自動駕駛感知傳感器概述

[首發于智駕最前沿微信公眾號]自動駕駛系統通常采用多種感知傳感器協同感知車輛周圍環境。攝像頭可獲取高分辨率的環境圖像，能夠識別車道線、交通標志、信號燈以及物體的顏色和紋理信息，成本低廉，技術成熟。然而攝像頭作為被動傳感器，依賴環境光照，在夜間或惡劣天氣下性能下降，且單目攝像頭無法直接獲得深度信息（需要額外假設或立體視差），典型單目在20米外測距精度迅速下降，立體攝像頭在80米之外精度也顯著降低。

毫米波雷達（常見工作在77GHz）是主動傳感器，可探測幾十米到上百米外的目標距離，同時通過多普勒效應直接測量目標相對速度，是自適應巡航（ACC）和緊急制動（AEB）等功能的重要傳感器。毫米波雷達抗干擾和環境適應性強，能較好穿透雨、霧和塵埃，但角分辨率和精度不如激光雷達。

激光雷達通過發射激光測距，能產生高精度的三維點云，實現數米到200米以上的遠距離物體探測。激光雷達分辨率高，可360度覆蓋環境并準確測量物體位置，但成本昂貴、數據量大，對雨雪和烈日等惡劣環境敏感（如激光反射受影響），且由于發射脈沖間隔，在非常近距離的探測能力有限。

超聲波傳感器探測距離很近（通常在3米以內），主要用于停車和近距離障礙物避撞，分辨率適中、成本極低，但由于信號波長較長，只適合低速狀態下檢測小距離障礙物。綜合比較可以看出：毫米波雷達距離遠、可測速、全天氣工作；激光雷達精度高、提供完整3D數據；攝像頭成本低、分辨率高、提供豐富視覺信息；超聲波用于極近距離探測并降低成本。

由于各傳感器各有優勢與劣勢，業界普遍采用多傳感器融合架構以取長補短。Waymo等L4以上自動駕駛車輛就集成了多顆激光雷達、雷達和攝像頭，而百度Apollo L4級別系統的環境感知模塊通過融合激光雷達、毫米波雷達和攝像頭，實現車身周圍360度視角并可檢測240米外的障礙物。特斯拉則堅持純視覺方案，但絕大多數自動駕駛方案都使用至少兩種以上傳感器，包括攝像頭、毫米波雷達、激光雷達和超聲波雷達等。攝像頭主要負責車道線和交通標志識別、物體分類等；雷達和激光雷達則負責障礙物距離、速度和幾何信息測量；超聲波則在低速時掃描近距離障礙以輔助泊車和變道等。通過多傳感器協同感知，自動駕駛系統可對環境做出更可靠的估計，從而顯著提高安全性和魯棒性。

多傳感器數據融合技術

在自動駕駛中，多傳感器數據融合旨在將來自不同來源的信息集成為對環境狀態的統一估計。實現這一目標需要首先在時間和空間上對各傳感器數據進行對齊。時間同步要求各傳感器的數據在同一時間基準下對齊，以保證后續計算的一致性。常用方法有硬件同步和軟件同步。

硬件同步利用統一時鐘源（如GNSS時鐘、專用時鐘觸發線）對各傳感器的時鐘進行校準，每次采集數據時自動打上統一的全局時間戳，從而實現亞微秒級精準同步。軟件同步則在主機端根據各傳感器時間戳進行匹配，將高頻傳感器數據對齊到低頻傳感器的幀周期上，例如以激光雷達較長的采樣周期為基準，將相機、雷達等數據插值對齊。

在實際車輛上，兩種同步方式通常結合使用。車輛可以借助GNSS接收機或時鐘服務器提供統一時間，同時在軟件層通過緩存隊列、插值和時間戳校正等技術補償延遲和時鐘漂移，以保證數據時序的精確對齊。空間對齊（坐標系對齊）則要求將不同傳感器在各自坐標系下的測量值轉換到同一車輛坐標系下進行融合，這依賴于精準的標定參數。傳感器標定包括內參標定（如相機的焦距、畸變）和外參標定（各傳感器間的相對位置和姿態），是多傳感器融合的基礎。利用標定結果，可將激光點云、雷達探測、攝像圖像等數據投影到統一的三維空間中，實現數據在空間維度的對準。

