3、传感器基础：GPS/IMU组合导航原理、激光雷达点云原理、相机视觉原理、毫米波雷达特性
各位同学，欢迎来到第三讲。这一章我们聊聊高精地图的「眼睛」——传感器。
说实话，做高精地图这么多年，我最大的感触就是：地图质量的上限，取决于传感器数据的下限。你算法再牛，传感器数据一塌糊涂，那也是白搭。今天我就把几个核心传感器的原理和实战经验，掰开了揉碎了讲给你听。
3.1 GPS/IMU组合导航原理
先说说定位。高精地图里，车到底在哪儿？这个问题看似简单，其实坑特别多。
GPS（全球定位系统）大家都熟。它靠卫星信号算位置，精度大概在米级。但有个致命问题——信号容易丢。进隧道、过立交桥下、甚至高楼密集区，GPS信号就飘了。我在项目里遇到过，车明明在桥上，GPS显示在桥下河里，那叫一个尴尬。
IMU（惯性测量单元）就不一样了。它靠加速度计和陀螺仪，测量车自身的加速度和角速度。说白了，就是「我走了多远，拐了多大弯」。这玩意儿不受外界信号干扰，但有个毛病——误差会累积。走一公里还行，走十公里，位置能偏出几十米。
所以，聪明的做法是把两者组合起来。
核心思路：GPS提供绝对位置，用来修正IMU的累积误差；IMU提供高频的相对运动，填补GPS信号丢失时的空白。
具体怎么组合？最常用的是卡尔曼滤波。嗯，这里要注意，不是简单的加权平均。卡尔曼滤波会建立一个状态模型，预测下一时刻的位置和姿态，然后用GPS观测值去更新这个预测。我习惯用松耦合和紧耦合两种方式：
- 松耦合：GPS和IMU各自独立解算，然后融合结果。简单，但精度一般。
- 紧耦合：直接用GPS的原始观测值（伪距、载波相位）和IMU数据一起解算。精度高，但计算量大。
我个人建议，做高精地图采集车，至少要用紧耦合。否则，在城区环境下，定位精度很难保证。
实战小技巧：我曾经在一条林荫道上测试，GPS多路径效应严重。后来发现，把IMU的采样率从100Hz提到200Hz，定位平滑度明显改善。有时候，硬件参数调一调，比改算法管用。
3.2 激光雷达点云原理
激光雷达，高精地图的「主力军」。它发射激光束，打到物体上反射回来，通过飞行时间算出距离。每个点包含(x, y, z)坐标和反射强度。
你想想看，一秒钟发射几十万甚至上百万个激光点，就形成了点云。点云里有什么？有路面、有路沿、有栏杆、有建筑物轮廓。高精地图的矢量要素，就是从这些点云里提取出来的。
但点云不是完美的。我遇到过几个常见问题：
- 噪点：雨雪天气，激光打到雨滴上，会产生大量杂散点。处理不好，地图里全是「鬼影」。
- 遮挡：大车旁边的小车，激光打不到，就漏掉了。所以采集时，同一路段要跑好几遍。
- 运动畸变：车在运动，激光扫描一圈需要时间。这期间车走了几米，点云就变形了。需要用IMU数据去矫正。
说到矫正，我分享一个经验。早期做点云拼接时，我直接用GPS时间戳对齐，结果发现点云边缘总有错位。后来改成用IMU插值，把每个激光点的精确时刻算出来，再补偿运动。效果立竿见影。
注意：不同激光雷达的扫描方式不同。机械旋转式的，点云是环状分布；固态式的，是视场角内的矩形分布。处理算法不能一概而论。我见过有人把固态雷达当机械雷达处理，结果点云畸变严重。
3.3 相机视觉原理
相机嘛，大家都熟悉。但高精地图用的相机，和手机拍照不太一样。
核心原理是：光线通过镜头，在CMOS传感器上成像。每个像素记录了红绿蓝三通道的亮度值。通过多个相机的立体匹配，可以算出深度信息。但单目相机本身没有尺度信息，需要借助其他传感器。
在高精地图里，相机主要干三件事：
- 车道线识别：这是最基础的。通过图像分割，提取出车道线的像素位置，再投影到世界坐标系。
- 交通标志检测：限速牌、指示牌，相机一看就认出来了。但要注意光照变化，逆光时容易漏检。
- 纹理辅助定位：点云是稀疏的，但图像是稠密的。用图像纹理做视觉SLAM，可以弥补激光雷达的不足。
我记得有一次，在隧道里做地图更新。激光雷达在隧道里基本废了，因为隧道壁太平整，没有特征点。但相机能看到隧道壁上的瓷砖纹理，靠视觉里程计硬是撑过了几百米。所以说，多传感器融合不是锦上添花，是雪中送炭。
关键参数：帧率（一般30fps以上）、分辨率（至少200万像素）、动态范围（HDR很重要，避免过曝和欠曝）。
3.4 毫米波雷达特性
毫米波雷达，很多人觉得它「低端」，其实不然。在高精地图里，它有自己的独特价值。
毫米波雷达发射毫米波段的电磁波，通过多普勒效应测量目标的速度和距离。它的优势很明显：
- 全天候：雨雪雾天，激光雷达和相机都受影响，但毫米波雷达基本不受影响。
- 直接测速：不需要像视觉那样算帧间位移，直接给出相对速度。
- 探测距离远：长距雷达可以到200米以上。
但缺点也很突出：
- 角度分辨率低：只能大致知道目标在哪个方向，精确位置不行。
- 点云稀疏：一帧只有几十到几百个点，和激光雷达没法比。
- 多径反射：护栏、隧道壁会造成虚假目标。
在高精地图里，毫米波雷达主要用来做动态目标检测。比如，前方有车突然减速，毫米波雷达能第一时间感知到。我建议把它作为「安全冗余」传感器，和激光雷达、相机互补。
避坑指南：我曾经在高速上测试，毫米波雷达把路边的金属护栏识别成了静止车辆。后来发现，是雷达的静态杂波滤除参数没调好。嗯，这种问题，经验比理论更重要。
3.5 多传感器融合的实战思考
讲完单个传感器，咱们聊聊融合。说白了，就是让各个传感器「取长补短」。
我常用的融合策略是：
| 传感器 | 优势 | 劣势 | 融合角色 |
|---|---|---|---|
| GPS/IMU | 全局定位、高频姿态 | 漂移、信号丢失 | 定位骨架 |
| 激光雷达 | 高精度三维结构 | 受天气影响、稀疏 | 地图构建主力 |
| 相机 | 纹理丰富、语义理解 | 光照敏感、无深度 | 语义识别、辅助定位 |
| 毫米波雷达 | 全天候、直接测速 | 角度分辨率低 | 动态目标检测、安全冗余 |
你想想看，如果只用激光雷达，下雨天就歇菜了。如果只用相机，晚上就抓瞎了。如果只用GPS，进隧道就迷路了。所以，高精地图采集车，标配就是「GPS/IMU + 激光雷达 + 相机 + 毫米波雷达」四件套。
最后说一句，传感器标定是基础中的基础。外参没标好，融合就是空中楼阁。我见过太多项目，算法调得天花乱坠，最后发现是传感器没对齐。嗯，这个坑，希望你别踩。
好，这一章就到这里。下一章我们讲点云处理的具体算法，到时候见。