在无人驾驶技术中,传感器如何做到环境感知？

无人驾驶车辆为了能像人一样，遇到障碍物或红灯就减速，直到停止;遇到绿灯或前方无障碍物的情况，进行加速等操作，这就需要车载传感器去周围的环境进行感知。今天CRCBOND就为大家介绍一下无人驾驶车辆的视觉传感器。

无人驾驶车辆视觉传感器主要由单目摄像机、双目摄像机、三目摄像机和环视摄像机组成。在无人驾驶领域，摄像机的最主要两大功能是实现各种环境信息的感知以及定位，所以视觉传感器也是所有车载传感器中感知能力最强的，没有之一。

无人驾驶车辆视觉传感器摄像机内部组件的固定密封也是高要求严标准，对于CRCBOND UV胶水也是一项不小的难题，好在通过我司技术人员的不懈努力，正式推出一高稳定性固定密封系列胶水，收缩极小，耐高温高湿酸碱等老化测试性能优秀，高韧性耐冲击，如需免费样品测试，可直接联系我们~

无人驾驶技术并不简单，是一项庞大且复杂的技术工程，包括各种软件和硬件技术，所以实现无人驾驶是一个漫长且严谨的过程。随着科技的发展，时代的进步，无人驾驶技术逐渐兴起，传感器的融合成了无人驾驶领域的趋势。同时无人驾驶的发展热潮，拉动了诸多技术创业者的纷纷涉足。近段时间以来，国内车企关于无人驾驶汽车的研发和测试捷报频传。先是吉利汽车宣布将在2022年亚运举办期间，在特定区域内使用完全无人驾驶的车辆。随后再有报道称，百度宣称其新一代无人巴士车阿波龙二代将很快推出。而就在不久前，百度与中国一汽红旗共同打造的国内首批量产自动驾驶出租车在湖南长沙展开了上路测试。有消息称，长沙市民有望在年底之前率先体验到中国首批自动驾驶出租车。 无疑无人驾驶技术是一种解放人类双手和提高生产力效率的科技创新。

无人驾驶的底层支撑可以分为三部分，即：传感器、高精地图和计算平台。在传感器方面，主流的传感器分为：毫米波雷达、激光雷达和摄像头。其作用如下：

摄像头：直接识别可见光，价格适中，技术成熟，可以识别行人、车辆、路标等物体，但易受视野、夜晚暗光、雨雪天气等因素影响。

激光雷达：探测角度广，精度高，厘米级精度的激光雷达结合高精地图可以实现高精度自定位和物体识别跟踪，定位可以精确到具体车道，但是价格昂贵，使用寿命较短。

毫米波雷达：测距离远，可以在雨雪天气等各种恶劣环境中稳定工作，但是精度不高。

无人驾驶用于控制的传感器要么是摄像头，要么是激光雷达，这是业界已经达成的共识。那何谓激光雷达?在无人机驾驶中的作用是什么?

激光雷达的工作原理是利用可见和近红外光波(多为950nm波段附近的红外光)发射、反射和接收来探测物体。激光雷达可以探测白天或黑夜下的特定物体与车之间的距离。由于反射度的不同，也可以区分开车道线和路面，但是无法探测被遮挡的物体、光束无法达到的物体，在雨雪雾天气下性能较差。

激光雷达在无人驾驶运用中拥有两个核心作用。3D建模进行环境感知。通过雷射扫描可以得到汽车周围环境的3D模型，运用相关算法比对上一帧和下一帧环境的变化可以较为容易的探测出周围的车辆和行人。

激光雷达在无人驾驶中的具体应用

1.定位

定位在无人驾驶中十分钟重要，只有有了实时的位置信息，系统才能做出下一步判读，决定向何处进发，以及如何前往。现在定位的方式有许多种。如载波相位差分技术(RTK)，但 RTK 还是会受信号的干扰。特别是在一些城市、建筑和树比较多的地方，以及进隧道、出隧道，它的信号容易中断。同时，也有用摄像头等传感器感知外部环境、构建环境模型并利用该模型确定车辆所在的位置的方式，但其对环境的依赖比较强，比如逆光或雨雪天气下，这种定位容易失效。而激光雷达是依靠将车辆的初始位置与高精地图信息进行比对来获得精确位置。首先，GPS、IMU和轮速等传感器给出一个初始(大概)的位置。其次，将激光雷达的局部点云信息进行特征提取，并结合初始位置获得全局坐标系下的矢量特征。最后，将上一步的矢量特征跟高精地图的特征信息进行匹配，得出精确的全球定位。所以，在定位方面，无论是从精度上还是稳定性上来说，运用激光雷达都有无可比拟的优势。而其唯一的缺点便在于目前激光雷达的生产成本较高，另一方面往固态方向上进行技术创新，朝着固态的低成本和可量产化的方向去发展，许多国内外厂家都在加速创新，在不久的将来成本将不会成为一个十分棘手的问题。

2. 障碍物的检测和分类

对于障碍物检测和分类来讲，目前有应用视觉和激光雷达，这两者并没有冲突。激光雷达不依赖光照，它的视角是 360 度，计算量比较小，可以实时扫描，目前普遍用的是 100 毫秒以内的。激光雷达在扫描的过程中，先识别障碍物，知道这个障碍物在空间中的位置，再根据存在的障碍物做分类。比如车、人，我们将这些障碍物分割成为独立的个体，通过分割出来独立的个体再去匹配，从而进行障碍物的分类和物体的跟踪。而跟踪的过程，首先是分割点云，通过点云做关联目标，我们知道上一桢和下一桢是否属于同一个物体，再进行目标跟踪，输出目标跟踪信息。

