[首發(fā)于智駕最前沿微信公眾號]想讓車輛實現(xiàn)自動駕駛，一定離不開復雜的感知硬件，超聲波雷達、激光雷達、毫米波雷達作為自動駕駛汽車上常見的硬件，各自承擔著不同的感知任務，他們都叫做雷達， 有什么區(qū)別？在自動駕駛汽車上，這些雷達又有什么作用？

它們各自怎么工作的？

超聲波雷達發(fā)射的是人耳聽不到的高頻聲波（常見能見度的工作頻率大約在幾十千赫茲），當聲波遇到障礙物后會被反射，傳感器通過測量發(fā)射到接收到回波的時間差來計算距離。這種測距方式叫做“飛行時間法”（Time-of-Flight）。超聲波信號波長較長，在空氣中衰減較快，所以有效距離通常只有幾厘米到幾米；分辨率和角度信息都比較粗，但對近距離物體的存在與否、相對位置判斷非常直接。它成本低、功耗小、結構簡單，常見于倒車雷達、泊車輔助、車輛周邊低速緩速環(huán)境的碰撞預警等。

激光雷達（LiDAR）用的不是聲波，而是激光脈沖。傳統(tǒng)的機械旋轉式LiDAR把激光束按一定角度掃描出去，接收返回的光脈沖，測量飛行時間得到精確的距離，并把大量測得的點整合成三維點云。點云是非常直觀的空間幾何信息，你可以把道路、行人、車輛、路緣、障礙物都在三維空間里“畫出來”。激光波長通常在近紅外范圍，單點測距精度可以達到厘米級，角度分辨率也很高，這就是LiDAR能提供“高分辨率幾何感知”的原因。近年來出現(xiàn)了很多固態(tài)方案（MEMS、閃光式、相控陣/OPA、以及FMCW LiDAR 等），在體積、成本、可靠性上得到了快速提升。但需要注意的是，光學傳感本身對雨、霧、雪、強光反射等環(huán)境更敏感，信號會被散射或被背景光淹沒。

毫米波雷達用的是更長的電磁波，頻率一般在千兆赫茲級，常見的是24 GHz、77 GHz、79 GHz這些車規(guī)頻段。毫米波比可見光和紅外有更強的穿透性，能較好穿越霧、雨、灰塵等能見度差的環(huán)境。毫米波雷達通常采用調頻連續(xù)波（FMCW）信號或脈沖信號，能同時測出目標的距離、徑向速度（通過多普勒頻移）和角度（通過天線陣列和波束成形）。傳統(tǒng)毫米波雷達的角分辨率較差，只能提供相對粗糙的角度信息，但隨著多輸入多輸出（MIMO）陣列、更多帶寬、更復雜信號處理（如“成像雷達”或“4D雷達”的出現(xiàn)），它的角分辨率和點云化能力都在提升。毫米波雷達最大的天然優(yōu)勢是可靠性和對速度信息的直接測量能力。

這三種傳感器在物理層面的差異決定了它們在感知輸出上的差別，超聲波給出近距離、粗角度的存在性和距離；LiDAR給出高密度三維幾何點云；毫米波雷達給出抗惡劣天氣、帶速度的距離與角度信息（分辨率依硬件和信號處理而異）。

在自動駕駛里它們各自的作用和典型場景

把自動駕駛系統(tǒng)拆開來看，感知是基礎，要知道“前面有什么、在哪里、速度如何、屬于哪類對象”。不同傳感器在這些問題上分工不同。超聲波雷達在自動駕駛中的主要角色是“微觀靠近感知”。停車時探測與墻、路緣、柱子的距離，低速變道或并線時判斷旁邊是否有非常近的障礙物，是觸發(fā)剎車或提示駕駛員的最后一道防線，它的主要作用就是做“盲區(qū)補充”和“低速碰撞防護”。由于聲波對塑料、軟物體和傾斜表面的反射有不同表現(xiàn)，算法上會對回波強度和時間做經驗性處理以減少誤報，但總體來說超聲波適合“近、慢、成本敏感”的場景。

激光雷達的作用主要就是空間建模與精確定位。在L2+或L4級別自動駕駛方案中，激光雷達負責產生道路與周圍物體的三維幾何圖像，這對目標分割、三維目標檢測與跟蹤、以及構建瞬時或累積的點云地圖都非常有用。激光雷達的高精度距離信息能幫助定位（尤其在GNSS或視覺受限時），并能以幾何特征為基礎進行占有網格或可行駛空間的判斷。其典型場景包括城市低速通行、復雜交叉口、狹窄道路及需要精確縱向控制（如自動泊車、通過施工區(qū)）等。

