4. 传感器基础（三）：毫米波雷达与超声波雷达工作原理、多传感器融合的必要性与基本策略
4.1 毫米波雷达：我看得远，但看不清细节
毫米波雷达，说白了就是靠发射毫米波段的电磁波来探测目标。它的工作频率通常在 24GHz、77GHz 甚至 94GHz。频率越高，波长越短，分辨率理论上就越好。
我个人习惯把毫米波雷达比作「蝙蝠的耳朵」，但它用的是电磁波，不是声波。它通过发射调频连续波（FMCW），然后接收回波，计算时间差和频率差，就能得出目标的距离和速度。
这里有个关键点：多普勒效应。目标靠近时，回波频率变高；远离时，频率变低。毫米波雷达能直接测出相对速度，这一点摄像头做不到。
核心参数速记：
- 测距范围： 0.2m ~ 250m（77GHz 长距雷达）
- 测距精度： ±0.1m 左右
- 速度精度： ±0.1m/s
- 角度分辨率： 1° ~ 5°（取决于天线数量）
我在项目中遇到过一个问题：77GHz 雷达在雨雾天气下表现依然稳定，但遇到金属护栏或者隧道墙壁时，会产生大量多径反射。嗯，这时候雷达会「看到」一个虚假的目标，其实只是反射波绕了一圈回来的。
避坑指南： 我曾经调试一个 AEB 系统，雷达在隧道里频繁误触发。后来发现是隧道壁的金属支架产生了强反射。解决办法是加了一个「静止目标过滤」逻辑，但要注意不能把真正的静止障碍物也滤掉了。这个平衡点很难找。
4.2 超声波雷达：近距离的「触角」
超声波雷达，你想想看，其实就是倒车雷达用的那玩意儿。它发射 40kHz 左右的声波，靠接收回波的时间差来算距离。
它的原理很简单：距离 = 声速 × 时间 / 2。声速在空气中大约是 340m/s，所以时间测量精度决定了距离精度。
但超声波有个天生的短板：波束角太宽。一般超声波传感器的波束角在 60° ~ 120° 之间。这意味着它只能告诉你「前方有东西」，但说不清具体在左边还是右边。
| 传感器类型 | 有效测距 | 角度分辨率 | 典型应用 |
|---|---|---|---|
| 超声波雷达 | 0.2m ~ 5m | 极低（波束角宽） | 泊车辅助、盲区检测 |
| 毫米波雷达 | 0.5m ~ 250m | 中等（1°~5°） | ACC、AEB、FCW |
为什么超声波只能用在近距离？因为声波衰减快。40kHz 的声波在空气中传播 10 米后，能量已经衰减得差不多了。所以它天生就是干「最后一米」的活。
注意： 超声波雷达对软性物体（比如行人衣物、泡沫）的反射很弱。我见过一个案例，车辆低速行驶时，超声波雷达没检测到前方的泡沫箱，结果直接撞上去了。所以超声波不能作为唯一的近距离传感器。
4.3 多传感器融合：为什么必须「抱团」？
你想想看，如果只用摄像头，晚上或者逆光时基本就瞎了。如果只用毫米波雷达，它分不清前方是行人还是金属垃圾桶。如果只用超声波，它连 5 米外的东西都看不到。
所以，多传感器融合不是「锦上添花」，而是「雪中送炭」。说白了，每个传感器都有自己的「盲区」和「弱点」，融合就是让它们互相补位。
我总结了一下，融合的必要性主要体现在三个方面：
- 冗余性： 一个传感器失效，另一个还能顶上。比如摄像头被泥巴糊住了，毫米波雷达还能正常工作。
- 互补性： 摄像头能识别颜色和纹理，毫米波雷达能测速和测距，超声波能搞定近场盲区。三者结合，信息才完整。
- 鲁棒性： 单一传感器在恶劣天气下性能会下降，但融合后整体系统还能保持一定水平的感知能力。
我的经验： 在 L2+ 级别的系统中，我建议至少采用「摄像头 + 毫米波雷达」的组合。超声波可以作为泊车场景的补充。如果预算允许，再加一个激光雷达，那感知能力就非常扎实了。
4.4 融合的基本策略：时间对齐与空间对齐
融合的第一步，也是最容易出问题的一步，就是时间对齐。不同传感器的数据帧率不一样：摄像头通常是 30fps，毫米波雷达是 20fps，超声波可能只有 10fps。如果不做时间同步，你拿到的数据就是「错位的」。
我常用的做法是：以摄像头的时间戳为基准，把雷达和超声波的数据通过插值或外推的方式，对齐到最近的摄像头帧时间点。
