主动感知传感器：LiDAR、毫米波与超声波

主动传感器通过主动发射信号（光、电磁波或声波）获取目标信息，在低光照和动态测距场景下价值突出。

1. LiDAR（激光雷达）

1.1 工作原理

LiDAR 通过发射激光脉冲并测量回波时间计算距离：

\[d = \frac{c \cdot \Delta t}{2}\]

其中 \(c\) 为光速（\(3 \times 10^8\) m/s），\(\Delta t\) 为发射到接收的时间差。

测量方式：

方式	原理	优势
ToF（飞行时间）	直接测量脉冲往返时间	技术成熟，实现简单
FMCW（调频连续波）	测量频率差获得距离和速度	同时获取速度，抗干扰

1.2 技术路线对比

路线	扫描方式	优势	局限
机械旋转式	电机+棱镜旋转	360° FOV，点云均匀，技术成熟	体积大，可靠性受机械结构影响
混合固态（MEMS）	微镜摆动	体积小，成本较低	FOV 受限，点云密度不均
全固态（OPA/Flash）	光学相控阵/面阵照射	无机械运动，可靠性高	技术成熟度低，量产一致性挑战
FMCW 固态	调频扫描	速度测量，抗干扰，高精度	成本高，量产进度较慢

1.3 核心性能指标

指标	说明	典型值
探测距离	最大可探测距离（10% 反射率目标）	150–250 m
角分辨率	水平/垂直角分辨率（越小越密）	H: 0.1°, V: 0.1–0.4°
点频（Point Rate）	每秒输出点数	100 万–1000 万点/秒
近距盲区	无法探测的最小距离	0.1–1 m
抗雨雾能力	雨雪天气探测距离衰减	中等（优于视觉，弱于雷达）

1.4 点云特性分析

点云在不同天气下的密度衰减（示例，100 m 目标）：

晴天（能见度 > 10 km）：保留 95%+ 点数
小雨（能见度 5–10 km）：保留 70–90% 点数
中雨（能见度 2–5 km）：保留 40–70% 点数
大雨/浓雾（能见度 < 500 m）：保留 10–30% 点数，严重退化

量产挑战

多辆车的 LiDAR 互相照射会导致串扰（Cross-talk），需要时序错开或使用 FMCW LiDAR（编码调制）来解决。

1.5 标定方法

内参标定（出厂固定）： - 旋转中心偏差、各激光器安装角度误差 - 工厂环境使用精密夹具一次性标定

外参标定（与车体坐标系）：

靶板法：在已知位置放置角反射体，通过优化计算 LiDAR 到车体坐标系的变换矩阵 \(T\)：

\[T^* = \arg\min_T \sum_i \| T \cdot p_i^{\text{lidar}} - p_i^{\text{map}} \|^2\]

在线外参监测： - 利用地面平面约束实时监控外参偏移 - 偏移超过阈值（如 0.5°）时触发重标定告警

2. 毫米波雷达（mmWave Radar）

2.1 工作原理（FMCW）

毫米波雷达通过发射频率线性调制的连续波（FMCW），利用发射波和回波的频率差同时获取目标的距离、速度和角度：

距离测量（Range）：

\[R = \frac{c \cdot f_{\text{beat}}}{2 \cdot S}\]

其中 \(S\) 为调频斜率，\(f_{\text{beat}}\) 为差拍频率（发射波与回波的频率差）。

速度测量（Doppler）：

\[v = \frac{\lambda \cdot f_d}{2}\]

其中 \(\lambda\) 为波长，\(f_d\) 为多普勒频移。这使雷达可以直接测量目标径向速度，无需依赖连续帧轨迹。

角度测量：

多天线（MIMO）通过相位差估计方位角，4D 成像雷达通过大天线阵列实现俯仰角估计。

2.2 常见分工

类型	频率	典型安装位	主要用途
长程雷达（LRR）	77 GHz	车头中央	高速前向跟踪，150–250 m
短程/角雷达（SRR）	77/79 GHz	四角	并线辅助、盲区预警、近场
4D 成像雷达	77/79 GHz	可替代 LRR	高分辨率目标检测，含高度维

