车辆中常见的传感器（激光雷达、毫米波雷达、超声波雷达、摄像头）在自动驾驶和环境感知中各有独特作用：
1. 摄像头
- 作用：
摄像头通过采集图像信息，提供丰富的语义数据，如识别道路标志、交通信号灯、行人、车辆颜色与纹理等。其优势在于高分辨率的视觉信息处理，适合目标分类和场景理解。 - 局限性：
受光照和天气条件（如雾、雨、强光）影响较大，暗区或低对比度场景下识别能力下降。
2. 激光雷达（LiDAR）
- 作用：
通过发射激光束并测量反射时间，生成高精度三维点云数据，实现环境三维建模。其优势包括：- 高精度测距：厘米级精度，适用于障碍物定位和路径规划；
- 全天候稳定性：不受光照影响，夜间或低能见度条件下表现稳定。
- 技术分类：
- 机械扫描式：通过旋转镜面实现广角扫描（如Velodyne的64线雷达），但体积较大；
- 固态式：无机械部件，体积小（如微振镜方案），但视场角有限。
- 局限性：
对透明或半透明物体（如玻璃）检测效果差，且成本较高。
3. 毫米波雷达
- 作用：
利用毫米波（24GHz/77GHz频段）探测目标距离、速度和角度，优势包括：- 长距离探测：可达300米以上，适合高速场景；
- 恶劣天气适应性：穿透雨雾能力强，与激光雷达形成互补。
- 技术演进：
- 4D毫米波雷达：新增高度信息探测，提升成像精度，支持复杂场景下的目标跟踪（如华为尊界S800的分布式雷达方案）。
- 局限性：
对小尺寸或低反射率物体（如细长栏杆）检测能力较弱。
4. 超声波雷达
- 作用：
通过发射超声波实现近距离（通常<5米）障碍物检测，主要用于：- 泊车辅助：如倒车雷达；
- 低速场景避障：如自动泊车和低速跟车。
- 优势：
成本低、响应快，但对远距离和高速目标无效。
传感器融合趋势
自动驾驶系统通常采用多传感器融合方案以提升可靠性：
- 互补性：
- 摄像头+激光雷达：视觉语义与三维空间数据结合；
- 激光雷达+4D毫米波雷达：恶劣天气下的冗余感知。
- 成本与性能平衡：
高端车型倾向于多传感器配置（如激光雷达+毫米波雷达），而中低端车型可能采用纯视觉+4D毫米波雷达方案以降低成本。