自动驾驶中的传感器
目录
摄像头
激光雷达
毫米波雷达
惯性传感器（IMU）
超声波雷达
声明
摄像头
相较于雷达（Radar）、激光雷达（Lidar）以及声呐（Sonar）等技术而言，在感知原理上与人类视觉系统最为相似，在自动驾驶传感器领域具有重要地位。
摄像头通过光学组件获取的光信号经过投影传递至图像传感器上，并经由光电转变过程转译为电信号；随后又进一步变为数字图像信号并投入算法运算以完成整体信息处理流程。基于获取的图像数据系统即可具备感知周边交通状况的能力，并具体实现了对车辆识别以及行人的检测追踪功能；同时还能估算出各物体间的相对距离并识别出车道线与各类交通标识物等关键要素
现有的自动驾驶功能摄像头通常配置有12至13个，并根据功能进行划分。其中一些专门用于环顾四周（环视），另一些则负责侧面视野监控（侧视）。这些设计各有侧重：环视摄像头主要用于低速场景下的泊车操作；而侧视摄像头则辅助监测车侧及后方区域，并帮助发现变道机会以及规划并行路线。至于前向视野设备，则主要应用于高速行驶及低速场景下的自动驾驶任务；最后是倒车辅助设备（后视），它则主要用于复杂环境中的车辆泊车操作。
摄像头主要由光学组件、CMOS图像传感器等模块构成
摄像头分类
根据安装位置的不同, 可将摄像头分为前视摄像头（front camera）、后视摄像头（rear camera）、侧面摄像头（lateral camera）、全景摄像头（panoramic camera）以及DMS（dynamic multiple scene）摄像头等多种类型. 根据镜头数量的不同, 摄像头也可划分为单目( single eye )、双目( dual eye )和三目( triple eye )等形式. 根据视角范围的不同, 常见的有广角( wide-angle )和鱼眼( fish eye )型两种.
基于车载摄像头的视觉传感系统的具体流程如下 ：
1. 图像处理环节：将获取到的图像信息转换为二维数据形式；
2. 模式识别阶段：通过图像匹配技术实现目标识别；
3. 距离测量环节：首先利用物体运动模式进行测距计算；其次采用双目定位技术进一步优化精度。
激光雷达
LiDAR（全称为Light Detection And Ranging）作为一种先进的主动式光学遥感设备，在现代科技中扮演着重要角色。该设备整合了激光测距、GPS定位以及惯性导航等多种先进技术，并源自将传统雷达技术和现代激光测距技术相结合的技术创新成果。它能够采集点云数据并生成高精度数字化三维模型，并且这些先进技术的融合使得在统一绝对测量基准下实现了周边真实环境的三维重建。
激光展现出高强度的方向集中度、优异的单色特性和高度相干性等显著特点。基于此特点，在应用方面得以实现一系列优势功能：具有极佳的空间分辨能力与速度分辨能力，在测量范围内可覆盖广泛的速度值并获取多维度的目标图像信息；具备卓越的抗干扰性能。相较于微波雷达而言，在体积与重量上更为轻便且操作更加便捷。随着超短脉冲激光技术的进步以及信号探测灵敏度的提升 alongside 高速数据采集系统的完善, 激光雷达凭借其卓越的测量精度, 精细的时间与空间分辨率, 以及广泛的探测范围, 成为了现代遥感领域中不可或缺的重要遥感手段之一
可用于自动驾驶场景的激光雷达具备精确测距功能。然而该技术存在以下不足之处：首先，在感知红绿灯符号、标牌上的文字及图片信息方面存在明显局限性；其次其测距能力受限于近距离（几十米内）的感知范围；当距离超过此限制时，则需提升设备功率以维持准确度；此外，在操作过程中可能对人体造成伤害；再次在处理人眼等敏感部位时存在一定的风险；最后设备的测量精度易受恶劣天气条件（如雨雪及空气中悬浮颗粒物）的影响，并且在强烈日光或热辐射环境下表现欠佳。这是因为光线条件的极端情况导致光线被削弱或反射不足。
毫米波雷达
毫米波探测器其原理顾名思义即是基于毫米频段工作即频率范围介于30至300吉Hz而对应的电磁波长度范围为1至10毫米的设备。该装置英文缩写为Radar全称为Radio Detection and Ranging即无线电探测与测距装置；
其功能机制与传统雷达相似均可发射并接收回荡电波以此来测定车辆与其周围物体间的距离以及相对运动速度。而相较于传统雷达而言毫米频段的Radar则展现出卓越的透过能力并常用于安装于汽车后bumper或postpon板后；
车载毫米波雷达通过发射微波信号（毫米波段）并接收反射信号来获取汽车周围环境的数据信息（如距离、速度、角度等），然后利用探测到的目标信息进行定位与分类识别，并结合车辆动态数据进行多源融合处理以实现精准判断。其中测速可直接通过发射信号与反射信号的多普勒频移特性实现；而测距无法直接测量（以脉冲微波为例），由于30米目标往返时间为2×10^-7秒的需求对芯片处理速度提出了较高要求；因此目前主要采用基于FMCW调频连续波的发射与回波联合解算方法来进行距离测量与性能评估。