2.3 4D 成像雷达

传统 3D 雷达输出（Range, Velocity, Azimuth），4D 成像雷达额外增加俯仰角（Elevation）：

通过大天线阵列（虚拟天线数可达数百）实现更高角分辨率
点云密度接近稀疏 LiDAR，可用于目标分类
全天候能力优于 LiDAR，成本介于传统雷达和 LiDAR 之间

主要厂商： Continental HRS4、Arbe Phoenix、华为 4D 雷达、安智汽车

2.4 工程注意点

问题	描述	应对措施
多径反射	信号经地面/障碍物反射产生虚假目标	高度过滤、聚类算法
目标关联	相邻帧同一目标匹配困难	基于速度的匹配算法
角度分辨率有限	近距离横向目标区分困难	与视觉融合提升分辨率
静止目标分类	难以区分路面杂波和真实障碍物	结合高度和反射特性滤波

3. 超声波传感器（Ultrasonic）

3.1 工作原理

超声波传感器发射 40–60 kHz 的超声脉冲，测量回波时间获得距离：

\[d = \frac{v_{\text{sound}} \cdot \Delta t}{2} \approx \frac{343 \text{ m/s} \times \Delta t}{2}\]

注意：声速受温度影响（\(v = 331.4 + 0.607 \times T\)（°C）），需要温度补偿。

3.2 特性与局限

特性	说明
有效测量范围	0.15–6 m（依频率和功率）
角度覆盖（FOV）	约 60–120°（锥形波束，纵向分辨率差）
更新频率	10–25 Hz（声速限制）
工作温度	-40°C ～ +85°C
对雨雪敏感度	中等（液态水会衰减，但比视觉强）

工程局限

超声波无法区分目标类型，无法测量速度，且在高速行驶时气流会影响精度。通常只用于 < 30 km/h 的低速泊车场景。

4. 传感器性能对比矩阵

维度	LiDAR	毫米波雷达	超声波	摄像头
最大探测距离	150–250 m	200–300 m	6 m	100–200 m
距离精度	±2–5 cm	±0.1–0.5 m	±1–3 cm	视算法
速度测量	FMCW 可测	直接（多普勒）	无	需连续帧
分类能力	中等（点云形状）	弱	无	强（语义）
夜间能力	完全不受影响	完全不受影响	完全不受影响	需补光
雨雾天气	中等退化	基本不退化	轻微退化	严重退化
量产成本	高（100–500 USD）	低（10–50 USD）	极低（1–5 USD）	低（5–50 USD）
功耗	中（5–30 W）	低（1–5 W）	极低（< 0.5 W）	低（1–5 W）

5. 传感器布局策略

典型 L4 Robotaxi 的 360° 覆盖方案：

                    ←前→
              ████████████
          ┌─────────────────┐
角雷达(LF)─┤  超声×4  超声×4 ├─角雷达(RF)
          │                 │
LiDAR主机─┤   车辆俯视图    ├─摄像头×4（前/后/左/右）
          │                 │
角雷达(LR)─┤  超声×4  超声×4 ├─角雷达(RR)
          └─────────────────┘
              ████████████
                    ←后→

补充：
  - 前视长焦摄像头（140 m+）
  - 前视广角摄像头（近场）
  - 车顶主 LiDAR（旋转，360° @ 200 m）
  - 可选：后视/侧向补充 LiDAR

6. 在线健康检查

每种传感器都应建立在线健康评估机制：

传感器	健康指标	告警触发条件
LiDAR	点频、近场点数、返回功率	点频下降 > 20%；近场盲区异常增大
毫米波雷达	输出目标数量、噪声底	连续 3 帧无目标输出（非正常）
超声波	回波信号强度、帧率	回波强度异常、连续丢帧

健康状态应实时上报给感知融合层，用于动态调整融合权重。

7. 选型与部署建议

先定义 ODD，再确定传感器配置：高速公路 vs 城区 vs 泊车场景对传感器需求差异极大
制定清洁/加热策略：LiDAR 镜面和摄像头玻璃须配备清洗液和加热膜，尤其对雪地、沙尘场景
预留在线标定接口：外参漂移是长期运营的大问题，应在架构阶段预留在线重标定能力
建立多传感器互验机制：LiDAR 目标与雷达目标的速度对比、摄像头检测框与 LiDAR 点云对比，及时发现单传感器异常