Category: 专业术语

专业术语

什么是自动驾驶？

自动驾驶（Autonomous Driving）是指通过车载传感器系统感知环境，结合人工智能算法进行决策规划，最终由车辆控制系统实现自主行驶的技术体系。根据国际汽车工程师学会（SAE）分级标准，自动驾驶分为L0-L5六个等级，从完全人工驾驶到完全自动驾驶逐步演进。其核心技术涵盖环境感知（如激光雷达、摄像头）、定位导航（如高精地图、GNSS）、决策规划（如路径优化、行为预测）以及车辆控制（如线控转向、电子制动）等模块。 对于AI产品经理而言，理解自动驾驶系统的模块化架构与数据闭环机制尤为重要。在实际开发中，需要通过传感器融合提升感知鲁棒性，利用仿真测试加速算法迭代，并建立数据驱动的模型优化流程。当前业界正从特定场景的L4级应用（如无人配送、矿区运输）逐步向开放道路的完全自动驾驶迈进，这要求产品经理在技术可行性与商业落地之间找到平衡点。

专业术语

什么是激光雷达？

激光雷达（LiDAR，Light Detection and Ranging）是一种通过发射激光束并测量其反射时间来探测周围环境三维信息的主动传感技术。其核心原理是通过计算激光脉冲从发射到被物体反射后返回的时间差，结合已知的光速，精确计算出目标物体的距离和方位。激光雷达能够生成高精度的点云数据，这些数据点以三维坐标形式呈现，为自动驾驶系统提供厘米级精度的环境建模能力。根据扫描方式不同，激光雷达可分为机械旋转式、固态式和混合式等类型，每种类型在探测范围、分辨率和成本等方面各有特点。 在自动驾驶汽车开发中，激光雷达是实现环境感知的核心传感器之一。它能够在各种光照条件下稳定工作，弥补摄像头在逆光或夜间场景中的不足，同时提供比毫米波雷达更丰富的几何信息。当前行业正围绕降低成本、提升可靠性和小型化等方向持续创新，部分车企已开始采用前向固态激光雷达作为L3级自动驾驶的标准配置。值得注意的是，激光雷达数据的处理算法（如点云分割、目标跟踪）和与其他传感器的融合策略，往往直接决定了自动驾驶系统的感知性能上限。

专业术语

什么是毫米波雷达？

毫米波雷达是一种利用毫米波（波长1-10mm，频率30-300GHz）进行物体探测的主动传感器，通过发射电磁波并分析反射信号来测量目标的距离、速度和方位角。其核心优势在于能够全天候工作，不受雨雪雾等恶劣天气影响，且具备穿透非金属遮挡物的能力。毫米波雷达通常由射频前端、信号处理单元和数据处理算法组成，可细分为短距（24GHz）、中距（77GHz）和长距（79GHz）三种类型，其中77GHz频段因其更高的分辨率和更小的天线尺寸，已成为自动驾驶领域的主流选择。 在自动驾驶系统中，毫米波雷达常与摄像头、激光雷达组成多传感器融合方案。其测速精度可达0.1km/h，最远探测距离超过200米，特别适合用于自适应巡航（ACC）、自动紧急制动（AEB）等安全关键功能。值得注意的是，毫米波雷达对金属物体反射敏感但对材质识别能力有限，这要求产品经理在系统设计时需充分考虑其特性，例如通过算法补偿「雷达截面」（RCS）差异带来的测量偏差。当前行业正朝着4D成像雷达方向发展，通过增加高程信息检测进一步提升环境感知维度。

专业术语

什么是超声波传感器？

超声波传感器是一种利用超声波特性进行距离测量的电子设备，其工作原理类似于蝙蝠的声纳系统。它通过发射高频声波（通常频率在20kHz以上）并接收反射回波，根据声波往返时间计算目标物体的距离。这类传感器具有成本低廉、结构简单、抗电磁干扰等优势，但其测量精度和范围受环境温度、湿度及物体表面材质影响较大，在自动驾驶领域通常用于近距离（0.1-5米）障碍物检测。 在自动驾驶汽车应用中，超声波传感器常被部署在车辆四周形成「感知护盾」，特别适用于低速场景下的泊车辅助、障碍物预警等功能。其毫米级的测距精度能够可靠识别路缘石、低矮障碍物等视觉和雷达容易遗漏的物体。现代系统通常将8-12个超声波传感器与摄像头、毫米波雷达组成多模态感知系统，特斯拉的Autopark和比亚迪的自动泊车系统都采用了此类方案。值得注意的是，超声波在雨天或积雪条件下的性能衰减需要开发者在系统设计中予以补偿。

专业术语

什么是惯性测量单元？

惯性测量单元（Inertial Measurement Unit，IMU）是自动驾驶系统中用于实时测量车辆运动状态的核心传感器组件，通常由三轴加速度计和三轴陀螺仪构成，部分高精度型号还包含磁力计。加速度计通过检测三个正交轴向的线性加速度，陀螺仪则通过角速度积分来获取姿态变化，二者数据融合后可解算出车辆在三维空间中的位置、速度和姿态信息。这种不依赖外部信号的自主导航特性，使其成为GNSS信号丢失时的关键冗余系统。 在自动驾驶实际应用中，IMU以毫秒级更新频率弥补了摄像头、激光雷达等传感器在高速动态场景下的感知延迟，特别是在紧急制动或快速变道等工况下，其提供的瞬时运动数据对控制决策至关重要。当前行业正致力于通过MEMS工艺降低IMU成本，同时采用卡尔曼滤波等算法提升其与视觉传感器的融合精度，这对实现L4级自动驾驶的定位可靠性具有战略意义。

