首经贸刚刚发布校歌？来，听一堂名校校歌赏析课！

现在各大车企在智能辅助驾驶方面宣传尤为看重，但实际怎么运转、有何作用又有什么优劣？目前汽车中使用的传感器主要是雷达、LiDAR和摄像头。它们各有长短，用处不同。这些传感器协同工作，提供外部世界车辆、行人、骑自行车的人、标志等原始数据，其重叠功能会产生冗余（图中颜色重叠部分），确保一个系统出现故障时，另一个系统继续运行。

ADAS完整愿景将融合多种RF技术和立体视觉等传感器，形成一个完整的360°数字处理环境。

毫米波雷达

毫米波雷达是一种使用毫米波段进行测距、探测、跟踪、成像的主动传感器。它可主动发射电磁波，穿透烟尘，几乎不受光线和天气影响，帮助车辆实时感知周围物体并提供较为准确的距离和速度信息。

毫米波雷达里，77GHZ毫米波雷达是智能汽车上必不可少的关键部件，是能够在全天候场景下快速感知0-200米范围内周边环境物体距离、速度、方位角等信息的传感器件。那么它是如何计算被监测目标的位置、速度和方向的呢？

· 位置

毫米波雷达通过发射天线发出相应波段的有指向性的毫米波，当毫米波遇到障碍目标后反射回来，通过接收天线接收反射回来的毫米波。根据毫米波的波段，通过公式计算毫米波在途中飞行的时间&TImes;光速÷2，再结合前车行驶速度和本车的行驶速度因素，就可以知道毫米波雷达(本车)和目标之间的相对距离了，同时也就知道目标的位置。

· 速度

此外，根据多普勒效应，毫米波雷达的频率变化、本车及跟踪目标的相对速度是紧密相关的，根据反射回来的毫米波频率的变化，可以得知前方实时跟踪的障碍物目标和本车相比的相对运动速度。因此，表现出来就是，传感器发出安全距离报警时，若本车继续加速、或前监测目标减速、或前监测目标静止的情况下，毫米波反射回波的频率将会越来越高，反之则频率越来越低。

· 方位角

关于被监测目标的方位角测量问题，毫米雷达的探测原理是：通过毫米波雷达的发射天线发射出毫米波后，遇到被监测物体，反射回来，通过毫米波雷达并列的接收天线，通过收到同一监测目标反射回来的毫米波的相位差，就可以计算出被监测目标的方位角了。原理图如下：

方位角αAZ是通过毫米波雷达接收天线RX1和接收天线RX2之间的几何距离d，以及两根毫米波雷达天线所收到反射回波的相位差b，然后通过三角函数计算得到方位角αAZ的值，这样就可以知道被监测目标的方位角了。

位置、速度和方位角监测是毫米波雷达擅长之处，再结合毫米波雷达较强的抗干扰能力，可以全天候全天时稳定工作，因此毫米波雷达被选为汽车核心传感技术。

但是，毫米波雷达的感知精度并不理想，不具备图像级的成像能力。因为毫米波雷达是利用在目标物体表面的反射、漫反射和散射来进行目标检测和跟踪，所以对于像行人、动物、自行车这一类低反射率的目标，探测准确度也会大打折扣，路面上的静态物体也可能被当成杂波过滤掉了。

另外，4D毫米波雷达其实也是毫米波雷达的一种，并非什么新物种。相比传统3D毫米波雷达而言，4D毫米波多加了一个高度信息，但是分辨率相比激光雷达来说还是有很大差距。目前市场上的4D毫米波雷达每帧约输出1000多点，而一个128线激光雷达每帧输出可达十几万点，二者输出的数据量相差了2个数量级之多。

毫米波雷达点云示意

激光雷达

激光雷达也是一种主动传感器，最常见的ToF (Time of Flight) 测距法，就是通过主动发射激光光束，并测量他们与周围物体反射往返的时间来确定距离和位置。激光雷达通过向外界发出每秒数百万个激光点，可以获取到这些点的三维定位信息，清晰呈现出行人、斑马线、车辆、树木等物体细节，达到图像级分辨率。而且，激光点越密集，分辨率就越高，越能完整且清晰地重构真实世界。

由于其“主动发光”的特性，激光雷达受周围环境光线变化的影响非常小，在一片漆黑的夜间环境也能够“精准洞察”。此外，激光雷达能够直接获取到物体的体积和距离，不像摄像头要靠“猜”，因此针对小型、异形障碍物的检测，应对近距离加塞、隧道、车库等复杂场景，都会有更好的发挥。不过，激光雷达的性能在大雨、雪、雾等极端天气下也会受到一定程度的影响。

LiDAR是通过多个旋转（物理或通过逻辑）的激光器来实现的，以360度视野扫描车辆周围环境。在自动驾驶发展史上，LiDAR一直是一项重要的传感技术。开创性的自动驾驶原型依靠LiDAR实现了精确的距离测量、可靠性和易用性。

例如，2004年开始的由美国国防部高级研究计划局（DARPA）赞助的自动驾驶挑战赛中，大多数参赛者都依赖LiDAR技术。LiDAR没有辜负人们的期望，优势显而易见，包括：