完成時空對齊后，需要對來自不同傳感器的測量進行數據關聯。即使在同一時刻，不同傳感器對同一目標的檢測輸出可能會有偏差甚至出現多對一或一對多的情況，因此需要通過閾值門限、多維近鄰搜索、馬氏距離檢索、匈牙利算法等多目標跟蹤中的數據關聯方法，將傳感器之間對環境中同一個物體的觀測配對，形成跨傳感器的一致觀測鏈路。這一步是確保融合準確性的關鍵，常見做法包括先使用卡爾曼濾波或貝葉斯濾波預測目標軌跡，然后將新觀測與預測進行匹配，并更新目標狀態。

貝葉斯濾波框架是目前多傳感器融合的主流方法。在這一框架下，系統通過對目標狀態進行預測和更新循環，不斷綜合新觀測信息。經典的卡爾曼濾波（KF）及其擴展擴展卡爾曼濾波（EKF）和無跡卡爾曼濾波（UKF）都是常用的算法。卡爾曼濾波對于線性高斯系統能夠提供最優的狀態估計，通過遞歸的預測–更新步驟融合各傳感器觀測。EKF和UKF用于處理系統的非線性，通過在每個時刻線性化（EKF）或使用sigma點分布（UKF）來更新狀態。也有研究指出，卡爾曼濾波之所以在多傳感器融合中取得成功，前提是需要建立精確的系統狀態方程和觀測方程，并合理假設系統與觀測噪聲的統計分布。此外，粒子濾波等蒙特卡洛方法也被應用于非高斯或高度非線性的環境中，用隨機樣本估計后驗分布，但計算復雜度通常較高。

除了傳統濾波方法，深度學習也開始被用于多傳感器融合。利用卷積神經網絡（CNN）、循環神經網絡（RNN）等深度模型能夠學習傳感器數據的復雜特征表示，實現端到端的融合和識別。例如，早期的深度融合方法通過多分支網絡分別提取雷達點云和圖像特征，再通過注意力機制等方式融合特征。基于深度學習的方法優勢在于能挖掘信息源間的高階關聯，并在訓練時聯合優化，但需要海量標注數據和高算力，普遍計算開銷較大。除傳統和深度方法外，還有基于加權平均、置信度融合（如加權平均、Dempster-Shafer證據理論）等方法，通常用在簡單感知任務中。綜合而言，多傳感器融合技術可以發生在數據層（原始數據級融合）、特征層或決策層，不同層級的融合各有權衡：前者融合早、對齊難度大；后者融合靈活、可維護性高。常見實踐中通常在檢測與跟蹤階段分別或級聯地進行融合。

感知數據一致性校驗機制

在自動駕駛感知系統中，為保證最終環境估計的可靠性和安全性，需要對融合后數據進行一致性校驗。一種常用思路是傳感器冗余和交叉驗證，使用多個傳感器對同一區域或同一物理量進行冗余測量，從而互為備份，若某一傳感器輸出出現異常，可通過其他傳感器確認并進行容錯。如多種異源傳感器實現冗余感知中算法層通過激光雷達、毫米波雷達和攝像頭提供的數據融合建立高冗余架構，顯著提升系統容錯能力。同時，系統還可以交叉驗證不同信息源。比如在紅綠燈識別場景中，車輛可將攝像頭識別的紅綠燈顏色和倒計時信息與高精度地圖（HD地圖）中的先驗信號狀態進行比對驗證，通過多源信息的相互校驗來提高識別的魯棒性和可靠性。類似地，如果雷達探測出前方有障礙物，而攝像頭未確認目標，或者兩者檢測距離嚴重不符，則可能意味著傳感器故障或環境特殊情況，系統可以觸發警告或啟動備份方案。

還可以利用傳感器“內在冗余”的思想來驗證一致性，即不同傳感器對同一物理現象有相關響應，通過分析它們的關聯性來檢測異常。如加速踏板踩下后，發動機轉速、車速、GPS位置和IMU加速度等多傳感器信號應當保持一定關聯性，一旦某個傳感器輸出與其他傳感器數據長期不符合，可以判斷其可能出現故障。基于此思路，有研究使用深度自編碼器等機器學習技術學習車輛在正常駕駛狀態下各傳感器數據的典型聯合分布，當某傳感器數據異常時重構誤差劇增，從而實現對傳感器輸出異常的自動檢測。

