第三章 传感器基础：自动驾驶的“感官世界”
大家好，我是你们的老朋友。今天我们来聊聊自动驾驶的“眼睛”和“耳朵”——传感器。
说实话，传感器选型这件事，我当年刚入行时踩过不少坑。有一次项目Demo，激光雷达在雨夜直接“罢工”，搞得我们团队通宵排查。后来才明白，不是传感器不行，是没选对场景。
这一章，我会把摄像头、激光雷达、毫米波雷达、超声波雷达、IMU/GNSS这五类传感器，掰开揉碎了讲清楚。你想想看，一辆车要安全行驶，得先“看清”世界，对吧？
3.1 摄像头：最像人眼的传感器
摄像头是自动驾驶中最直观的传感器。它采集图像，然后通过算法识别车道线、行人、交通标志。
3.1.1 单目摄像头
单目摄像头就是一只眼睛。它成本低，但缺少深度信息。
工作原理： 通过图像中的物体大小、位置变化，估算距离。说白了，就是“猜”距离。
核心公式： 距离 = (实际高度 × 焦距) / 像素高度
我的经验： 单目在高速场景还行，但城市道路中，行人突然横穿时，测距误差能到30%。我建议，单目只做辅助，别依赖它做紧急制动。
3.1.2 双目摄像头
双目摄像头像人的两只眼睛。它通过视差计算深度，精度比单目高一个量级。
关键参数： 基线距离（两个镜头中心距离）。基线越长，测距越远，但体积也越大。
避坑指南： 我曾经在项目中用过一款双目，基线只有5cm，结果10米外的物体深度误差超过50%。后来换了基线12cm的型号，效果立竿见影。
3.1.3 鱼眼摄像头
鱼眼摄像头视角超大，通常超过180度。它主要用于环视、泊车场景。
缺点： 畸变严重。边缘图像扭曲得像哈哈镜。需要算法做畸变校正。
// 畸变校正伪代码
for each pixel (u, v) in output_image:
// 映射到归一化坐标
(x, y) = undistort(u, v, camera_matrix, distortion_coeffs)
// 插值采样
output_image[u][v] = input_image(x, y)
嗯，这里要注意：校正后的图像边缘分辨率会下降，所以鱼眼更适合近距离感知。
3.2 激光雷达：点云世界的“尺子”
激光雷达用激光束测量距离。它精度高，但成本也高。我参与的第一个L4项目，光激光雷达就花了20万。
3.2.1 机械式激光雷达
机械式激光雷达通过旋转电机，让激光束扫描周围环境。典型代表：Velodyne HDL-64E。
优点： 360度视场角，点云密度高。
缺点： 有机械旋转部件，寿命短，震动敏感。
注意： 机械式激光雷达在颠簸路面，点云会出现“抖动”。我曾经在测试车上发现，过减速带时，点云会丢失30%的物体。解决方案是加装减震支架。
3.2.2 固态激光雷达
固态激光雷达没有旋转部件。它用光学相控阵（OPA）或微振镜（MEMS）实现扫描。
优点： 体积小、寿命长、成本低。
缺点： 视场角通常只有120度左右，需要多颗拼接。
3.2.3 Flash激光雷达
Flash激光雷达像相机一样，一次发射覆盖整个视场。它没有扫描过程，速度极快。
适用场景： 近距离、高速移动的物体检测。比如，行人突然从车头窜出。
我的看法： Flash激光雷达目前分辨率还偏低，适合做安全冗余，不适合做主感知。
3.3 毫米波雷达：全天候的“老黄牛”
毫米波雷达用电磁波测距测速。它不怕雨雪雾，是自动驾驶的“全天候选手”。
工作频段： 24GHz、77GHz、79GHz。77GHz是目前主流，精度更高。
| 频段 | 最大测距 | 测距精度 | 主要应用 |
|---|---|---|---|
| 24GHz | 50米 | ±0.5米 | 盲区检测 |
| 77GHz | 200米 | ±0.1米 | 自适应巡航 |
| 79GHz | 100米 | ±0.05米 | 高精度测距 |
避坑指南： 我曾经遇到过毫米波雷达对静止物体检测不稳定的问题。原因是雷达的多普勒效应只能检测运动物体。解决方案是结合摄像头做融合。
3.4 超声波雷达：泊车的好帮手
超声波雷达用声波测距。它成本极低，但测距短（通常3-5米）。
应用场景： 自动泊车、盲区检测。
缺点： 受温度、湿度影响大。夏天和冬天的测距误差能差10%。
小技巧： 超声波雷达的安装角度很重要。我建议倾斜5-10度，避免地面反射造成误报。
3.5 IMU/GNSS：定位的“双保险”
IMU（惯性测量单元）和GNSS（全球导航卫星系统）是定位的核心。
3.5.1 IMU
IMU测量加速度和角速度。它不依赖外部信号，但存在漂移。
关键参数： 零偏稳定性。好的IMU零偏小于0.1°/h，差的可能到10°/h。
// IMU数据融合（简化版）
position += velocity * dt + 0.5 * acceleration * dt^2
velocity += acceleration * dt
orientation += angular_velocity * dt
我的经验： 纯IMU定位，10秒后误差能到几米。必须结合GNSS做修正。
3.5.2 GNSS
GNSS包括GPS、北斗、GLONASS。它提供绝对位置，但容易受遮挡。
精度等级：
- 普通GNSS：3-5米
- RTK差分GNSS：2-5厘米
- PPP精密单点定位：10-30厘米
注意： 城市峡谷、隧道中，GNSS信号会丢失。这时候必须靠IMU“撑”过去。我建议使用IMU+GNSS紧耦合方案，定位更鲁棒。
3.6 传感器融合：1+1>2
单一传感器都有短板。摄像头怕暗，激光雷达怕雨，毫米波雷达怕静止物体。所以，必须做融合。
常见融合策略：
- 前融合： 在原始数据层融合。比如，把点云和图像对齐，再一起做检测。精度高，但计算量大。
- 后融合： 每个传感器独立检测，再把结果融合。简单，但可能丢失信息。
- 特征融合： 提取特征后再融合。折中方案，我比较常用。
举个例子，我在一个项目中，用激光雷达检测障碍物，用摄像头识别类型，用毫米波雷达测速。三个结果通过卡尔曼滤波融合，最终输出一个稳定的目标列表。
核心原则： 传感器融合不是简单平均，而是取长补短。摄像头提供语义，激光雷达提供几何，毫米波雷达提供速度。三者缺一不可。
好了，这一章就到这里。传感器是自动驾驶的基石，选对、用好、融合好，才能让车“看得清、看得准、看得远”。下一章，我们会聊聊如何把这些传感器数据变成车辆能理解的“地图”。
公众号:蓝海资料掘金营，微信deep3321