一. 器件选型心得（系统设计）--2

上一章的内容：

一. 器件选型心得（系统设计）--1

一. 器件选型心得（系统设计）--2

接下来我们从自动驾驶的需求出发到传感器的选型，再到硬件系统的搭建。

需求

主要有三点：定位、感知（狭义）、规控，对应就是我在哪，有什么障碍（路况、行人、车辆、红绿灯、车道线等等），去哪和怎么去的问题。

定位和狭义的感知其实也可以并为广义的环境感知问题，即自动驾驶车辆需要感知自身在环境中的位姿和环境本身。

最后就并为两点：环境感知和应对变化（规划、控制、决策等），这两点都有传统和基于学习的方法，比如深度学习、强化学习和深度强化学习。

传感器的选型

分类：

运动感知类传感器：

• 全球卫星定位系统（GNSS和RTK)

• 惯性传感器（IMU)

• 轮速计

• 激光雷达（LiDAR）

• 相机（Camera）

环境感知类传感器：

• 激光雷达（LiDAR）

• 相机（Camera）

• 毫米波雷达（Radar）

• 超声波雷达

从传感器的功能角度看，建图定位和感知两个方向都需要涉及到多传感器融合问题。

从需求侧分析，要应对各种天气（晴天、雨天、雾天、雪天、阴天等）、各种光照条件（白天、黄昏、黑夜、阳光直射、背光）、各种距离（盲区：0-2m，近距离：2-40m，中距离：40-80m，远距离：80-200m，超远距离：>200m）、各种维度和精度（六自由度观测、求速度、加速度、角速度）、各种系统级要求（无漏检、误检、时间误差<10ms、位置误差<0.3m）

从供给侧分析，各种传感器各有优劣。总之，一种传感器无法适配所有场景，需要出色的融合技术才能解决。

多传感器融合的可行性分析

从人眼类比，多传感器通过多波段配合，互为冗余，可适配各种天气、光照条件、感知距离和精度需要。

常见的Camera Sensor指标

sensor核心指标	含义	案例：IMX 390	意义
Optical Format	感光元器件的对角线尺寸	1/2.7英寸	尺寸大，弱光感受能力强、尺寸小，可成像细节更多
Active Pixels	有效像素	2017*1217	像素越高信息越丰富，但处理时间也越长。
Megapixels	百万像素	2.45M	像素越高信息越丰富，但处理时间也越长。
Pixel Size	像元尺寸	2um
Output bit depth	像元灰度值的阶数（图像细腻度）	10/12bit	阶数越高越细腻
Dynamic Range	感光的亮度范围	120dB
FrameRate	输出帧率	60/40fp	一般像素高，帧率低；像素低，帧率高。

对于检测任务，通常车辆的最小像素要求不小于30pixel，红绿灯通常要求不小于10pixel。

相机选型问题：

焦距（mm）	红绿灯识别距离（m）	障碍物检测距离（m）
2.1	7-13	2-42
12	40-74	11.2-240

常见的Lidar指标

LiDAR关注指标	含义	案例：Hesai Pandar64	意义
线束	激光束个数	64	越多点云越稠密，且线束不均匀分布调整的空间越大
波长	激光电磁波的波长	905nm	1550nm更安全，但是工艺更复杂
测量精度	位置识别精度	±5cm
探测距离		0.3~200m
点频	单位时间内返回点数	1152000pts/s
垂直视场角		-25°~+15°
垂直分辨率		min 0.167°
旋转频率		10Hz/20Hz	越快水平分辨率越低
水平分辨率			可通过旋转频率和单线一秒所出点数计算出来
水平视场角		360°

对于检测任务，通常车辆的最小点数理论值不少于30个，行人通常要求不小于10个点，选型时可按照下式进行。

∆𝑠 = dist ∗ sin(θ)

假设角度分辨率为0.1°，则100m处，两个最近点的成像距离为0.17m。

Radar关注的参数以及常见参数

参数	中距模式	长距模式
工作频段(GHz)	76.5	76.5
最小/最大距离[m]	0.2/70	0.2/250
距离分辨率[m]	0.39	1.79
距离精度[m]	±0.10	±0.4
最小/最大速度[km/s]	-400/200	-400/200
速度分辨率[km/s]	0.43	0.37
速度精度[km/s]	±0.1	±0.1
水平FOV	±60°	±9.0°
垂直角度FOV	-	-
接口	CAN	CAN

