想讓車輛實現(xiàn)自動駕駛，一定離不開復(fù)雜的感知硬件，超聲波雷達(dá)、激光雷達(dá)、毫米波雷達(dá)作為自動駕駛汽車上常見的硬件，各自承擔(dān)著不同的感知任務(wù)，他們都叫做雷達(dá)， 有什么區(qū)別？在自動駕駛汽車上，這些雷達(dá)又有什么作用？

它們各自怎么工作的？

超聲波雷達(dá)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(dāng)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(jié)構(gòu)簡單，常見于倒車?yán)走_(dá)、泊車輔助、車輛周邊低速緩速環(huán)境的碰撞預(yù)警等。

激光雷達(dá)（LiDAR）用的不是聲波，而是激光脈沖。傳統(tǒng)的機(jī)械旋轉(zhuǎn)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(diǎn)整合成三維點(diǎn)云。點(diǎn)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(diǎn)測距精度可以達(dá)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(xué)傳感本身對雨、霧、雪、強(qiáng)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(dá)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(qiáng)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(dá)通常采用調(diào)頻連續(xù)波（FMCW）信號或脈沖信號，能同時測出目標(biāo)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(dá)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(fù)雜信號處理（如“成像雷達(dá)”或“4D雷達(dá)”的出現(xiàn)），它的角分辨率和點(diǎn)云化能力都在提升。毫米波雷達(dá)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(diǎn)云；毫米波雷達(dá)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(chǔ)，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(dá)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(bǔ)充”和“低速碰撞防護(hù)”。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(qiáng)度和時間做經(jīng)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(dá)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(dá)負(fù)責(zé)產(chǎn)生道路與周圍物體的三維幾何圖像，這對目標(biāo)分割、三維目標(biāo)檢測與跟蹤、以及構(gòu)建瞬時或累積的點(diǎn)云地圖都非常有用。激光雷達(dá)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(chǔ)進(jìn)行占有網(wǎng)格或可行駛空間的判斷。其典型場景包括城市低速通行、復(fù)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(dá)在自動駕駛中經(jīng)常承擔(dān)“遠(yuǎn)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(yù)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(dá)的遠(yuǎn)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(dá)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(jié)構(gòu)或運(yùn)動目標(biāo)，這對某些特殊感知任務(wù)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(fù)責(zé)0 m～3 m內(nèi)的近距告警，激光雷達(dá)負(fù)責(zé)0 m～150 m甚至更遠(yuǎn)的高分辨率幾何感知（取決于激光雷達(dá)型號），毫米波雷達(dá)負(fù)責(zé)遠(yuǎn)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(diǎn)對比，為什么不能只用一種傳感器？

經(jīng)�？吹胶芏嗉夹g(shù)方案中，會對某一感知硬件非常自信，認(rèn)為單一傳感器便可打天下，其實這個認(rèn)知是不太準(zhǔn)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(guān)鍵性能指標(biāo)看。

超聲波的優(yōu)勢是便宜、小巧、近距離測距準(zhǔn)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(yuǎn)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(shè)計目標(biāo)。

激光雷達(dá)能給出高密度三維點(diǎn)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常可靠。但激光雷達(dá)對雨雪和大霧比較敏感，強(qiáng)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(dá)價格很高、體積和機(jī)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(jìn)展很快，但在各類自動駕駛方案里，激光雷達(dá)仍然是成本和系統(tǒng)集成的重點(diǎn)考量對象。

