2. 感知系统架构：传感器配置方案与冗余设计

好，咱们直接进入正题。感知系统是自动驾驶的「眼睛」，这话一点不夸张。眼睛要是瞎了，车就没法开了。所以传感器怎么配、怎么冗余，是功能安全里最核心的活儿之一。

我个人习惯，先看传感器配置方案，再看冗余怎么搭。这两件事其实是绑在一起的。

2.1 传感器配置方案：四大金刚

目前主流的感知传感器，说白了就四种：摄像头、激光雷达、毫米波雷达、超声波。每种都有自己的脾气。

2.1.1 摄像头

摄像头是感知系统里信息量最大的传感器。它能识别车道线、交通标志、行人、车辆，甚至红绿灯的颜色。但它的短板也很明显——怕暗、怕逆光、怕雨雾。

我在项目中遇到过，一辆车在隧道出口处因为逆光，摄像头直接「失明」了大概两秒钟。嗯，这两秒钟在功能安全里就是灾难。

• 优点：分辨率高、色彩信息丰富、成本低
• 缺点：受光照影响大、深度估计不准（单目）、需要大量算力做视觉算法
• 典型配置：前视、后视、环视、侧视，一般至少6-8个

2.1.2 激光雷达

激光雷达是「硬核」选手。它直接给你点云数据，距离精度能到厘米级。你想想看，在高速上120km/h，差个几厘米可能就是生与死的区别。

但激光雷达也有坑。我记得有一次，测试车在暴雨天跑，激光雷达的探测距离直接从200米掉到了30米。为什么？雨滴反射太强，噪声淹没了有效信号。

• 优点：3D感知、高精度测距、不受光照影响
• 缺点：受天气影响大（雨、雾、雪）、成本高、点云稀疏时目标识别难
• 典型配置：车顶1-2个主激光雷达，或前向+侧向组合

2.1.3 毫米波雷达

毫米波雷达是「老黄牛」。它默默无闻，但几乎全天候工作。雨雪雾天，摄像头和激光雷达都趴窝了，它还能干活。

不过它的分辨率低，没法区分「一个行人」和「一根路灯杆」。我见过一个案例，毫米波雷达把路边的金属广告牌误识别成了静止车辆，导致系统误刹车。

• 优点：全天候、测速准（多普勒效应）、成本适中
• 缺点：角分辨率低、无法识别物体类别、静止目标检测弱
• 典型配置：前向长距1个、角雷达4个

2.1.4 超声波

超声波雷达，说白了就是倒车雷达的升级版。它只负责近场感知，一般3米以内。泊车场景是它的主场。

但要注意，超声波对某些材料不敏感。我曾经遇到过，一个黑色的塑料桩子，超声波愣是没检测到，车直接怼上去了。

• 优点：成本极低、近场精度高、不受电磁干扰
• 缺点：探测距离短、受温度影响大、无法测速
• 典型配置：前后保险杠各4-6个

2.2 传感器冗余设计：别把鸡蛋放一个篮子里

功能安全的核心思想之一就是冗余。你想想看，如果只有一个传感器，它坏了怎么办？所以我们需要「多路感知，交叉验证」。

2.2.1 感知冗余的三种层次

我一般把冗余分成三个层次，这样设计起来比较清晰：

1. 传感器级冗余：同类型传感器互相备份。比如两个前视摄像头，一个坏了另一个顶上。
2. 模态级冗余：不同类型传感器互相备份。比如摄像头失效了，激光雷达和毫米波雷达还能提供目标信息。
3. 算法级冗余：同一个传感器数据，用不同的算法处理。比如视觉目标检测，同时跑YOLO和Transformer，结果做投票。

我个人最看重的是模态级冗余。为什么？因为同类型传感器可能因为同一个原因同时失效。比如两个摄像头同时被太阳直射，那就一起瞎了。

2.2.2 典型的冗余配置方案

这里我给出一个L3级自动驾驶的典型配置，供你参考：

功能域	主传感器	冗余传感器	冗余方式
前向感知	长距摄像头	激光雷达 + 毫米波雷达	模态冗余
侧向感知	侧视摄像头	角雷达	模态冗余
后向感知	后视摄像头	后向毫米波雷达	模态冗余
近场感知	超声波	环视摄像头	模态冗余
定位	GPS+IMU	激光雷达SLAM	算法冗余

2.2.3 避坑指南：我曾经踩过的坑

我曾经在一个项目里，设计了「完美」的冗余方案——摄像头+激光雷达+毫米波雷达三重冗余。结果呢？

有一次测试，车在浓雾中行驶。摄像头失效了，激光雷达也失效了，只剩下毫米波雷达。但毫米波雷达只能检测到前方有「物体」，却不知道是车还是护栏。系统犹豫了一下，没有刹车，差点追尾。

这个教训告诉我：冗余不只是「有」就行，还要保证冗余传感器在失效场景下能提供足够的信息。后来我们加了一条规则：当摄像头和激光雷达同时失效时，毫米波雷达的检测结果直接触发保守策略——减速并靠边停车。

2.3 小结

嗯，这一章内容不少。总结一下：

• 四种传感器各有优劣，没有万能方案
• 冗余设计要分层次，模态冗余最可靠
• 冗余不是堆料，要针对失效场景做设计
• 别忘了共因失效，电源、通信、安装位置都要考虑

下一章我们会聊感知系统的故障诊断与降级策略。说白了就是「传感器坏了怎么办」。到时候我会分享一个我亲手设计的故障诊断状态机，挺实用的。