第2章系统架构与传感器

2. 系统架构与传感器：典型LKA系统架构、摄像头与图像采集、毫米波雷达与超声波雷达、传感器融合基础

好，我们进入第二章。这一章，我想聊聊LKA系统的“骨架”和“眼睛”。说白了，就是系统怎么搭起来的，以及它靠什么感知世界。

我个人习惯，在讲任何功能之前，先画一张架构图。你想想看，没有架构，后面的代码和算法就像没头苍蝇。LKA系统，本质上是一个典型的“感知-决策-控制”闭环。我见过不少团队，一上来就调控制参数，结果发现摄像头标定没做好，全是白费功夫。

一个量产级的LKA系统，通常包含这几个模块：

嗯，这里要注意，架构不是一成不变的。我记得在2018年做的一个项目里，我们用的是分布式架构——摄像头一个盒子，雷达一个盒子，最后通过CAN总线把数据汇总到中央控制器。那时候的算力有限，每个盒子都有自己的MCU。

现在主流是域集中式架构。一个域控制器，同时处理摄像头和雷达的数据。这样做的好处是延迟低，融合效果好。我建议你画架构图时，一定要标出数据流的方向和通信协议（比如CAN FD、以太网）。

核心要点： LKA的架构设计，决定了系统的实时性和鲁棒性。感知层的延迟如果超过100ms，控制层的响应就会明显滞后，车辆会“画龙”。

摄像头是LKA的“主心骨”。为什么？因为车道线是视觉特征，雷达可看不见白线。

我常用的摄像头是前视单目摄像头，分辨率一般在1920x1080以上，帧率30fps。这里有个坑——我曾经遇到过，在隧道出入口，由于光线剧烈变化，摄像头瞬间过曝或欠曝，导致车道线丢失。后来我们加了HDR（高动态范围）功能，才解决这个问题。

图像采集的流程大致如下：

我个人习惯，在仿真测试时，会特别关注ISP的参数。比如曝光时间、增益。你想想看，如果仿真里的摄像头模型没有模拟出真实传感器的噪声特性，那算法在仿真里跑得再好，上车也是白搭。

避坑指南： 我曾经因为忽略了摄像头安装角度，导致车道线检测的俯仰角偏差。仿真时一切正常，实车测试时车道线总是偏左。后来发现是摄像头支架的公差没控制好。所以，仿真时一定要加入安装误差模型。

摄像头虽然能看清车道线，但它在雨雾天气、强光直射下会“瞎”。这时候，雷达就派上用场了。

毫米波雷达，通常工作在77GHz或24GHz频段。它能直接测量目标的距离、速度和角度。LKA系统里，毫米波雷达主要用于检测前方车辆和障碍物，为车道保持提供“安全边界”。

举个例子：如果摄像头检测到车道线，但毫米波雷达发现左前方有一辆慢车，那LKA系统就不能盲目地保持车道中央，而是需要稍微偏离一点，或者减速。

超声波雷达，主要用于近距离探测，比如泊车辅助。在LKA里，它用得不多，但在一些变道辅助功能中，它会用来检测盲区。我个人的经验是，超声波雷达的探测范围短（一般3-5米），而且容易受天气和表面材质影响。仿真时，它的模型相对简单，但要注意模拟多路径反射效应。

传感器类型	主要用途	优点	缺点
摄像头	车道线检测、交通标志识别	信息丰富、成本低	受光照、天气影响大
毫米波雷达	目标检测、测距测速	全天候、测距准	角度分辨率低、无法识别车道线
超声波雷达	近距离障碍物检测	成本极低、近距离精度高	探测距离短、易受干扰

注意： 毫米波雷达的“多目标”能力在仿真中容易被简化。我曾经在测试中发现，仿真里雷达能完美区分两个并排目标，但实车雷达却把它们合并成了一个。这是因为仿真没有模拟出雷达的旁瓣效应和点云稀疏性。所以，仿真时一定要用高保真的雷达模型。

好了，摄像头和雷达都讲完了。那怎么把它们的数据合在一起呢？这就是传感器融合。

说白了，传感器融合就是“取长补短”。摄像头知道“这是什么”（车道线、车辆类型），雷达知道“它在哪里”（距离、速度）。融合的目标是输出一个更稳定、更准确的环境模型。

我常用的融合方法有两种：

我个人更倾向于紧耦合，尤其是在LKA这种对实时性要求高的场景。为什么？因为紧耦合能利用雷达的深度信息，直接修正摄像头的测距误差。我做过一个对比实验：在隧道场景下，松耦合的测距误差在15%左右，而紧耦合可以降到5%以内。

嗯，这里还要提一下时间同步。摄像头和雷达的数据帧率不同（摄像头30fps，雷达20fps），而且各自的处理延迟也不同。如果不做时间同步，融合出来的目标位置可能是“过去”的位置。我建议在仿真中，一定要加入时间戳对齐模块，模拟真实的时间延迟。

核心要点： 传感器融合不是简单的“1+1=2”。它需要解决空间对齐（坐标变换）、时间对齐、目标关联（匈牙利算法、卡尔曼滤波）等一系列问题。在仿真测试中，这些环节往往是bug的高发区。

最后，我想说一句。系统架构和传感器选型，决定了LKA功能的天花板。你算法再牛，如果传感器数据质量不行，或者架构延迟太大，最终效果也不会好。所以，我建议你在做仿真测试时，一定要从系统层面去思考，而不是只盯着算法模块。