毫米波雷達(dá)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(xì)節(jié)的表現(xiàn)場景不足，也就是說單靠毫米波雷達(dá)很難區(qū)分一個行人和一輛車的細(xì)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(fù)雜的信號和算法發(fā)展，雷達(dá)的角度與距離分辨率在提升，但要達(dá)到激光雷達(dá)那樣細(xì)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(dá)，雨天能見度下降會帶來風(fēng)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(dá)，目標(biāo)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(bǔ)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(shù)據(jù)流對齊？如何在不同傳感器出現(xiàn)矛盾時做出合理權(quán)衡？時間同步和空間標(biāo)定是傳感器融合的基礎(chǔ)。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(biāo)在不同傳感器的觀測會出現(xiàn)時間漂移，影響跟蹤和融合�？臻g標(biāo)定指的是外參和內(nèi)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(biāo)定清楚，才能把激光雷達(dá)點(diǎn)云與毫米波雷達(dá)目標(biāo)或攝像頭圖像映射到同一坐標(biāo)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(dá)的點(diǎn)映射到相機(jī)圖像或激光雷達(dá)點(diǎn)云中），再用統(tǒng)一的感知網(wǎng)絡(luò)或算法處理，這樣的優(yōu)點(diǎn)是理論上能最大化利用各傳感器的信息互補(bǔ)，但對實時性、算力和標(biāo)定精度要求很高。后期融合則是讓每個傳感器先做獨(dú)立檢測與跟蹤，生成目標(biāo)列表（帶置信度、速度、類別等），再把這些結(jié)果在決策層融合，這樣實現(xiàn)更簡單且魯棒，但在細(xì)粒度和復(fù)雜場景下可能丟失部分信息。現(xiàn)在很多量產(chǎn)方案中會采用中間式融合，也就是在點(diǎn)云或候選檢測層面融合關(guān)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(dá)點(diǎn)云通常用于三維檢測和形狀確認(rèn)，深度學(xué)習(xí)的點(diǎn)云網(wǎng)絡(luò)（例如基于點(diǎn)的、體素化或投影方法）被用來做分類和定位；毫米波雷達(dá)數(shù)據(jù)常用于生成雷達(dá)檢測列表，并提供速度作為跟蹤和碰撞預(yù)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(xì)測距來源。當(dāng)然，在自動駕駛系統(tǒng)中一定要設(shè)計優(yōu)先級和置信度融合規(guī)則，當(dāng)毫米波雷達(dá)與激光雷達(dá)產(chǎn)生沖突（例如毫米波雷達(dá)檢測到遠(yuǎn)方目標(biāo)但激光雷達(dá)沒有點(diǎn)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(dá)點(diǎn)作為真實目標(biāo)保留或標(biāo)記為不確定。

在進(jìn)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?dāng)_，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(jī)化觸發(fā)、時分復(fù)用或編碼方式來區(qū)分信號。激光雷達(dá)也會遇到互相干擾，尤其在夜間大批車都裝有激光雷達(dá)時，其他設(shè)備的激光可能造成偽點(diǎn)，解決辦法包括脈沖編碼、頻率或時序錯開，以及在點(diǎn)云處理時做異常點(diǎn)去除。毫米波雷達(dá)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(dá)設(shè)計通過更復(fù)雜的信號設(shè)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(shù)方案中，一直會有人討論，要不要把激光雷達(dá)都去掉，只用攝像頭和毫米波雷達(dá)？或者把所有東西都換成成像雷達(dá)？這些問題其實沒有統(tǒng)一答案。傳感器的選擇要結(jié)合目標(biāo)自動駕駛級別、成本容忍度、預(yù)期場景和安全策略。如果目標(biāo)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(dá)+毫米波雷達(dá)+超聲波）仍是當(dāng)前最穩(wěn)妥的做法。若目標(biāo)只是實現(xiàn)高速車道保持和自適應(yīng)巡航，許多車企在成本壓縮下通過毫米波雷達(dá)加攝像頭就能達(dá)到L2級的實用目標(biāo)。成像雷達(dá)（高分辨率雷達(dá)）和FMCW LiDAR帶來的可測速度和抗干擾能力會改變感知架構(gòu)，但它們也會帶來如信號處理復(fù)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(biāo)，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(jīng)過濾波、跟蹤、融合與置信估計。也就是說很精確的激光雷達(dá)點(diǎn)云在被錯誤的標(biāo)注、模型偏置、或時間對齊出錯時，仍可能導(dǎo)致不正確決策。因此在實際應(yīng)用時一定要強(qiáng)調(diào)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(biāo)。

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(dá)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(xué)干擾，可能會縮小與毫米波雷達(dá)功能的重疊。毫米波雷達(dá)朝著更高帶寬、更大陣列、更復(fù)雜的成像能力演進(jìn)，所謂“4D雷達(dá)”逐漸具備把返回點(diǎn)云化的能力，使雷達(dá)在角度和高度分辨上更接近激光雷達(dá)。超聲波在算法層面的改進(jìn)和更可靠的編碼方式，也會讓其在自動泊車與低速保護(hù)領(lǐng)域更穩(wěn)健。多模態(tài)學(xué)習(xí)與跨模態(tài)注意力機(jī)制則讓傳感器融合在感知性能上更進(jìn)一步，特別是對復(fù)雜場景的語義理解和置信度估計會更好。

-- END --

       原文標(biāo)題 : 自動駕駛中超聲波雷達(dá)、激光雷達(dá)、毫米波雷達(dá)有何區(qū)別？分別有何作用？