第1章：ADAS系统架构——感知层、决策层、执行层架构解析
各位同学，咱们今天聊聊ADAS系统架构。说实话，这个架构我研究了快十年，每次看都觉得有意思。它不像普通嵌入式系统那么简单，它是一个典型的「感知-决策-执行」闭环。我习惯把这个架构比作一个人开车：眼睛看路（感知），大脑判断（决策），手脚操作（执行）。
1.1 感知层：系统的「眼睛」
感知层说白了就是让车「看见」周围环境。我在项目中遇到过最头疼的问题，就是感知数据打架——摄像头说前面有车，毫米波雷达却说没有。嗯，这里要重点讲。
感知层主要包含这些传感器：
- 摄像头：最像人眼，能识别车道线、交通标志、行人。但怕雨雾、怕逆光。
- 毫米波雷达：测距测速很准，全天候工作。但分辨率低，分不清是卡车还是护栏。
- 激光雷达：点云数据，3D建模能力强。但成本高，雨雪天性能下降。
- 超声波雷达：近距离泊车专用，便宜但探测距离短。
关键点：没有一种传感器是完美的。我见过太多团队试图只用摄像头搞定一切，结果在隧道出口或者暴雨天直接「瞎」了。所以，传感器融合不是可选项，是必选项。
1.2 决策层：系统的「大脑」
决策层负责把感知数据变成驾驶指令。我个人习惯把决策层分成三个子模块：
- 环境模型构建：把传感器数据融合成统一的「世界模型」。比如，摄像头看到一辆车，雷达测出距离80米，激光雷达确认它正在左转——这些信息要合并成一个对象。
- 行为决策：根据当前场景决定「下一步做什么」。是跟车？变道？还是紧急制动？
- 路径规划：把行为决策变成具体的轨迹。比如「变道」这个行为，要规划出平滑的S型曲线，还要确保不撞到旁边的车。
我的经验：决策层最容易出问题的地方是「场景覆盖不全」。我曾经遇到过系统在高速上正常行驶，突然前方出现一个掉落的轮胎——决策层直接懵了，既不敢压过去，又来不及变道。所以，决策算法一定要有「未知场景兜底」机制。
1.3 执行层：系统的「手脚」
执行层负责把决策指令变成物理动作。说白了就是：方向盘、刹车、油门怎么动。
执行层的关键挑战是「延迟」和「精度」：
- 转向系统：EPS（电动助力转向）要响应快，角度控制要准。我见过一个项目，决策层要求转5度，结果执行层转了7度，车直接跑偏了。
- 制动系统：ESP/ABS介入要平滑。紧急制动时不能一脚踩死，否则乘客会飞出去。
- 动力系统：加速和减速的平顺性。特别是跟车场景，油门忽大忽小，乘客会晕车。
注意：执行层是安全关键系统。任何执行器的故障都必须有冗余备份。我曾经在测试时遇到过刹车线控失效，幸好有机械备份，不然就出大事了。
传感器融合策略
传感器融合，说白了就是「取长补短」。我建议采用分层融合策略：
| 融合层级 | 方法 | 优点 | 缺点 |
|---|---|---|---|
| 数据级融合 | 直接融合原始传感器数据 | 信息损失最小 | 计算量大，带宽要求高 |
| 特征级融合 | 提取特征后再融合 | 计算量适中 | 特征提取可能丢失信息 |
| 决策级融合 | 各传感器独立决策，再投票 | 容错性好 | 可能错过弱信号 |
我个人习惯用特征级融合为主，决策级融合做兜底。举个例子：摄像头和雷达都检测到前方有障碍物，但摄像头说「可能是行人」，雷达说「是金属物体」。特征级融合会把这两个信息合并，得出「行人携带金属物品」的结论。如果特征级融合失败，决策级融合会投票决定「按最坏情况处理」。
避坑指南：我曾经在融合时犯过一个低级错误——没有做时间同步。摄像头数据是100ms前的，雷达数据是50ms前的，融合出来的结果根本对不上。所以，时间戳对齐是融合的第一步，也是最重要的一步。
域控制器与中央计算平台
说到域控制器，我得先吐槽一下。早期ADAS系统都是「分布式」的——每个传感器配一个ECU，各干各的。结果呢？线束多得像蜘蛛网，软件升级要一个个刷，数据共享更是噩梦。
后来行业转向了「域集中」架构：
- 智能驾驶域控制器：负责感知、决策、规划。一般用高算力SoC，比如英伟达Orin、高通Snapdragon Ride。
- 车身域控制器：负责车窗、灯光、门锁等。
- 动力域控制器：负责发动机、电机、电池管理。
再往后，就是「中央计算平台」了。一个超级计算机，接管所有域的功能。你想想看，这就像从「每个部门一台服务器」变成「整个公司一个数据中心」。好处是算力共享、软件统一升级、数据全打通。坏处是——单点故障风险大，对芯片可靠性要求极高。
我的建议：如果你在选型域控制器，别只看算力。我见过一个项目选了200TOPS的芯片，结果散热搞不定，跑10分钟就降频。还要看：内存带宽、AI加速器效率、功能安全等级（ASIL-D）、以及生态支持。
嗯，这一章的内容差不多就这些。下一章我们会深入聊聊「传感器选型与标定」，到时候我会分享一些实际踩过的坑。记住一句话：ADAS架构没有银弹，只有权衡。
公众号:蓝海资料掘金营，微信deep3321