· 高精度（测量精度达到厘米级）

· 高数据速率（机械式旋转LiDAR每秒旋转20转以上）

· 经验证稳定可靠

· 感测效果不受温度和光照的影响

尽管LiDAR有诸多优点，但也确实有一定的技术局限性：

· 在雨、雾和灰尘等恶劣天气条件下会因反射造成误报。专用算法处理可能解决这些问题，但比较复杂；

· 眼睛安全条例对LiDAR的信号强度有所限制，使分辨率限制了视场和视场之间的距离；

· LiDAR测量的有效性与物体的反射率有关。如果信号遇到反射性差的障碍物，如黑色车辆，信号的能量只返回很小一部分，此感测的可靠性会降低。幸运的是，大多数交通参与者都有足够的反射能力，所以LiDAR在的应用相当广泛。

摄像头

摄像头是最常见的汽车传感器，装在车身四周可以从多角度捕捉环境图像，在90 年代就已开始进入商用并逐渐普及。它也是最接近人眼的传感器，能够获取到丰富的色彩和细节信息，比如车道线，指示标志，红绿灯等等。

摄像头单目测距原理及实现：人的眼睛长在头部的前方，两只眼的视野范围重叠，两眼同时看某一物体时，产生的视觉称为双眼视觉。双眼视觉的优点是可以弥补单眼视野中的盲区缺损，扩大视野，并产生立体视觉。也就是说，假如只有一只眼睛，失去立体视觉后，人判断距离的能力将会下降。这也就是单目失明的人不能考取驾照的原因。

单纯的单目视觉测距，必须已知一个确定的长度。

f为摄像头的焦距，c为镜头光心。物体发出的光经过相机的光心，然后成像于图像传感器或者也可以说是像平面上，如果设物体所在平面与相机平面的距离为d，物体实际高度为H，在传感器上的高度为h，H一定要是已知的，我们才能求得距离d。

下面的相机焦距f并不是透镜的焦距，而是焦距+z0,这个我们必须要清楚。因为成像是在像平面，并不是成像在焦平面，焦平面的距离才是f，但是我们下面的模型不需要知道实际的f，所以就使用了像平面的距离焦距f+z0作为相机焦距f。

由相似三角形，可以得到:

同时，摄像头其局限性也非常明显，如果遇到会暗光、逆光等影响“视线”的情况，摄像头也会像人眼一样看不清从而丢失目标。

第一步，求相机焦距：

对于蜡烛，我们可以：

1.测量蜡烛的高度 H 作为先验知识；

2.测量蜡烛到相机光心的距离 d;

3.通过相机拍摄的这一帧蜡烛图像，可以得到蜡烛在图像中的高度所占像素个数 h ；

知道三个量，就可以求出相机的焦距f，即：

需要注意，相机的焦距是个固定值，只要使用该方法求出焦距后，以后就不用再求了。但是，可能需要多次测量求平均值。

第二步，求物体距离相机的实际距离：

得到了相机焦距f ，对于放在其他位置的任意物体，就可以根据：

1.该物体的先验值高度 H ；

2.统计出该物体在该帧图像中的高度所占像素个数 h ；

3.前面求出来的相机焦距固定值 f ；

得到物体距离相机的实际距离d ：

出隧道时的逆光可能会让摄像头“致盲”

同时，视觉感知技术的核心在于通过软件算法去解析高密度的信息，也就是通过“识别”这些物体并“估测”它们的距离。如果遇到一些“不认识”的物体，比如道路上的异形障碍物等，可能会因为无法全面而准确地感知，从而导致系统做出错误的决策。

也正因如此，仅基于摄像头的智能驾驶方案大多停留在L2 阶段，涉及 L3 级别以上的自动驾驶功能仍存在许多 corner case 无法完美解决。这时，就需要其他传感器来进行“互补”。

雷达、LiDAR和摄像头孰优孰劣？

其实摄像头、毫米波雷达、激光雷达这三种智能汽车上最常见的传感器，各有优缺点。但三个传感器叠加在一起，就能发挥更大的作用。

摄像头是被动传感器，能识别丰富的色彩信息，但受光线影响显著，在一些光线不好的环境下置信度相对较低。毫米波雷达的置信度高，但因分辨率较低，能够识别出的物体类型较少，无法有效感知行人、自行车或更小的物体。激光雷达不论是从测距能力、置信度、可感知物体细节，综合实力都很出色，可能最大的缺点，就是有点“贵”。

但毫无疑问的是，激光雷达的成本正在迅速降低，越来越多的汽车厂商已经将激光雷达集成至了量产车型中，提升智能驾驶系统的安全性与舒适性。随着芯片化技术在不断进化，激光雷达的元器件数量已大幅减少，而且自动化产线的效率上升，也有助于生产成本的下降。激光雷达已经从几年前的百万元级别，降至了目前的几千元级别，成为普通消费者也能用上的“汽车黑科技”。

最后回归到用户需求，一个智能驾驶系统是不是“好用”，还是用户说了算。在感知层面，传感器各有长短版，如何让它们更好地“各司其职”，发挥各自最大的优势才是关键。随着智能驾驶软件能力的不断迭代，相信未来也会逐渐“解锁”更多的硬件潜力，进而赋予消费者更丝滑、更舒适的智驾体验。

来源：电车汇