毫米波雷達在自動駕駛中經常承擔“遠距離探測與速度感知”這一職能。高速公路場景、自動巡航、前向碰撞預警、盲區(qū)監(jiān)測、跨車道切入的速度判斷，這些都依賴毫米波雷達的遠距能力和對徑向速度的直接測量。尤其是在雨、霧這類可見光/激光受損的情況下，毫米波雷達往往是可靠的“最后一條線”。毫米波還能透過部分非金屬材料（比如薄霧罩、塑料外殼）探測到里面活動的金屬結構或運動目標，這對某些特殊感知任務有幫助。

這三者在自動駕駛汽車上起著不同的作用，超聲波負責0 m～3 m內的近距告警，激光雷達負責0 m～150 m甚至更遠的高分辨率幾何感知（取決于激光雷達型號），毫米波雷達負責遠距離（幾十米到幾百米）并提供速度信息及在惡劣天氣下的穩(wěn)健感知。再配合攝像頭提供紋理與顏色信息，就能覆蓋自動駕駛汽車大部分場景需求。

優(yōu)缺點對比，為什么不能只用一種傳感器？

經常看到很多技術方案中，會對某一感知硬件非常自信，認為單一傳感器便可打天下，其實這個認知是不太準確的。要理解為什么單一傳感器無法包打天下，得從探測距離、角度分辨率、距離分辨率、速度測量能力、環(huán)境魯棒性、成本和功耗等多個關鍵性能指標看。

超聲波的優(yōu)勢是便宜、小巧、近距離測距準確，但它的探測距離短、角度分辨率差、受氣溫和空氣流動影響大，不能用于遠距或高速場景。你不能只靠超聲波做高速主動巡航，那不是它的設計目標。

激光雷達能給出高密度三維點云，幾厘米級的測距誤差和很高的角分辨能力，使得物體分割和形狀判斷非?？煽?。但激光雷達對雨雪和大霧比較敏感，強反射（如陽光直射或反光面）會造成噪聲，另外早期高端激光雷達價格很高、體積和機械可靠性也曾是問題。雖然固態(tài)方案在降低成本和可靠性上進展很快，但在各類自動駕駛方案里，激光雷達仍然是成本和系統(tǒng)集成的重點考量對象。

毫米波雷達的天生優(yōu)勢是抗環(huán)境干擾和能直接測量徑向速度，這在動態(tài)場景里極其重要。其短板傳統(tǒng)上是角分辨率和靜態(tài)幾何細節(jié)的表現(xiàn)場景不足，也就是說單靠毫米波雷達很難區(qū)分一個行人和一輛車的細節(jié)，或是在擁擠的城市街道里完成高精度的三維分割。隨著MIMO天線陣列、寬帶信號和更復雜的信號和算法發(fā)展，雷達的角度與距離分辨率在提升，但要達到激光雷達那樣細膩的空間分辨率仍有挑戰(zhàn)。

單一傳感器會在若干維度上短板明顯，若你只用激光雷達，雨天能見度下降會帶來風險；若只用攝像頭，夜間或背光場景就會出問題；若只用毫米波雷達，目標分類與幾何重建能力不足。自動駕駛系統(tǒng)想確保足夠的安全，一定是要冗余與互補的，把不同傳感器的長處疊加，短處互相覆蓋，從而在更廣泛的環(huán)境中維持可接受的性能和安全邊界。

如何處理好各傳感器的融合？

把各傳感器放在同一輛車上，如何讓數據流對齊？如何在不同傳感器出現(xiàn)矛盾時做出合理權衡？時間同步和空間標定是傳感器融合的基礎。傳感器之間的時間對齊要精確到毫秒甚至亞毫秒級（取決于車輛速度和決策周期），否則快速移動的目標在不同傳感器的觀測會出現(xiàn)時間漂移，影響跟蹤和融合。空間標定指的是外參和內參的確定，每個傳感器的安裝位置、朝向、畸變特性等都必須標定清楚，才能把激光雷達點云與毫米波雷達目標或攝像頭圖像映射到同一坐標系下。

