1. ADAS系统概述：从定义到传感器
大家好，我是这次课程的主讲人。咱们直接进入正题，聊聊ADAS。说实话，我做了这么多年汽车嵌入式，ADAS这个词听得耳朵都起茧子了。但每次跟新入行的朋友聊，发现大家对它的理解还真不太一样。所以，第一节课，咱们先把地基打牢。
1.1 ADAS到底是什么？
ADAS，全称是Advanced Driver Assistance Systems，高级驾驶辅助系统。说白了，就是帮驾驶员开车的一套电子系统。它不是要把人完全取代，而是在你分神、疲劳或者遇到危险时，拉你一把。
我个人习惯把ADAS理解成“驾驶员的第三只眼和第三只手”。它通过传感器感知周围环境，然后通过控制器做出决策，最后执行器去操作车辆。比如，你开车时前面突然急刹车，你还没反应过来，车自己就刹停了——这就是ADAS在干活。
嗯，这里要注意一点：ADAS和自动驾驶是两个概念。ADAS是辅助，人还是主责；自动驾驶是替代，车负全责。这个界限在工程落地时特别重要，我后面会反复提到。
1.2 ADAS功能分级：从L0到L5
说到分级，大家肯定听过L0到L5。这是SAE（国际自动机工程师学会）定的标准。我当年刚入行时，这些分级还只是个概念，现在已经是行业通用语言了。
| 等级 | 名称 | 核心特征 | 典型功能 |
|---|---|---|---|
| L0 | 无自动化 | 驾驶员全程操控 | 定速巡航（仅维持速度） |
| L1 | 驾驶辅助 | 横向或纵向单一控制 | ACC（自适应巡航）、LKA（车道保持） |
| L2 | 部分自动化 | 横向+纵向同时控制 | TJA（交通拥堵辅助）、APA（自动泊车） |
| L3 | 有条件自动化 | 系统负责，人需接管 | 高速公路领航（HWP） |
| L4 | 高度自动化 | 特定场景下完全自主 | Robotaxi、无人配送车 |
| L5 | 完全自动化 | 全场景、全工况 | 真正的无人驾驶 |
你想想看，L0到L2，驾驶员始终是责任主体。到了L3，责任开始转移给系统——但人还得随时准备接管。我在项目中遇到过最头疼的就是L3的接管逻辑：系统提示接管，驾驶员却在刷手机，3秒没反应，怎么办？这背后涉及大量的功能安全和HMI设计。
关键点：目前量产车绝大多数停留在L2+级别。L3以上受限于法规、技术和成本，落地案例很少。我个人判断，未来3-5年，L2+会是主流，L4会在限定区域（如园区、高速）逐步铺开。
1.3 ADAS传感器：车的“眼睛”
传感器是ADAS的感知层。没有它们，系统就是瞎子。常见的三大类：摄像头、雷达、激光雷达。我一个个说。
1.3.1 摄像头
摄像头最像人眼。它能识别颜色、纹理、文字——比如交通标志、车道线、行人。但缺点也很明显：怕暗、怕强光、怕雨雾。
我记得有一次做夜间测试，摄像头把路边的垃圾桶识别成了行人，一脚急刹把测试员吓得不轻。后来我们加了红外补光和算法过滤，才把误报率降下来。
- 单目摄像头：成本低，但测距精度差，需要算法估算深度。
- 双目/三目摄像头：通过视差测距，精度更高，但标定复杂。
- 环视摄像头：4-6个鱼眼镜头拼接成全景影像，用于泊车和低速场景。
避坑指南：我曾经在项目里吃过摄像头的亏——镜头脏污检测没做好，雨天泥水糊住镜头，系统直接报错退出。后来我们强制要求所有摄像头模组必须带脏污检测算法，并在AUTOSAR的SWC里做了故障处理逻辑。
1.3.2 雷达
雷达分毫米波雷达和超声波雷达。毫米波雷达是ADAS的主力，超声波雷达主要用于泊车。
毫米波雷达的工作原理是发射电磁波，接收回波，通过多普勒效应测速和测距。它的优势是全天候——雨雾天照样工作。但缺点也很明显：分辨率低，分不清旁边是卡车还是护栏。
我建议大家在选型时注意几个参数：
- 探测距离：长距雷达（200m+）用于ACC/AEB，中距（100m）用于BSD，短距（30m）用于泊车。
- 视场角：角度越大，覆盖范围越广，但角分辨率会下降。
- 角分辨率：决定了能不能区分两个靠近的目标。4D毫米波雷达在这方面进步很大。
1.3.3 激光雷达
激光雷达（LiDAR）是最近几年的明星。它通过发射激光束，测量反射时间，生成高精度的3D点云。说白了，就是给车装了个“3D扫描仪”。
它的优点是精度极高，能识别出物体的轮廓、距离、甚至运动状态。但缺点也很致命：贵、怕雨雾、体积大。
嗯，这里要提一句：激光雷达的成本已经从几万美元降到了几千人民币，但离大规模量产还有距离。我在做L4项目时，车上装了3颗激光雷达，光传感器成本就占了整车的一半——老板看了预算表直摇头。
注意：激光雷达的点云数据量巨大，对ECU的算力和通信带宽要求极高。如果你用AUTOSAR做架构设计，一定要提前规划好CAN FD或以太网的带宽，以及SWC的数据处理能力。我曾经见过一个项目，激光雷达数据直接把CAN总线撑爆了，导致其他ECU收不到控制指令——这属于严重的架构设计失误。
1.4 传感器融合：1+1>2
单个传感器都有短板。摄像头怕暗，雷达分辨率低，激光雷达怕雨。所以，实际ADAS系统都是多传感器融合。
我个人的经验是：融合策略决定了系统上限。最简单的融合是“投票制”——三个传感器里两个说前面有障碍物，那就认为有。高级一点的是“卡尔曼滤波”或“贝叶斯推理”，把不同传感器的置信度加权融合。
举个例子：摄像头识别到前方有个白色物体，雷达测出距离50米，激光雷达点云显示是个圆柱体。融合后，系统判断：这是一个交通锥。然后AEB功能决定不触发——因为交通锥不需要急刹。但如果只有摄像头，它可能误判成行人，一脚急刹反而危险。
你看，融合不是简单的数据叠加，而是逻辑推理。这也是为什么ADAS系统的核心算法工程师那么值钱。
1.5 小结
这一章我们讲了ADAS的定义、分级和传感器。说白了，ADAS就是帮人开车，分级决定了谁负责，传感器决定了车能“看”多远。
下一章，我会深入AUTOSAR在ADAS中的具体应用。到时候咱们聊聊怎么用AUTOSAR的架构把传感器数据从硬件层一路送到应用层。嗯，那才是真正考验架构师功底的地方。