2.1.1 智能网联汽车传感器监测体系

自动驾驶系统是一个复杂的系统。为了实现从A地到B地的驾驶过程，在自动驾驶汽车的实际使用中，需要自动驾驶系统完成全息感知、决策与规划、控制与执行三大任务，主要包括感知系统中常用的感知技术及其原理、定位系统、高精度地图及车联网技术的相关知识，同时建立起决策与规划系统的相关算法。

全息感知、决策与规划、控制与执行是自动驾驶的3个环节，感知环节采集周围环境的基本信息，也是自动驾驶的基础。自动驾驶汽车通过传感器来感知环境，所用到的传感器主要包括摄像机、毫米波雷达和激光雷达。多种传感器在多方面的性能对比如表2-1所示。

智能网联汽车全息感知系统的主要内容包括：

（1）自动驾驶分级；

（2）自动驾驶对传感器的需求；

（3）Pony Alpha自动驾驶传感器系统；

（4）激光雷达；

（5）视频摄像机；

（6）毫米波雷达；

（7）全球卫星定位及惯性测量传感器；

（8）传感器系统的时间同步；

（9）传感器系统的集成度设计；

（10）传感器的选型与评估。

2.1.1.1 自动驾驶监测与定位

从自动驾驶的L0级到L5级，最重要的变化是从需要人类完全驾驶这辆车过渡到人类完全不需要驾驶这辆车。每一级的增加就是一个跃变，逐渐解放手和脚，甚至连眼睛也不需要再盯着路面。从操作方式来讲，从L0级到L5级就是一个逐渐释放人类作用域的过程。

1.车道线检测

车道线检测是智能车辆辅助驾驶系统中必不可少的环节，快速、准确地检测车道线在协助自动驾驶路径规划和偏移预警等方面尤为重要。常见的车道线检测方案主要是基于摄像头及传统计算机视觉的检测，随着自动驾驶技术的逐步发展，基于激光雷达等高精度设备的车道线检测算法也被提出。传统计算机视觉的车道线检测主要依赖高度定义化的手工特征提取和启发式方法。根据提取特征的不同，可以将基于道路特征的检测方法进一步分为基于颜色特征、纹理特征和多特征融合的检测方法。

2.车辆定位

车辆定位是让自动驾驶汽车获取自身确切位置的技术，在自动驾驶技术中定位担负着相当重要的职责。车辆自身定位信息获取的方式多样，涉及多种传感器类型与相关技术，如卫星导航定位、惯性导航定位及多传感器融合定位等。

卫星导航定位系统是星基无线电导航系统，以人造地球卫星作为导航台，为全球海、陆、空的各类军民载体提供全天候、高精度的位置、速度和时间信息。全球卫星导航系统（Global Navigation Satellite System，GNSS）有美国的GPS、俄罗斯的GLONASS、中国的北斗卫星导航系统（BDS）及欧盟的伽利略（Galileo）系统。

GNSS 定位主要解决两个问题：一是观测瞬间卫星的空间位置，二是测量站点卫星之间的距离。空间位置即GNSS卫星在某坐标系中的坐标，首先要建立适当的坐标系来表征卫星的参考位置，而坐标又往往与时间联系在一起，因此，定位是基于坐标系统和时间系统来进行的。GNSS利用基本三角定位原理，分别以3颗卫星的位置为圆心，3颗卫星与地面某点的距离为半径作球面，球面交点即为地面用户位置。

差分GNSS的基本原理是在一定地域范围内设置一台或多台接收机，将一台已知精密坐标的接收机作为差分基准站，基准站连续接收GNSS信号，并与基准站已知的位置、距离数据进行比较，从而计算出差分校正量，减小甚至消除GNSS中用户站由于卫星时钟、卫星星历、电离层延迟与对流层延迟所引起的误差，提高定位精度。

2.1.1.2 自动驾驶对传感器的需求

自动驾驶发展到 L4～L5 阶段的时候，人的大脑被完全解放，在驾驶过程中，人不需要再时刻准备接管车辆。对于传感器的依赖越来越多，在实质及形式上需要更多高质量、不同类型的传感器来辅助。同时，在高级别的自动驾驶系统中，传感器的数量也变得越来越多。多传感器融合的感知系统可以有效应对现实世界中的光照、天气、路况等各种复杂条件，并且在安全方面形成冗余设计。激光雷达、可见光相机、毫米波雷达及超声波传感器中，没有哪一个传感器是可以被完全依赖的，每个传感器在当前阶段都有其弱项，需要其他传感器来补足。

2.1.1.3 Pony Alpha自动驾驶传感器系统

自动驾驶传感器系统的需求设计主要关注以下几个方面。

（1）自动驾驶汽车通常有 3 个激光雷达：一个位于车顶，360 度兼顾整车；其余两个短距离激光雷达位于车身两侧，负责转弯保护及盲区检测。也可以有4个雷达：侧向的两个辅助探测两边的路况及进行转弯保护；车辆前、后的两个可以覆盖比较长的距离。

