2、传感器物理极限分析：摄像头、毫米波雷达、激光雷达、超声波雷达的物理瓶颈

各位同行，咱们直接切入正题。做ADAS这么多年，我最大的感触就是——没有完美的传感器。每种传感器都有自己的“死穴”。你想想看，如果真有全能传感器，那我们还搞什么融合？

今天我就把四种主流传感器的物理瓶颈掰开揉碎了讲。这些坑，我基本都踩过。

2.1 摄像头：最像人眼，也最像人眼的弱点

摄像头是ADAS的“眼睛”，但它这双眼睛毛病不少。

2.1.1 光照敏感度

说白了，摄像头就是个高级的“光敏电阻”。光线太强——过曝，一片白茫茫。光线太弱——欠曝，黑乎乎啥也看不见。

动态范围是硬伤。举个例子，你开车出隧道那一瞬间，摄像头需要同时看清隧道内的暗区和隧道外的亮区。普通摄像头的动态范围大概在60-70dB，而人眼轻松超过120dB。这就是为什么很多AEB在隧道口会误触发——摄像头“懵了”。

我个人习惯在项目初期就要求供应商提供HDR测试视频，特别是逆光和隧道场景。有一次，某供应商号称HDR性能多牛，结果一测隧道场景，直接“白屏”了3帧。嗯，那款摄像头后来被我们毙掉了。

2.1.2 恶劣天气退化

雨、雾、雪、霾，这些天气对摄像头是致命打击。

为什么会这样？因为摄像头依赖可见光反射成像。雨滴会散射光线，雾霾会降低对比度。我做过实测：在能见度50米的大雾中，摄像头的有效探测距离直接缩水到正常情况下的20%。

2.1.3 视角与分辨率的矛盾

这是个老生常谈的问题。广角镜头视野大，但远处物体像素少；长焦镜头看得远，但视野窄。你想想看，一个100万像素的摄像头，如果视野是120度，那每个角度只有不到1万像素。远处的行人可能就几个像素点，你让算法怎么识别？

我记得有个项目，客户要求同时实现“大角度弯道预警”和“远距离前车检测”。我们最后用了双摄像头方案——一个广角负责近场，一个长焦负责远场。代价是成本翻倍，标定复杂度也上去了。

2.2 毫米波雷达：穿透力强，但“脸盲”

毫米波雷达是ADAS的“耳朵”，它不依赖光线，但它的“听力”也有局限。

2.2.1 角度分辨率低

这是毫米波雷达最大的硬伤。普通3发4收的雷达，角度分辨率大概在10-15度。什么意思？就是它只能告诉你“前方大概10度范围内有个物体”，但具体是行人还是路牌？它分不清。

我做过一个测试：在高速上，一个金属路牌和一辆静止的轿车，毫米波雷达给出的点云几乎一模一样。算法只能靠速度信息来区分——静止物体一律当“路牌”处理。结果呢？静止的故障车也被当成路牌了。这就是漏报的来源。

雷达类型	角度分辨率	典型应用
24GHz（窄带）	15-20°	盲区检测
77GHz（传统）	5-10°	ACC、AEB
77GHz（4D成像）	1-3°	高阶自动驾驶

2.2.2 多径反射与虚警

毫米波雷达的信号会反射。遇到隧道墙壁、大型金属护栏、甚至地面的积水，都会产生多径反射。结果就是——雷达报告“前方有物体”，但实际上那是墙壁的镜像。

我曾经在隧道测试中，毫米波雷达连续报出“前方50米有静止障碍物”，但实际隧道里空无一物。后来分析数据发现，是隧道墙壁的反射波和直射波叠加，形成了“虚像”。这个虚像的位置、速度都符合真实物体的特征，算法很难过滤。