毫米雷达系统主要基于多普勒效应工作原理运行：当物体与雷达之间发生相对运动时，其发出电磁波会发生相应的变化。具体而言，在目标朝雷达方向移动时（即前方），由于追赶上的缘故会引发电磁波被压缩现象；而当目标远离雷达时会产生相反的效果——电磁波会被拉伸导致频率降低（即出现红移现象）。值得注意的是，在这种情况下所产生的是频率的变化幅度与目标移动速度呈现正相关关系；因此，在接收端通过测量信号中的频移程度可以确定目标接近或远离 radar 的具体速度值
毫米波雷达相比激光雷达而言，在安全性上更为友好，并能在雨雪雾等恶劣天气中发挥较好的性能表现。然而，在数据稳定性方面存在不足，并且其相对精度较之于激光雷达有所降低；此外，在实际应用中其覆盖范围也未能达到旋转式激光雷达的水平。
综合比较两种技术而言，在实际应用中可观察到LiDAR能够实现精确的距离测量（即直接测距），并且其测量精度较高，在障碍物检测方面表现出色；但其局限性在于无法在复杂环境如雨雾条件（恶劣天气）下提供有效的数据支持；另一方面，则是毫米波雷达具备显著的优势：它不仅能够实现车辆速度的实时监测（即直接测速），而且其设备成本较低、体积较小等特性使其成为较为经济的选择；基于此分析可知，在自动驾驶辅助系统（ADAS）中应用这两种技术可以达到良好的协同效果
惯性传感器（IMU）
惯性传感器装置（Inertial Measurement Unit, IMU），俗称惯性测头或运动传感器，在工程领域被广泛应用于姿态与运动参数监测方面。它通过感知并量化物体的运动状态来实现定位与导航功能，并基于惯性原理设计而成。
车载惯性传感器设备（MEMS）是汽车感知系统的重要组成部分
IMU呈现的是一个相对定位数据系统，在监测车辆相对于固定物体运动路径方面具有显著作用；因此该系统无法直接给出具体坐标信息；为此在GPS信号覆盖不足的情况下通常会与IMU配合使用；这种组合方式能够有效弥补GPS信号丢失时的定位缺陷
其呈现的是一个相对的定位信息
在自动驾驶领域中，实现精准的位置确定对于系统运行至关重要。具体而言，在相对定位方面指的是车辆与周边环境之间的相对位置信息；而在绝对定位方面，则指车辆能够精确获取其全球经纬度信息。
GPS系统能够实现道路限高等基础地理要素的精确获取，在具备良好GPS信号的道路条件下可以通过差分型或实时定位系统（RTK）实现厘米级的高精度定位。然而由于道路条件等多种因素的影响并非所有路段都能够持续稳定地接收良好的GPS信号因此通常需要将RTK GPS的测量结果与其配套使用的惯性导航系统（IMU）以及车载传感器（如车轮转速传感器方向盘角传感器等）的数据进行有效融合以提高整体导航系统的可靠性与稳定性
通常来说，在无人车系统中使用的惯性传感器多为中低级型号。这一特点使得其在定位过程中能够实时获取车辆的位置数据。然而惯性传感器最大的局限在于其累积误差随时间推移而不断增大。因此，在较短时间内依赖这种设备来进行定位更为可行。
超声波雷达
其工作原理主要依赖于发射装置向空气中发送超声波信号，并通过接收装置接收到该信号返回的时间差来计算目标物的距离。常用的探头工作频率包括40kHz、48kHz和58kHz三种标准设置，在其他条件相同的情况下通常情况下灵敏度更高但水平与垂直方向上的探测角度会相应减小因此在实际应用中通常选择40kHz的工作频率设置该设备具有防水防尘性能即使受到轻微泥沙或灰尘的阻碍也不会影响其正常探测效果能够检测的目标距离范围在0.1米至3米之间并且精度较高且稳定性出色因此在车辆定位与泊车等场景中具有显著的应用价值
超声波雷达主要可分为两种类型 ： UPA型超声波雷达通常具有15至250厘米的探测范围，并用于测量车辆前方和后方的障碍物情况。相比之下，APA型超声波雷达则可达到30至500厘米的探测深度，并具有较高的成本及更强的功率输出。
超声波雷达在自动驾驶中具有显著的优势：其显著的能量消耗特性使其能够在介质中实现较长距离的传播，并展现出强大的穿透能力。此外，在进行测距时该技术采用了较为简单的计算方式且具备较低的成本水平。然而该技术也存在一定的局限性：当车辆运行速度极快时其测距精度会受到限制这是因为超声波的传播速度容易受到气象条件的影响导致其在不同天气状况下表现出不同的传输效果进而降低了实时跟踪车辆间距的能力。此外由于超声波具有较大的散射角其方向性较差因此在测量较远处的目标时信号强度会有所下降从而影响测量精度；不过就短距离测量而言超声波测距传感器依然展现出显著的优势
声明
本人所有的文章仅仅用于个人学习记录，并非用于正式发表或展示。文章内容主要针对网络相关参考资料的汇总与汇集。
若有侵权，联系立删！