高也白搭。下一章，我们会聊传感器融合，到时候这些传感器的数据就要开始“合作”了。
公众号:蓝海资料掘金营，微信deep3321