2.2.3 高度信息缺失

传统毫米波雷达只能提供距离、速度、水平角度，没有高度信息。这意味着它分不清“桥上的车”和“路上的车”。

你想想看，如果雷达检测到前方50米有个目标，速度0km/h。它到底是停在路上的故障车？还是高架桥上的车？没有高度信息，算法只能猜。猜对了皆大欢喜，猜错了就是误触发或漏报。

2.3 激光雷达：精度之王，但“怕脏怕雨”

激光雷达是ADAS的“触觉”，精度极高，但娇气得很。

2.3.1 雨雾衰减

激光雷达发射的是近红外光（通常905nm或1550nm）。雨滴、雾滴的尺寸和激光波长相近，会产生强烈的米氏散射。结果就是——激光打出去，回不来。

我实测过某款905nm的激光雷达：在暴雨中，有效探测距离从200米直接掉到30米。而且雨滴还会产生大量“噪点”，点云里密密麻麻全是雨滴反射，真正的障碍物反而被淹没了。

2.3.2 灰尘与遮挡

激光雷达怕灰尘。不是怕灰尘本身，而是怕灰尘反射的“假信号”。

我记得有一次路试，车辆经过一段土路，扬起的灰尘在激光雷达点云中形成了一堵“墙”。算法以为前方有障碍物，直接触发了AEB。车上所有人都被吓了一跳。后来我们加装了灰尘过滤算法，但代价是——真正的障碍物也可能被过滤掉。

2.3.3 视场角与扫描速率

机械式激光雷达视野大（360度），但扫描速率慢（10-20Hz）。固态激光雷达扫描速率快（30-60Hz），但视野窄（90-120度）。

你想想看，如果车辆以120km/h行驶，每秒移动33米。激光雷达如果只有10Hz，那每帧之间车辆移动了3.3米。对于小目标（比如路上的砖头），可能正好落在两帧之间，直接漏掉。

2.4 超声波雷达：近场专家，但“慢半拍”

超声波雷达是ADAS的“皮肤”，只负责近场，但问题也不少。

2.4.1 探测距离短

超声波雷达的有效探测距离通常只有2-5米。超过这个距离，声波衰减严重，信噪比急剧下降。所以它只能用于泊车辅助、盲区检测等近场场景。

2.4.2 速度分辨率低

超声波在空气中的传播速度约340m/s。要测量一个物体的距离，需要发射声波、等待反射、接收回波。这个过程至少需要几十毫秒。对于快速移动的物体（比如行人突然横穿），超声波雷达根本来不及反应。

我做过一个测试：让一个行人以5m/s的速度横穿车头前方。超声波雷达从检测到目标到输出报警，延迟了约200ms。这200ms里，行人已经移动了1米。对于泊车场景，这个延迟可能直接导致碰撞。

2.4.3 串扰与多路径

超声波雷达之间会互相干扰。如果多个雷达同时发射，声波会交叉反射，产生“串扰”。结果就是——A雷达发射的信号，被B雷达接收，然后B雷达报告“前方有物体”。

解决方案是“时分复用”——让每个雷达在不同时间发射。但这又降低了系统的刷新率。你想想看，如果车上有12个超声波雷达，每个雷达轮流发射，那每个雷达的刷新率只有1/12。对于快速变化的场景，这个刷新率远远不够。

2.5 总结：没有银弹

好了，四种传感器的物理瓶颈我都讲完了。你发现没有？每种传感器都有自己的“舒适区”，也都有自己的“死穴”。

摄像头怕黑怕雾，毫米波雷达“脸盲”，激光雷达怕脏怕雨，超声波雷达慢半拍。没有一种传感器能覆盖所有场景。

所以，多传感器融合不是“锦上添花”，而是“不得不做”。但融合也有融合的坑——传感器之间的时间同步、空间对齐、置信度评估，每一个都是难题。这些内容，我们后面的章节会详细讲。

最后说一句：做ADAS，不要迷信任何单一传感器。尊重物理规律，承认传感器的局限性，才能设计出真正可靠的系统。