在傳感器融合策略上有早期融合、中期融合和后期融合的區(qū)別。早期融合嘗試把原始或低層次的信號先對齊（例如把雷達的點映射到相機圖像或激光雷達點云中），再用統(tǒng)一的感知網絡或算法處理，這樣的優(yōu)點是理論上能最大化利用各傳感器的信息互補，但對實時性、算力和標定精度要求很高。后期融合則是讓每個傳感器先做獨立檢測與跟蹤，生成目標列表（帶置信度、速度、類別等），再把這些結果在決策層融合，這樣實現(xiàn)更簡單且魯棒，但在細粒度和復雜場景下可能丟失部分信息?，F(xiàn)在很多量產方案中會采用中間式融合，也就是在點云或候選檢測層面融合關鍵特征，然后在跟蹤層做聯(lián)合估計。

在自動駕駛感知算法里，激光雷達點云通常用于三維檢測和形狀確認，深度學習的點云網絡（例如基于點的、體素化或投影方法）被用來做分類和定位；毫米波雷達數據常用于生成雷達檢測列表，并提供速度作為跟蹤和碰撞預判的重要輸入；超聲波主要輸出近距碰撞告警信號或作為低速自動泊車時的精細測距來源。當然，在自動駕駛系統(tǒng)中一定要設計優(yōu)先級和置信度融合規(guī)則，當毫米波雷達與激光雷達產生沖突（例如毫米波雷達檢測到遠方目標但激光雷達沒有點返回），系統(tǒng)會考慮環(huán)境（雨霧）、置信度歷史、以及速度信息決定是否把該雷達點作為真實目標保留或標記為不確定。

在進行傳感器融合時還要處理干擾問題。超聲波在密集停車場里會出現(xiàn)串擾，多輛車同時發(fā)超聲波會互相干擾，造成假回波或丟失回波。為減少這種影響，系統(tǒng)會采用隨機化觸發(fā)、時分復用或編碼方式來區(qū)分信號。激光雷達也會遇到互相干擾，尤其在夜間大批車都裝有激光雷達時，其他設備的激光可能造成偽點，解決辦法包括脈沖編碼、頻率或時序錯開，以及在點云處理時做異常點去除。毫米波雷達的互相干擾隨著頻譜使用密集度增加也會成問題，現(xiàn)代雷達設計通過更復雜的信號設計和干擾檢測/抑制算法來緩解。

一些常見誤解與現(xiàn)實建議

在很多技術方案中，一直會有人討論，要不要把激光雷達都去掉，只用攝像頭和毫米波雷達？或者把所有東西都換成成像雷達？這些問題其實沒有統(tǒng)一答案。傳感器的選擇要結合目標自動駕駛級別、成本容忍度、預期場景和安全策略。如果目標是城市自動駕駛的高可靠度水平和完整的感知能力，多模態(tài)冗余（攝像頭+激光雷達+毫米波雷達+超聲波）仍是當前最穩(wěn)妥的做法。若目標只是實現(xiàn)高速車道保持和自適應巡航，許多車企在成本壓縮下通過毫米波雷達加攝像頭就能達到L2級的實用目標。成像雷達（高分辨率雷達）和FMCW LiDAR帶來的可測速度和抗干擾能力會改變感知架構，但它們也會帶來如信號處理復雜性、法規(guī)與頻譜問題、以及工程集成成本等新問題。

對于感知硬件，現(xiàn)在還有一個常見誤解，就是一直追求感知硬件的硬性指標，把傳感器的原始精度等同于系統(tǒng)決策精度。傳感器給出的是觀測，實際用于決策之前必須經過濾波、跟蹤、融合與置信估計。也就是說很精確的激光雷達點云在被錯誤的標注、模型偏置、或時間對齊出錯時，仍可能導致不正確決策。因此在實際應用時一定要強調端到端的驗證、場景覆蓋的完整測試與故障模式測試，而不僅僅是硬件指標。

最后的話

感知硬件在近幾年的發(fā)展并沒有停滯。固態(tài)激光雷達的成本和體積在下降，F(xiàn)MCW LiDAR能直接給出速度信息并對抗光學干擾，可能會縮小與毫米波雷達功能的重疊。毫米波雷達朝著更高帶寬、更大陣列、更復雜的成像能力演進，所謂“4D雷達”逐漸具備把返回點云化的能力，使雷達在角度和高度分辨上更接近激光雷達。超聲波在算法層面的改進和更可靠的編碼方式，也會讓其在自動泊車與低速保護領域更穩(wěn)健。多模態(tài)學習與跨模態(tài)注意力機制則讓傳感器融合在感知性能上更進一步，特別是對復雜場景的語義理解和置信度估計會更好。

審核編輯 黃宇