专业术语

什么是全球导航卫星系统？

全球导航卫星系统（GNSS，Global Navigation Satellite System）是由多颗人造卫星组成的空间定位网络，能够为地球表面或近地空间的用户提供全天候、全天时、全球覆盖的三维位置、速度及时间信息。该系统通过接收至少四颗卫星发射的无线电信号，利用三角测量原理计算出接收器的精确位置。目前全球主要的GNSS包括美国的GPS、俄罗斯的GLONASS、欧盟的伽利略系统以及中国的北斗系统，这些系统相互兼容并形成多星座增强定位能力。 在自动驾驶领域，GNSS是车辆高精度定位的核心基础设施之一，尤其在开阔路段能提供米级甚至厘米级的定位精度（结合RTK差分技术）。但需注意的是，GNSS信号容易受到城市峡谷、隧道等环境的遮挡，因此实际应用中通常与惯性导航系统（INS）、激光雷达和视觉传感器等多源数据融合，构成更可靠的定位解决方案。近年来，随着北斗三号全球组网完成，中国自动驾驶企业获得了更自主可控的卫星定位支持，这对高精地图采集、车辆全局路径规划等环节具有战略意义。

专业术语

什么是高精度地图？

高精度地图（HD Map）是自动驾驶系统的关键基础设施，它以厘米级精度记录道路环境的静态特征，包括车道线位置、交通标志、路缘石高度等三维空间信息。不同于传统导航地图，高精度地图不仅包含几何拓扑关系，还融合了语义层信息，例如车道类型、交通规则、限速要求等结构化数据，为自动驾驶车辆提供先验知识以弥补传感器感知的局限性。 在实际应用中，高精度地图通过匹配车辆实时感知数据与地图特征，实现精确定位（通常能达到10厘米以内误差），同时为路径规划、行为决策提供结构化环境约束。当前主流方案采用激光雷达点云与视觉融合建图技术，辅以众包更新机制确保数据鲜度。值得关注的是，高精度地图的合规性、更新频率与覆盖范围正成为制约自动驾驶商业化落地的关键因素，这也促使行业探索轻量化众包建图与边缘计算相结合的解决方案。

专业术语

什么是传感器融合？

传感器融合（Sensor Fusion）是自动驾驶系统中将来自不同传感器的数据进行整合和处理的技术，旨在获得更准确、可靠的环境感知结果。不同传感器如摄像头、激光雷达、毫米波雷达等各有优劣，摄像头能提供丰富的视觉信息但对光照条件敏感，雷达在恶劣天气下表现稳定但缺乏细节，而激光雷达精度高但成本昂贵。传感器融合通过算法将这些传感器的数据进行时空对齐和互补性分析，消除单一传感器的局限性，最终生成更全面的环境模型。 在自动驾驶产品开发中，传感器融合技术的选择直接影响系统的安全性和可靠性。目前主流的融合方式包括前融合（Raw Data Fusion）和后融合（Object-Level Fusion），前者对原始数据进行深度整合，计算复杂度高但精度优异；后者先由各传感器独立处理数据再融合，实现相对简单但可能损失部分信息。随着深度学习技术的发展，基于神经网络的端到端融合方案正成为研究热点，这类方法能自动学习多模态数据间的关联，但需要大量标注数据进行训练。产品经理需根据具体应用场景在性能、成本和开发周期之间找到平衡点。

专业术语

什么是车辆到一切通信？

车辆到一切通信（Vehicle-to-Everything，V2X）是智能网联汽车实现环境感知与协同决策的核心通信技术，它通过专用短程通信（DSRC）或蜂窝网络（C-V2X）实现车辆与交通参与者（V2V）、基础设施（V2I）、行人（V2P）及云端（V2N）的全方位数据交互。这种实时、低延时的信息交换体系，使车辆能够突破单车传感器的物理局限，获取交叉路口盲区预警、紧急制动信号广播等超视距信息，本质上是为自动驾驶系统构建了分布式感知神经网络。 在自动驾驶产品开发中，V2X技术的落地需重点关注通信协议标准化与场景适配性。例如中国主导的LTE-V2X标准已支持直通模式（PC5接口）实现200米范围内毫秒级传输，而5G NR-V2X将进一步增强高密度车辆群的通信可靠性。产品经理需结合本地交通特征设计应用层协议，如针对混合交通流中的弱势道路使用者（VRU）设计专用消息集，或通过边缘计算实现信号灯配时动态优化。值得注意的是，V2X的商用部署正面临「鸡与蛋」困境——基础设施覆盖率与车载终端渗透率的互相制约，这要求产品方案具备渐进式演进能力，例如采用双模通信模组兼容4G/5G网络过渡期需求。

专业术语

什么是高级驾驶辅助系统？

高级驾驶辅助系统（Advanced Driver Assistance Systems，ADAS）是现代汽车智能化进程中的关键技术，它通过传感器、摄像头、雷达等设备实时感知周围环境，并结合算法为驾驶员提供预警或干预支持。这类系统能在特定场景下实现部分自动化功能，如自适应巡航、车道保持、自动紧急制动等，但本质上仍需要人类驾驶员保持对车辆的最终控制权。 从产品开发视角看，ADAS是自动驾驶技术落地的必经阶段，其功能模块往往采用渐进式迭代策略。当前主流方案多基于计算机视觉与传感器融合技术，通过深度学习模型处理多维数据。值得关注的是，ADAS功能设计需严格遵循「人机共驾」原则，既要确保系统响应的及时性，又要避免过度干预引发的驾驶员依赖。随着L2级功能逐渐成为行业标配，如何平衡功能创新与安全冗余正成为产品经理的核心考量。