第一章：自动驾驶系统概述

各位同学好，我是你们这门课的主讲。在自动驾驶这个行当摸爬滚打了十几年，踩过的坑不少，积累的经验也还算丰富。今天咱们开篇，先聊聊整个系统的骨架——系统架构、核心传感器、还有那个“大脑”计算平台。

说实话，很多人一上来就盯着算法看，觉得传感器和硬件是“体力活”。我个人习惯是反过来的——先把硬件架构吃透，再谈软件。为什么？你想想看，传感器数据都采不准，算法再牛也是白搭。我在项目中遇到过好几次，就是因为激光雷达的安装角度偏了一点点，导致感知模块在高速上把护栏识别成了可通行区域……嗯，那事儿后来成了我们内部的反面教材。

1.1 系统架构：从感知到执行

自动驾驶系统说白了，就是一个“感知-决策-执行”的闭环。我习惯把它拆成三层：

• 感知层：负责“看”和“听”。激光雷达、摄像头、毫米波雷达、超声波，这些传感器把物理世界变成数字信号。
• 决策层：负责“想”。计算平台和域控制器跑着各种算法，规划路径、预测障碍物轨迹、做出驾驶决策。
• 执行层：负责“动”。线控底盘、转向、制动、油门，把决策指令变成车辆的实际动作。

这里有个容易忽略的点——时间同步。我曾经排查过一个故障，车辆在路口突然急刹，查了三天才发现是摄像头和激光雷达的时间戳差了50毫秒。50毫秒，在高速上就是1.5米的距离偏差。所以，架构设计时一定要把时钟同步机制考虑进去。

1.2 核心传感器：各司其职

传感器是自动驾驶的“眼睛”。但每只眼睛看到的“颜色”不一样。我给大家梳理一下：

激光雷达（LiDAR）

激光雷达发射激光束，测量反射时间，生成点云数据。它的优势是三维空间感知精度极高，能直接给出物体的距离和轮廓。缺点嘛，怕雨雪雾，而且成本高。

我记得有一次在雨夜测试，激光雷达的点云几乎被雨滴噪声淹没。后来我们加了一套滤波算法，才勉强能用。所以，别迷信激光雷达的“上帝视角”，它也有自己的软肋。

摄像头

摄像头提供的是纹理和颜色信息。车道线、交通标志、红绿灯，这些都得靠摄像头。但它是被动传感器，依赖环境光照。夜间、逆光、隧道出入口，都是摄像头容易“瞎”的地方。

我建议做系统设计时，摄像头一定要和毫米波雷达做前融合。单纯靠摄像头做目标检测，误检率会让你崩溃。

毫米波雷达

毫米波雷达发射电磁波，擅长测速和测距。它的优势是全天候工作，雨雪雾天照样干活。但分辨率低，没法区分行人还是自行车。

这里有个避坑指南：我曾经遇到过毫米波雷达对静止目标的检测能力很差。在高速上，前方静止的故障车，毫米波雷达可能直接忽略掉。所以，不要完全依赖毫米波雷达做静止目标检测。

超声波雷达

超声波雷达主要用于近距离探测，比如自动泊车、盲区监测。探测距离一般不超过5米，精度还行，但容易受天气和表面材质影响。

嗯，超声波雷达的安装位置很关键。装得太低，容易溅上泥水；装得太高，又探测不到低矮障碍物。我见过一个案例，超声波雷达被泥巴糊住，自动泊车直接撞上了路沿。

传感器类型	主要用途	优势	劣势
激光雷达	三维环境建模、障碍物检测	高精度、直接测距	成本高、受天气影响
摄像头	车道线、交通标志、目标识别	纹理信息丰富	依赖光照、易受干扰
毫米波雷达	测速、测距、目标跟踪	全天候、抗干扰	分辨率低、静止目标弱
超声波雷达	近距离探测、泊车辅助	成本低、技术成熟	探测距离短、易受污染

1.3 计算平台与域控制器

传感器采集的数据，最终要送到“大脑”里处理。这个大脑就是计算平台和域控制器。

早期的自动驾驶，用的是工控机+GPU的方案。功耗大、体积大、散热难。现在主流是域控制器架构，把感知、决策、控制等功能划分到不同的域里，每个域有自己的控制器。

我个人比较推崇中央计算平台+区域控制器的架构。中央计算平台负责高算力需求的任务（比如多传感器融合、路径规划），区域控制器负责执行层的实时控制（比如转向、制动）。这样既保证了算力集中，又保证了实时性。

另外，域控制器的功能安全等级很重要。ISO 26262标准里，ASIL-D是最高等级。转向、制动这些关键功能，必须达到ASIL-D。我建议在设计阶段就引入功能安全分析，别等到测试时才发现问题。

好了，第一章的内容就到这里。核心就是：传感器是基础，架构是骨架，计算平台是大脑。下一章咱们会深入聊激光雷达的故障诊断，到时候我会分享一些实际排查案例。

记住，做自动驾驶诊断，别光盯着代码。硬件上的一个小问题，可能让你排查好几天。保持耐心，多动手，多记录。咱们下章见。