选型总结

传感器	传感器类型	成像细节	测量	成像空间	视野范围	触发方式	价格	量产需求	常见厂家	缺点	优点
Camera	被动	稠密	像素矩阵	2D	距离：0-200m FOV：30°/60°/120°/fisheye 盲区：近处盲区	Rolling shutter，成像时间其时间域内有误差	<1k	成熟量产	索尼、安森美、豪威	缺乏深度信息，对光照条件是必要条件	颜色细节丰富，适用于目标丰富
LiDAR	主动	稀疏	timestamp、(X,Y,Z)、intensity	3D	距离：5-100m FOV：360°/<180° 盲区：近处盲区	逐点成像，成像时间无误差	5k ~ 10w	支持量产	镭神、禾赛、速腾、Velodyne、Ouster等	量产难度大，对雨水、灰尘敏感	完整的3D信息，对距离感知能力强
Radar	主动	更稀疏	timestamp：时间戳、d：径向距离，高精度、Vrange：径向速度，高精度、Vlateral：切向速度，低精度、θ：朝向角，低精度，越大越不准	2.5D	距离：5-150m FOV：<120° 盲区：近处盲区	成像时间在其时间域内无误差	<5k	成熟量产	Conti	朝向角和切向速度精度不好，无高度信息，静止障碍物感知能力弱。	速度精度和径向距离还可以，全天候工作。
超声波雷达	主动	最稀疏	timestamp：时间戳，dist：径向距离	2.5D	距离：0-10m FOV：<120° 盲区：约等于无	成像时间其时间域内无误差	<1k	成熟量产	Bosch、Valeo	对温度敏感；波传播速度慢，对速度敏感；方向性差，无法精确定位；	抗干扰能力强，防水防尘能力强。

通过：1. 多种电磁波与机械波配合

1. 被动传感器与主动传感器配合

2. 稀疏传感器与密集传感器搭配，2D与3D配合远中近距离均适合

3. FOV可灵活搭配，可有效区分重点区域

4. 时间戳误差可控，感知的维度各有所长

5. 均已量产，LiDAR虽成本高使用受限，但发展快

我们要能够达到应对各种天气、各种光照条件、多种感知距离、多维度和精度需求、成本可控，满足车规要求。

多传感器硬件系统构建

定位系统设计

建图定位相关传感器：GNSS(RTK) + IMU + Camera/LiDAR+轮速计

V-SLAM可做：语义地图定位、车道线横向定位

L-SLAM可做：• 3D点云地图定位

这个融合方案可有效解决长时间的遮挡场景：如高架桥、隧道等

其他传感器：5G基站、V2X的RSU（车路协同的路测单元）

定位系统的目标：打造全工况、全时段、高精度（厘米级）、高可靠性（99.99%+）的定位能力。因此融合技术必不可少。

感知系统的多传感器硬件系统设计思路

区域0：常为车身感知盲区，主要用于慢速行驶的安全冗余以及泊车场景；

区域1：主要用于前向行驶需求，通常分为三阶段：

• 0-80m：要求感知精度高，高冗余

• 80-120m：要求感知精度中高，中等冗余

• 120-200m+：要求感知精度中等，冗余要求低

区域2/3：主要用于左右变道或转向场景，冗余要求较低；

区域4：用于常规行驶的后向视野，冗余要求低。

典型L2传感器系统

12x 超声波雷达：最大感知距离8m

3x 前视camera，分别：

• FOV 35°，最远距离250米

• FOV 50 ° ，最远检测距离150米

• FOV 120 ° ，最远检测距离60米

• 1x 前视radar：最远检测距离160m（可选）

• 2x 侧后视camera：FOV72°，最远检测检测距离100m

• 2x 侧前视camera：FOV 90°，最远检测距离80米

• 1x 后视camera：FOV145°，最远检测距离50m

典型L4传感器系统（一般是测试车辆，如果是乘用车一般不会使用360°激光雷达，会使用固态激光雷达，从成本、车规、美观考虑）

3x 前视camera，分别：

• FOV 35°，最远距离250米

• FOV 50 ° ，最远检测距离150米

• FOV 120 ° ，最远检测距离60米

• 2x 侧后视camera：FOV72°，最远检测检测距离100m

• 2x 侧前视camera：FOV 90°，最远检测距离80米

• 1x前视radar+1x后视radar：最远检测距离160m。 • 1x 360° LiDAR：有效检测距离约150m；

• n个补盲LiDAR：有效检测距离约10m；

后视的需求下降，较少使用超声波雷达。

参考：深蓝学院《多传感器融合感知》