第一章 环境感知基础：传感器的原理与特性
大家好，我是你们这门课的主讲。今天咱们聊聊自动驾驶的「眼睛」——环境感知。
说实话，我入行那会儿，最头疼的就是传感器选型。激光雷达贵得要死，摄像头又怕天黑，毫米波雷达还总把路牌当障碍物……嗯，这些坑我基本都踩过。今天就把这些经验掰开揉碎了讲给你听。
1.1 摄像头：最像人眼的传感器
摄像头的工作原理，说白了就是「拍照」。光线通过镜头，打到CMOS或CCD感光元件上，转换成电信号。但自动驾驶用的摄像头，跟手机自拍可不一样。
关键参数：
- 分辨率：别迷信像素。200万像素够用，关键是动态范围和低照度性能。
- 帧率：30fps是底线，60fps更稳。我见过有项目用15fps，结果高速上跟车直接丢帧。
- 视场角：鱼眼镜头能到190°，但畸变严重。一般前视用60°-120°。
我在项目中遇到过一个问题：夏天正午，阳光直射，摄像头拍出来的画面一片惨白。后来发现是自动曝光没调好。你想想看，算法再牛，输入是废的，输出能好到哪去？
我的建议：摄像头选型时，一定要做「全光照测试」。从凌晨4点到晚上10点，每个时段拍一段视频，看看有没有过曝或欠曝的情况。
1.2 激光雷达：精度之王，但贵得离谱
激光雷达的原理很简单：发射激光束，打到物体上反射回来，根据时间差算距离。这就是所谓的ToF（飞行时间法）。
但这里有个坑——多路径反射。激光打到玻璃上，一部分反射，一部分穿透，再打到后面的物体上再反射回来。这时候你收到的信号是两束光的叠加，距离就乱了。
| 类型 | 线数 | 探测距离 | 典型应用 |
|---|---|---|---|
| 机械式 | 16/32/64/128 | 100-300m | Robotaxi、物流车 |
| 固态式 | 等效几百线 | 150-250m | 乘用车量产 |
| MEMS | 等效几十线 | 100-200m | 中低端方案 |
我曾经在测试时发现，激光雷达对黑色车辆的检测距离明显缩短。为什么？因为黑色吸光，反射回来的能量太弱了。后来我们加了个「反射率补偿」模块，才算解决。
注意：激光雷达怕雨雪雾。大雨天，雨滴会反射激光，产生大量噪点。这时候就得靠毫米波雷达来补位了。
1.3 毫米波雷达：全天候选手
毫米波雷达用的是电磁波，波长在毫米级别。它不怕雨雪雾，也不怕黑夜。但它的缺点也很明显——分辨率低。
说白了，毫米波雷达能告诉你「前面有东西」，但说不清「那是个啥」。是车？是树？还是路牌？它分不清。
我习惯把毫米波雷达叫做「粗定位传感器」。它擅长测速和多目标跟踪，但别指望它做精细分类。
核心指标：
- 频段：24GHz（老一代）和77GHz（主流）。77GHz的带宽更大，分辨率更高。
- 探测距离：长距雷达能到250m，短距雷达30m左右。
- 角度分辨率：一般在1°-5°之间。4D成像雷达能做到0.5°以下。
1.4 超声波雷达：停车小能手
超声波雷达，就是倒车雷达用的那种。原理跟激光雷达类似，但用的是声波。声波速度慢，所以只能测近距离，一般3-5米。
它的优点是便宜、可靠。缺点是受温度影响大，而且不能用于高速场景。你想想看，车速60km/h，等超声波反射回来，车都跑出去好几米了。
超声波雷达在自动泊车场景里用得最多。我建议你把它当作「最后一道防线」，别指望它做远距离感知。
1.5 多传感器融合：1+1>2
单个传感器都有短板。摄像头怕黑，激光雷达怕雨，毫米波雷达分辨率低。怎么办？融合呗。
多传感器融合，说白了就是「取长补短」。常见的融合方式有两种：
- 前融合：先把原始数据对齐，再一起处理。比如把激光点云投影到图像上，再做检测。精度高，但计算量大。
- 后融合：每个传感器各自处理，最后把结果合并。比如摄像头检测到「车」，雷达检测到「目标」，然后判断是不是同一个。计算量小，但容易漏检。
我个人习惯用前融合做主要方案，后融合做兜底。为什么？因为前融合能利用不同传感器的互补信息。比如激光雷达能测距，摄像头能识别颜色，融合后就能知道「前面那辆红色轿车距离我50米」。
避坑指南：我曾经在融合时忽略了时间戳对齐。结果摄像头看到的是0.1秒前的画面，雷达看到的是当前时刻的数据，融合出来的位置直接偏了2米。嗯，从那以后我再也不敢小看时间同步了。
1.6 高精地图与定位
高精地图，不是普通导航地图。它的精度在厘米级，包含车道线、路沿、交通标志、坡度等详细信息。
定位方面，常用的组合是GPS+IMU+SLAM。
- GPS：精度5-10米，不够用。但加上RTK差分，能到厘米级。不过GPS怕遮挡，隧道里直接失效。
- IMU：惯性测量单元，测加速度和角速度。它不怕遮挡，但会漂移。时间长了，位置就偏了。
- SLAM：同时定位与建图。利用激光雷达或摄像头，实时构建地图并定位。精度高，但计算量大。
这三者怎么配合？我举个例子：
车在隧道里，GPS信号没了。这时候IMU顶上，但IMU会漂移。怎么办？SLAM上场，利用激光雷达扫描隧道墙壁，跟高精地图匹配，修正IMU的漂移。等出了隧道，GPS重新接管，再校准一下整体位置。
一句话总结：GPS给粗位置，IMU给短时推算，SLAM给精细修正。三者缺一不可。
1.7 本章小结
环境感知是自动驾驶的「第一公里」。传感器选不好，后面的规划控制全是白搭。
我建议你记住三点：
- 没有完美的传感器，只有合适的组合。
- 融合的关键是时间同步和空间对齐。
- 定位要冗余，别把鸡蛋放一个篮子里。
下一章，咱们聊聊「行为预测」——怎么让车知道其他交通参与者下一步要干嘛。敬请期待。