（2）在自动驾驶汽车周围有4个广角摄像头，可以360度覆盖视野；在前视区域还安装了一个中距相机和一个远距相机，分别覆盖不同距离上的检测和识别。

（3）另外，还有长距雷达来适应高速公路、各种天气和路况上车辆行驶的需求。传感器系统设计具有普适性，几乎所有车型都可以使用多表代换密码传感器系统。

2.1.1.4 激光雷达

激光雷达又称光学雷达，是一种先进的光学遥感技术。激光雷达可以用于测量物体距离和表面形状，其测量精度可达厘米级。激光雷达还可以联合GNSS/IMU与高精度地图等手段进行加强定位。一方面，通过GNSS得到初始位置信息，再通过惯性测量单元（Inertial Measurement Unit，IMU）和车辆的编码器（Encoder）配合得到车辆的初始位置；另一方面，将激光雷达的 3D 点云数据，包括几何信息和语义信息进行特征提取，并结合车辆初始位置进行空间变化，获取基于全局坐标系下的矢量特征。

激光雷达利用激光进行探测，其使用的是红外光。使用红外光的优势在于，首先，进行扫描探测时红外光不会对人的视觉产生干扰；其次，由于红外光探测技术在通信等方面已经得到广泛应用，技术相对成熟，成本也比较低；最后，红外光在大气中的传播比较稳定，基本不会受到干扰，而且太阳的频谱分布1550纳米波段的红外光相对能量要小一些，对红外系统的影响也会小一些。激光雷达的原理是：通过一个发射器射出一束光到物体上，然后反射回来，通过时间差，结合光速来进行距离探测。通常在实践中会运用一些特殊手段来克服由于光速太快而导致的对时钟的高负荷依赖。

1.机械式激光雷达

机械式激光雷达的两边有两个旋转机构，利用这两个旋转机构，首先主要实现在水平视场角上拥有360度视线，其次利用倾斜反射镜的不断转动实现垂直方向上的扫描。机械式激光雷达是自动驾驶早期使用的，因为其使用了比较好的激光发射器件，所以通常具有高信噪比的特点，但是因为其旋转机构的特点，通常封装较大，质量较重。其旋转机构的可靠性比较差，产品的一致性也比较差。现役的雷达通常都是混合式的，即在垂直方向上采用多通道设计，但是在360度水平方向上还是使用这种旋转的扫描机构。

2.固态LiDAR

固态LiDAR是未来的发展趋势，固态LiDAR一方面有利于降低成本，另一方面有利于提高稳定性。它主要包括3种类型：网衬MEMS LiDAR实际上是通过使用MEMS技术来控制扫描镜，进而实现一定角度上的扫描功能；光扫描激光雷达Flash LiDAR的模式比较像手机上的相机，使用面阵光传感器的光学成像来取代旋转扫描结构；机械式、混合式LiDAR主要运用在短距离、光学相控阵（Optical Phased Array，OPA）模式下。

3.LiDAR的4个发展方向

（1）成本降低：随着越来越多研究者的加入和新技术的演进，LiDAR 的成本必然会降低。

（2）LiDAR的性能提升将体现在视场角和分辨率、信噪比、雨雪天气的抗干扰、相互间防干扰及可靠性5个方面。

（3）固态LiDAR的应用将是自动驾驶汽车向外感知发展的重要方面。

（4）LiDAR将满足高级别自动驾驶的安全功能需求。

2.1.1.5 视频摄像机

视频摄像机的工作原理如下：首先是采集图像，将图像转换为二维数据；然后，对采集到的图像进行模式识别，通过图像匹配算法识别行驶过程中的车辆、行人、交通标志等。与其他传感器相比，无人车上配置的视频摄像机采集到的数据量远大于LiDAR产生的数据量，可以获得最接近人眼获取的周围环境信息。视频摄像机识别行驶过程中的车辆、行人、交通标志等可以实现的功能如表2-2所示。

根据不同自动驾驶功能的需要，视频摄像机的安装位置也有所不同，主要分为前视、环视、后视、侧视及内置。若实现全部自动驾驶功能至少需要安装6个视频摄像机。安装视频摄像机有如下几点要求。

（1）高动态：在较暗环境及明暗差异较大时仍能实现识别，要求视频摄像机具有高动态的特性。

（2）中低像素：为了降低对图像处理器的性能要求，视频摄像机的像素并不需要非常高。目前30万～120万像素就可以满足要求。

（3）角度要求：对于环视和后视，一般采用135度以上的广角镜头，前视视频摄像机对视距要求更高，一般采用0～55度范围的镜头。

2.1.1.6 毫米波雷达

毫米波就是电磁波，毫米波雷达通过发射无线电信号并接收反射信号来测定车辆与物体间的距离，其频率通常在 10～300GHz 之间。与厘米波导引头相比，毫米波导引头体积小、质量轻、空间分辨率高；与红外、激光、电视等光学导引头相比，毫米波导引头穿透雾、烟、灰尘的能力强；另外，毫米波导引头的抗干扰性能也优于其他微波导引头。毫米波雷达具有全天候、全天时的工作特性，且探测距离远、探测精度高，被广泛应用于车载距离探测，如自适应巡航、碰撞预警、盲区探测、自动紧急制动等。毫米波雷达的测距和测速原理都基于多普勒效应。