自動駕駛平臺通常還包括傳感器自檢和異常檢測機制。相機可以檢測鏡頭遮擋（如水滴或污漬）、曝光過度或功耗異常；激光雷達可以監測回波強度分布和激光發射頻率，若出現異常衰減或噪聲激增則報警；毫米波雷達自身可以進行自校準并檢測天線方向偏差等。通過硬件自診斷和軟件檢查相結合的方法，可及時發現單個傳感器的異常情況。當發生硬件故障時，系統也常采用軟硬件協同策略，比如切換到備用傳感器或降低自動駕駛級別。綜上，多傳感器感知系統通過冗余設計、交叉驗證、以及數據驅動的異常檢測算法等多種手段來校驗感知一致性，提高系統可靠性。

工程實踐中的問題及應對策略

在真實工程中，多傳感器融合面臨多種挑戰，需要綜合軟硬件方法來應對。數據延遲和時序漂移是常見問題。不同傳感器的數據采樣頻率和傳輸延遲差異很大，例如相機幀時間、雷達幀率、網絡通信和處理延遲等均可能引入不可忽略的時間偏移。若未及時校正，這些時間不對齊會導致不同傳感器對同一時刻場景的觀察不一致，從而影響決策。在視覺慣性系統中，如果IMU與攝像頭數據時差超過閾值（如10毫秒），就會導致特征匹配錯誤甚至濾波發散。在自動駕駛的動態避障場景中，若將過去的障礙位置誤認為是當前狀態，可能造成嚴重安全事故。應對策略包括使用精確時鐘同步（如基于GPS/RTK或IEEE1588PTP協議）保證各部件時鐘漂移最小化；在軟件層面設計時戳對齊算法、雙緩沖隊列和預測插值機制，將不同頻率傳感器的數據轉換到統一時間基準。算法上還可引入延遲補償，對低頻傳感器數據進行時間插值，或者使用短期運動模型預測等待較慢傳感器數據，以緩解時延帶來的錯位。

時鐘漂移和標定漂移也是需要持續關注的長期問題。車輛行駛過程中，傳感器之間的相對位置可能會因機械振動、溫度變化等因素發生微小偏移，導致標定誤差累積。如激光雷達與攝像頭的外參在運行中會受到振動和溫度影響而漂移，而精確的外參轉換對于點云與圖像的高效融合至關重要。因此，需要動態校準技術以應對標定漂移，除了傳統的離線標定外，還可以在行駛過程中通過特征匹配（如道路線、建筑物邊緣等）或優化方法實時更新傳感器外參，以保證長時間運行中的空間對準精度。例如一些在線標定方法利用多傳感器采集的場景特征（車輛模型、邊緣特征）自動估計激光-視覺標定參數，提高了標定的魯棒性。此外，系統設計時也會采用更穩固的安裝支架和隔振結構以減少硬件位移。

數據誤差和校準誤差也是關注重點。如傳感器自身的標定誤差、測量噪聲、環境條件對感知精度的影響等。自動駕駛系統通過軟硬件結合來應對，硬件層面可采用冗余傳感器和自適應傳感器模塊（如可變增益攝像頭、自動聚焦等）減小誤差；算法上可以在融合濾波器中加入狀態自適應、噪聲估計等功能，以動態調整傳感器不確定性權重。例如，通過擴展卡爾曼濾波器（EKF）不斷估計和修正傳感器偏置參數；或在深度學習網絡中加入不確定性模型，對異常觀測進行權重衰減。此外，系統還會對網絡傳輸的數據包使用順序檢查和時間戳驗證，避免亂序帶來的數據錯配；對長時間運行可能產生的積累誤差，定期重啟傳感器或進入校準模式進行校正。

最后的話

自動駕駛中的多傳感器融合需要解決時序同步、空間對齊、數據關聯和模型融合等多方面問題，同時針對工程中的數據延遲、時鐘漂移、噪聲和校準漂移等挑戰采用軟硬件協同策略。通過利用高精度時鐘源、動態在線校準算法、魯棒濾波優化、以及深度學習等先進技術，自動駕駛感知系統能夠在復雜環境下保持數據一致性和融合精度，實現安全可靠的環境感知。