第二章 系统架构与传感器：摄像头选型、感知算法基础、传感器融合策略

各位工程师，欢迎来到第二章。这一章我们聊聊LKA系统的“眼睛”和“大脑”。说白了，摄像头就是车的眼睛，感知算法就是大脑皮层，而传感器融合则是让多个感官协同工作的神经中枢。

我个人习惯把这一章称为“地基工程”。地基没打好，后面调得再好也白搭。我在项目里见过太多因为摄像头选型失误，导致整个项目返工的案例。嗯，咱们一步步来。

2.1 摄像头选型：不是像素越高越好

很多人觉得摄像头选型就是看像素。其实不然。你想想看，LKA需要的是在高速上稳定识别车道线，而不是拍高清照片发朋友圈。

我建议重点关注这几个参数：

• 分辨率：通常1280x720就够用。1920x1080当然更好，但数据量翻倍，对芯片算力要求也翻倍。我在一个项目中用过200万像素的摄像头，结果处理器发热严重，最后降级到130万像素反而更稳定。
• 帧率：30fps是底线，60fps更理想。帧率太低，高速时车道线会“跳帧”。我曾经遇到过30fps下，车速120km/h时，相邻两帧之间车辆移动了将近1米，车道线识别直接断掉。
• 动态范围：这个容易被忽略。隧道出入口、逆光场景，动态范围不够的话，画面一片死白或死黑。我建议至少120dB。
• 快门类型：必须用全局快门。卷帘快门在高速行驶时会产生果冻效应，车道线都变形了，还怎么识别？

2.2 感知算法基础：从像素到车道线

摄像头拿到图像后，怎么变成车道线？这个过程我拆成三步来讲。

2.2.1 图像预处理

原始图像不能直接用。先做去噪、色彩校正、对比度增强。特别是夜间场景，噪点很多，不做处理的话算法会疯掉。

我常用的预处理流程：

// 伪代码示例
1. 灰度化：RGB -> Gray
2. 高斯滤波：去除噪点 (kernel size 5x5)
3. 直方图均衡化：增强对比度
4. ROI裁剪：只保留路面区域（去掉天空、车头等无关部分）

2.2.2 车道线检测

这一步是核心。传统方法用边缘检测+霍夫变换，深度学习用语义分割网络。

传统方法：

• Canny边缘检测：提取图像中的边缘
• 霍夫变换：将边缘点映射到参数空间，找到直线
• 后处理：过滤掉角度不对的直线，拟合出车道线

深度学习方法：

• 使用UNet或LaneNet等网络
• 直接输出每个像素属于车道线的概率
• 再通过聚类或曲线拟合得到车道线参数

我个人的建议是：传统方法适合算力有限的嵌入式平台，深度学习适合算力充足的域控制器。我在一个项目中用传统方法跑在TDA2上，帧率能做到50fps，精度也够用。

2.2.3 车道线跟踪与预测

单帧检测不够稳定。需要用卡尔曼滤波或粒子滤波做跟踪。这样即使某一帧检测失败，也能根据历史轨迹预测出车道线位置。

为什么会这样？因为路面上的车道线可能被磨损、被遮挡、或者光照变化导致检测失败。有了跟踪，系统就不会突然“失明”。

2.3 传感器融合策略：1+1 > 2

单靠摄像头不够。雨雾天气、夜间弱光、逆光场景，摄像头都会失效。这时候就需要融合其他传感器。

常见的融合方案：

传感器	优势	劣势	融合方式
摄像头	车道线识别、交通标志识别	受光照影响大	主传感器
毫米波雷达	测距精准、不受天气影响	无法识别车道线	提供横向位置参考
超声波雷达	近距离探测	探测距离短	低速辅助
高精地图	提供先验车道信息	需要实时更新	提供车道线几何模型

我常用的融合策略是“摄像头为主，雷达为辅，地图兜底”。具体来说：

1. 正常工况：摄像头检测车道线，雷达提供前方车辆位置，用于判断是否在车道内。
2. 摄像头失效：比如逆光或隧道出口，切换到雷达+地图融合模式。雷达检测护栏或路沿，地图提供车道线几何信息。
3. 全失效：所有传感器都不可用时，系统发出接管请求，并执行最小风险策略（减速+双闪）。

2.4 实战中的坑与经验

最后分享几个我在项目中踩过的坑：

• 时间同步问题：摄像头和雷达的数据时间戳不一致，融合时会出现“时空错乱”。我建议用硬件同步信号（PPS）来对齐，软件上再用插值补偿。
• 标定问题：摄像头和雷达的外参标定必须精确。哪怕偏差1度，在100米外就会差1.7米。我见过一个项目因为标定板没放平，导致融合结果一直偏左。
• 算力分配：感知算法很吃算力。我建议把80%的算力给主传感器（摄像头），20%给辅助传感器。不要平均分配，否则哪个都做不好。

好了，这一章就到这里。下一章我们聊聊控制算法，那是真正让车辆“听话”的部分。记住，感知是基础，基础不牢，地动山摇。