第1章：传感器原理与特性——自动驾驶的“感官世界”
各位同学，大家好。我是你们这门课的主讲人。今天咱们正式开篇，聊聊自动驾驶的“眼睛”和“耳朵”——传感器。
说实话，我入行那会儿，自动驾驶还是个挺科幻的词。那时候做项目，最头疼的就是传感器选型。你想想看，一辆车要在路上跑，得看清路况、判断距离、感知周围环境。这靠什么？就靠这些传感器。它们各有各的脾气，各有各的擅长。搞不懂它们，后面的故障诊断和冗余设计根本无从谈起。
好，咱们一个一个来看。
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”。它通过镜头把光线聚焦到图像传感器上，把光信号转成电信号，再变成数字图像。这个大家应该都熟悉。
关键特性：
- 分辨率：像素越高，看得越清楚。但别迷信高像素，处理速度会变慢。
- 帧率：每秒能拍多少张。帧率低了，高速运动的目标会“跳帧”。
- 动态范围：能同时看清亮处和暗处的能力。隧道出入口就是考验这个。
- 视场角：能看多宽。广角镜头看得宽，但边缘畸变严重。
我个人习惯：在项目中，摄像头最怕的是“逆光”和“黑夜”。我曾经遇到过一个案例，车辆在傍晚时分，太阳刚好在正前方，摄像头直接“瞎”了，什么也识别不出来。后来我们加了HDR（高动态范围）算法，才勉强搞定。
避坑指南：我曾经以为摄像头分辨率越高越好，结果上了车才发现，处理1080p的图像，芯片算力根本扛不住。后来我们折中用了720p，配合图像压缩，效果反而更好。记住，系统整体性能才是王道。
2. 激光雷达：用激光“扫描”世界
激光雷达，简称LiDAR。它发射激光束，打到物体上反射回来，通过测量时间差来计算距离。这玩意儿精度极高，能直接生成3D点云数据。
关键特性：
- 线数：16线、32线、64线、128线。线数越多，点云越密，看得越细。
- 测距范围：能测多远。一般200米以内。
- 精度：厘米级。这是它的核心优势。
- 视场角：水平360度，垂直一般30度左右。
你想想看，激光雷达和摄像头最大的区别是什么？摄像头是被动接收光线，激光雷达是主动发射激光。所以它不怕黑夜，不怕逆光。但怕什么？怕雨雪雾。激光在雨滴里会散射，点云会变得很稀疏。
注意：激光雷达的成本曾经是天价。我记得2016年，一个64线激光雷达要70多万人民币。现在国产化之后，价格已经降到了几千块。但即便如此，它依然是自动驾驶系统里最贵的传感器之一。
3. 毫米波雷达：全天候的“老黄牛”
毫米波雷达，工作频率在30-300GHz之间。它发射毫米波，通过多普勒效应测量目标的距离和速度。这玩意儿最大的优点就是——全天候。雨、雪、雾、烟，它基本不受影响。
关键特性：
- 工作频率：常见的有24GHz、77GHz、79GHz。77GHz是目前的主流。
- 测距范围：长距雷达能到250米，短距雷达在30米以内。
- 测速精度：能精确测量相对速度，这是摄像头和激光雷达做不到的。
- 角度分辨率：比较差，只能大致判断目标在哪个方向。
嗯，这里要注意。毫米波雷达虽然不怕天气，但它有个致命弱点——对静止目标不敏感。为什么？因为多普勒效应只对运动目标有效。静止目标反射回来的信号，频率不变，雷达很难区分它是地面还是障碍物。我曾经在高速公路上遇到过，前方有一辆静止的事故车，毫米波雷达直接把它忽略了。还好摄像头及时补位，不然就撞上去了。
我个人经验：在项目中，毫米波雷达和摄像头是“黄金搭档”。雷达负责测距测速，摄像头负责识别分类。两者融合，才能做到既准又稳。
4. 超声波雷达：近距离的“倒车小能手”
超声波雷达，原理和蝙蝠一样。它发射超声波（频率高于20kHz），碰到物体反射回来，通过时间差计算距离。这玩意儿成本极低，但精度也低，只能用于近距离探测。
关键特性：
- 工作频率：40kHz、48kHz、58kHz等。
- 测距范围：一般0.2米到5米。
- 精度：厘米级，但受温度、湿度影响大。
- 视场角：比较窄，一般30度到60度。
超声波雷达最常见的应用就是倒车雷达和自动泊车。它不怕光线，不怕颜色，但怕什么？怕软性物体。比如海绵、泡沫、雪堆，超声波会直接穿透，反射不回来。我曾经测试过，一个雪堆在超声波雷达眼里，就跟不存在一样。
避坑指南：我曾经在自动泊车项目中，发现超声波雷达在雨天经常误报。后来排查发现，是雨水打在保险杠上产生了噪声。我们加了滤波算法，才把这个问题解决。
5. IMU/GNSS：定位与姿态的“定海神针”
IMU（惯性测量单元）和GNSS（全球导航卫星系统）通常是配合使用的。IMU测量加速度和角速度，GNSS提供绝对位置。两者融合，才能得到稳定、准确的定位信息。
IMU关键特性：
- 加速度计：测量三轴加速度。
- 陀螺仪：测量三轴角速度。
- 零偏稳定性：IMU的核心指标。零偏越小，精度越高。
- 采样率：一般100Hz到1000Hz。
GNSS关键特性：
- 定位精度：普通GPS在5-10米，RTK（实时动态差分）可以到厘米级。
- 更新率：一般10Hz。
- 可用性：受遮挡影响大，隧道、高楼区容易丢星。
你想想看，GNSS更新慢，而且容易丢信号。IMU更新快，但会累积误差。所以两者必须融合。我常用的方法是卡尔曼滤波，把IMU的高频数据和GNSS的低频数据结合起来，既能保证实时性，又能保证准确性。
注意：IMU最怕的是“温漂”。温度变化会导致零偏漂移。我曾经在冬天测试，IMU刚开机时误差很大，要等它热机稳定了才能用。后来我们加了温度补偿算法，才解决了这个问题。
总结：传感器特性对比
| 传感器类型 | 优势 | 劣势 | 典型应用 |
|---|---|---|---|
| 摄像头 | 信息丰富，能识别颜色、纹理 | 怕逆光、怕黑夜、怕雨雾 | 车道线检测、交通标志识别 |
| 激光雷达 | 精度高，能生成3D点云 | 成本高、怕雨雪雾 | 障碍物检测、SLAM建图 |
| 毫米波雷达 | 全天候、测速准 | 角度分辨率低、对静止目标不敏感 | 自适应巡航、碰撞预警 |
| 超声波雷达 | 成本低、近距离可靠 | 精度低、怕软性物体 | 倒车雷达、自动泊车 |
| IMU/GNSS | 提供位置和姿态 | GNSS易丢星、IMU有累积误差 | 定位导航、姿态估计 |
好了，这一章的内容就到这里。传感器是自动驾驶系统的“感官”，搞懂它们的原理和特性，是后续故障诊断和冗余设计的基础。下一章，咱们聊聊这些传感器常见的故障模式。到时候我会分享一些我踩过的坑，保证让你少走弯路。
记住一句话：没有完美的传感器，只有完美的系统设计。