3.用于先进驾驶辅助系统(ADAS)

先进驾驶辅助系统(Advanced Driver Assistance System)，简称ADAS，是利用安装于车上的各式各样的传感器， 在第一时间收集车内外的环境数据， 进行静、动态物体的辨识、侦测与追踪等技术上的处理， 从而能够让驾驶者在最快的时间察觉可能发生的危险， 以引起注意和提高安全性的主动安全技术。如果激光雷达能有效控制成本，ADAS等级数较低的驾驶辅助功能也需要用激光雷达。其原因在于，基于摄像头的ADAS和无人驾驶系统，或者单独使用毫米波的局限性很大。首先是视场角的问题，为了保证足够的探测距离，视场角的角度不可太大，而这就导致车辆有非常大的横向盲区。

对此现象，有些公司设计了多摄像头来解决此类问题，但效果并不理想，同样的多目摄像头会有重叠区域，还会增加处理数据的难度。其次是低速问题，事实证明，在低速情况下，摄像头的表现不尽人意，甚至对一下移动缓慢或静止的目标都很难识别。所以激光雷达在ADAS方面有着很大的潜力。无人驾驶汽车技术作为智能汽车的重要分支，在无人操作汽车的状态下，通过人工智能对汽车进行各种操作，提升汽车驾驶效率和汽车驾驶的安全性。无人驾驶汽车能够及时收集实时的车辆信息和环境信息，作为复杂的系统工程，无人驾驶汽车技术涵盖了多门类的科学技术[1]。无人驾驶汽车技术经历了漫长的研发过程，它需要对行驶汽车的各项实时动态数据进行准确测量，进而确保无人驾驶汽车行驶的安全性和稳定性。

在进行行驶汽车信息收集与测量作业的过程中，必须用到传感器。汽车传感器技术是新时代汽车工业的重要组成部分，不同类型的汽车对传感器的需求也各有不同，传感器的使用方案通常由汽车驾驶工程师制定。汽车传感器技术能够对行驶中的汽车进行有效监控，采集汽车周边的实施环境数据，近似于人类的感知神经系统[2]。目前，在无人驾驶汽车技术中应用最多的传感器技术是摄像头、雷达传感器、毫米波雷达、激光雷达、视觉成像装置等。根据车载传感器的不同功能，其主要分为视觉传感器、激光雷达传感器、毫米波雷达传感器、超声波雷达传感器和声音传感器。视觉传感器主要为成像装置与光学器件，对行驶汽车的周边环境进行实时动态的监测，将收集到的周边环境数据进行图像处理。通过分析行驶汽车周边的图像，增强对视觉传感器工作性能的把控[3]。

同时，视觉传感器能够很好地进行碰撞预警工作，对于行驶车辆的预警功能是其特有的优势，也是其应用范围超过其他种类传感器的原因。无人驾驶汽车技术中的视觉传感器能够收集彩色影响和环境数据，是无人驾驶汽车技术的重要信息源。当前无人驾驶汽车技术的视觉传感器设备主要为摄像头和相机，其中根据相机的功能种类分为全景相机、双目立体相机和单目相机。增加对无人驾驶汽车技术视觉传感器研发的投入，能够进一步提升无人驾驶汽车对周边环境的感知能力[4]。激光雷达传感器是汽车传感器中最重要的传感器，它能够对明确区分立体真人和人物图像。通过建立的三维立体模型，借助激光光束对周边环境和周边物体的位置、速度进行实时动态测量和预测。

激光雷达传感器预测的方向感和准确度都极佳，因此在民用和军事领域都得到了广泛应用;同时，其精密程度较高，能够自动形成立体的环境图形，在无人驾驶汽车技术中发挥了重要作用。借助激光雷达传感器，能够在短期内对行驶中的汽车进行准确预测，极大地提升了无人驾驶汽车的稳定性和安全性[5]。但是，在大雾或阴雨天气，激光雷达传感器会受到干扰无法正常进行工作。激光雷达传感器通过向目标发射光线，计算反射光实现测距工作。激光雷达传感器分为单线和多线两种类型。

比较具有代表性的单线激光雷达传感器是德国产LMS型号的传感器，为提升数据回传速度，一般采用网络接口的信号传输方式。多线激光雷达传感器的代表性产品为美国制造的HDL型传感器，其最多可发射64个激光束，垂直探测范围为26.8°，水平探测范围为360°。多线激光雷达传感器借助UDP协议网络将数据传回至计算机系统。毫米波雷达传感器能够辨别小型目标，其成像功能较强。毫米波雷达传感器具有较强的隐秘性和机动性，能够实时对周边情况进行预测，提升对周围环境的适应性。

由于无人驾驶汽车技术需要精密程度较高的设备，因此充分结合无人驾驶系统先进的人工智能技术和毫米波雷达传感器，能够更好地发挥其性能和特殊的优势。

毫米波雷达传感器是除视觉传感器以外，现阶段唯一具有防撞預测能力的传感器，能够提升汽车行驶的稳定性和安全性[6]。超声波雷达传感器具有灵活、成本低的特点，它能够在短时间内对于汽车的行驶速度进行预判。同时，超声波雷达传感器能够在一定程度上弥补激光雷达传感器的缺陷，尤其是行驶中汽车的底部盲区。

超声波雷达传感器能够对汽车底部盲区开展近距离测量工作，能够识别路面的小动物和小型障碍等，进而避免出现碰撞，减少行驶车辆的盲区范围。借助传感器近距离测量的能力，能够有效帮助汽车进行自动停泊以及汽车周边状况的实时监测。