第二步是空间对齐。每个传感器都有自己的坐标系：摄像头是像素坐标系，毫米波雷达是极坐标系，超声波是球坐标系。必须把它们统一转换到车辆坐标系下。
这里有个代码示例，展示如何把毫米波雷达的极坐标数据转换到车辆坐标系：
// 毫米波雷达极坐标转车辆坐标系
// 输入：距离 r，角度 theta（相对于雷达安装方向）
// 输出：车辆坐标系下的 x, y
void radar_to_vehicle(float r, float theta,
float radar_x, float radar_y, float radar_yaw,
float* vehicle_x, float* vehicle_y) {
// 1. 先转成雷达坐标系下的笛卡尔坐标
float local_x = r * cos(theta);
float local_y = r * sin(theta);
// 2. 再通过旋转和平移转到车辆坐标系
float cos_yaw = cos(radar_yaw);
float sin_yaw = sin(radar_yaw);
*vehicle_x = radar_x + local_x * cos_yaw - local_y * sin_yaw;
*vehicle_y = radar_y + local_x * sin_yaw + local_y * cos_yaw;
}
嗯，这里要注意：雷达的安装位置和朝向必须精确标定。我曾经因为雷达安装支架有 0.5 度的偏差，导致融合后的目标位置偏移了 30 厘米。在高速场景下，这个误差会直接导致 AEB 误触发。
4.5 融合的层次：数据级、特征级、决策级
融合不是简单地把数据堆在一起。根据融合的深度，可以分为三个层次：
- 数据级融合： 直接把原始数据拼在一起。比如把摄像头图像和雷达点云叠加。优点是信息损失少，缺点是计算量大，而且对时间同步要求极高。
- 特征级融合： 先分别提取特征，再融合。比如摄像头提取出「行人」的 bounding box，雷达提取出「目标距离和速度」，然后做关联匹配。这是目前最常用的方式。
- 决策级融合： 每个传感器独立做出决策，最后投票。比如摄像头说「有障碍物」，雷达说「有障碍物」，那就触发刹车。这种方式简单，但容易漏掉一些细节信息。
我个人推荐： 在量产项目中，特征级融合是最稳妥的。它兼顾了性能和鲁棒性。数据级融合更适合学术研究，决策级融合则适合一些简单的辅助功能。
4.6 一个典型的融合流程
我简单描述一下我在项目中用过的融合流程：
- 数据预处理： 时间对齐、空间对齐、去噪。
- 目标检测： 摄像头输出障碍物列表，雷达输出目标点云。
- 关联匹配： 用匈牙利算法或最近邻算法，把摄像头和雷达的目标一一对应起来。
- 状态估计： 用卡尔曼滤波或扩展卡尔曼滤波，融合两者的测量值，得到更精确的目标位置和速度。
- 目标管理： 维护一个全局的目标列表，处理目标的出现、消失、跟踪丢失等情况。
这里有个关键点：关联匹配 是最容易出错的环节。如果摄像头检测到一个行人，但雷达在相同位置没有检测到目标，怎么办？是相信摄像头还是忽略它？
我的做法是：设置一个置信度阈值。如果摄像头检测到的目标置信度很高（比如 > 0.9），即使雷达没有匹配到，也保留这个目标。反之，如果雷达检测到目标但摄像头没看到，也要根据雷达的 SNR（信噪比）来判断是否保留。
避坑指南： 我曾经遇到一个场景：车辆前方有一个静止的金属井盖，摄像头把它识别为「路面标记」所以没输出，但雷达检测到了。结果融合系统因为没有摄像头确认，就把这个目标过滤掉了。车辆直接压了过去。后来我加了一条规则：任何雷达检测到的静止目标，只要在车辆行驶路径上，都必须保留。
4.7 小结
毫米波雷达和超声波雷达，一个管远、一个管近，一个能测速、一个能测距。但它们各自都有短板。多传感器融合不是简单的「1+1=2」，而是通过时间对齐、空间对齐、关联匹配和状态估计，让系统感知能力达到「1+1>2」的效果。
嗯，最后说一句：融合系统的调试非常痛苦。你永远不知道是传感器本身的问题，还是融合算法的问题。我的建议是：先单独验证每个传感器的性能，确保它们都工作正常，然后再做融合。否则，你会陷入「改算法还是改硬件」的无限循环中。