雷达技术最早运用于军事领域，利用无线电信号来对物体的位置和速度做检测。随着自动驾驶的兴起，雷达在自动驾驶系统中的应用越来越多。雷达分为短距雷达、中距雷达和长距雷达，长距雷达覆盖距离可以达到 250 多米。同相机比，天气、环境和光照条件对雷达的限制很小。如果是为了检测单一物体，则发送调试好的信号，信号会在一定时间后返回，通过解析信号可以检测物体；如果物体与相对位置没有变化，则发出和返回的信号就没有变化，通过计算可以得出是固定频率的信号；如果是检测多个物体，且都有回波，则通过傅里叶变化可以解算出多个静态物体；如果是检测有相对运动的物体，则其回波信号会发生变化，通过解析信号可以测量物体运动的速度。毫米波雷达的特性包括以下几点：

（1）无机械运动部件，可靠性高，相对成本低；

（2）具有较好的距离分辨率，但是水平角分辨率较差；

（3）可以提供距离、速度和方位角的信息，但是无高度信息；

（4）受天气条件影响小，不受光照影响，长距离探测可达250米；

（5）与光学传感器相比，毫米波雷达可穿透某些物体（如前、后保险杠）。

智能网联汽车的毫米波雷达系统结构如图2-2所示。

2.1.1.7 全球卫星定位及惯性测量传感器

全球导航卫星系统（GNSS）和惯性测量单元（IMU）是为高级别的自动驾驶汽车提供所需要的高精度定位服务的。在这种情况下，需要知道准确位置来与地图匹配，从而判断车辆位置。GNSS＆IMU融合方案是比较流行的自动驾驶系统定位方案，因为GNSS的数据刷新有一定的周期（如10毫秒），但是IMU的采样率非常高，所以当在城市里遇到一些问题而导致GNSS出现定位不准确等问题时，可以利用IMU在一定程度上维持定位的准确性。IMU可以提供车辆的动态信息，并在一定情况下计算相对位置的变化。单纯使用GNSS定位时，位置精度并不高，所以才采用定位参考站技术来实现更高精度的位置计算。另外，在定位中很重要的是通过感知定位，与高精度地图的静态物体相匹配。综合了上述定位手段的定位系统才会比较可靠。

2.1.1.8 传感器系统的时间同步

雷达信息主要是点云数据，不同的颜色表示不同的位置信息。相机只有平面数据，单一地基于相机数据或激光雷达的点云数据去做识别都有局限性，两者结合可以得到一个更可靠的结果。为了能够让点云匹配到图像信息，需要保证两者数据的时间同步性，进而将两者数据融合识别。

传感器的时间同步，从GNSS定位信息开始就能够提供一个比较准确的时间信息。到导航框中后，会对它的信息进行解析，提供每秒脉冲数（PPS）信号，以及提供每秒的时钟，再加上通用分组无线业务（General Packet Radio Service，GPRS）的定位和时间信息，最后传输到雷达和中央计算机。雷达在做扫描的时候，会将扫描信息和时间戳信息提供给中央计算机，之后中央计算机会将信息传输给接收总线（PSPU），PSPU 会根据触发角和时间戳信息来触发相机的曝光。相机曝光后，PSPU 会将时间添加进每一帧的数据中，中央计算机还会通过点对点（Peer to Peer，PTP）的方式将时间信息传送给雷达，这样雷达和相机的时间就可以匹配，传感器系统所有数据的时间戳信息也可以保持一致。

2.1.1.9 传感器系统的集成度设计

要不断提升传感器系统的集成度，因为低集成度会导致连线众多、维护麻烦、可靠性低、美观度差、难以规模化等问题。提升传感器系统集成度要努力的方向如下：

（1）感应塔（Sensor Tower）：从结构、走线上更好地将车顶的传感器集成到一起。

（2）接线盒（Nbox）：集成 4G/5G、Switch、LiDAR 和 GNSS/IMU，把这些子模块的供电、数据集成起来，走线也会少很多。

（3）接收总线（PSPU）：集成所有相机的供电、控制、时间同步及图像数据的接收和后处理。

（4）配电装置（PDU）：给计算机和传感器系统提供统一的电源。更多的设备还在开发中。

2.1.1.10 传感器的选型与评估

从需求出发（如定位），选择相机或雷达，确认采用什么样的传感器。被选的传感器通过数据分析和验证，以及通过自己的静态测试和动态测试来不断完善。例如，在某些情况下传感器表现得更好，而在某些情况下表现得不好。传感器并不急于规模化部署，会逐步基于静态测试和动态测试结果来进行小批量部署。传感器的选型评估和保护既是一个工程问题，也是一个商务问题，一个适用的传感器同样需要解决供应和价格的问题，从而达到量产或规模化部署。传感器选型与评估的流程是：需求分析→特别的补充分析→静态测试（标准环境下的主/客观测试）→动态测试（实际道路上的主/客观测试）→环境/可靠性测试→小批量装车测试→逐步实现规模化部署。