Category: 专业术语

传感器校准是自动驾驶系统中确保多传感器数据时空一致性的关键技术，指通过标定和调整使不同传感器的测量结果在统一坐标系下达到精确匹配的过程。激光雷达、摄像头、毫米波雷达等传感器因安装位置、采样频率和测量原理的差异，会产生坐标系偏移和时间不同步问题，校准工作即通过外参标定（确定传感器间相对位姿）和内参标定（补偿传感器自身畸变）来消除这些误差。例如摄像头需要校正镜头畸变，而多传感器融合前必须将激光雷达点云精确映射到图像像素坐标系。 在实际应用中，传感器校准直接影响感知算法的可靠性。未校准的摄像头可能导致物体检测框偏移3-5个像素，而毫米波雷达与视觉的未对齐会引发虚假碰撞预警。特斯拉在2021年推出的「影子模式」动态校准技术，能通过车辆行驶时的自然场景数据持续优化校准参数，这标志着校准技术从静态标定向动态自适应的演进。随着4D毫米波雷达和固态激光雷达的普及，基于语义特征（如车道线、车辆边缘）的在线校准已成为行业新趋势。

外参标定（Extrinsic Calibration）是自动驾驶系统中确定不同传感器之间相对位置和姿态关系的核心标定技术。它通过建立坐标系转换关系，将激光雷达、摄像头、毫米波雷达等传感器采集的数据统一到车辆坐标系下，为多传感器融合提供精确的空间对齐基础。外参标定通常采用标定板、特征点匹配等方法求解旋转矩阵和平移向量，其精度直接影响感知系统的目标检测与跟踪性能。 在实际应用中，外参标定面临车载传感器振动偏移、温度形变等动态挑战。现代自动驾驶系统常采用在线标定技术，通过自然场景中的道路特征（如车道线、建筑物边缘）实现动态补偿。特斯拉的「传感器融合标定流水线」和Waymo的「自动标定系统」都体现了该技术在产品化中的关键价值——既能保证标定精度，又能适应复杂工况下的长期稳定性。

内参标定（Intrinsic Calibration）是自动驾驶系统中确定摄像头、激光雷达等传感器内部参数的关键过程。这些参数包括焦距、主点坐标、镜头畸变系数等光学特性，它们决定了传感器如何将三维世界映射到二维图像或点云数据。内参标定的本质是建立传感器坐标系与成像平面之间的精确数学关系，为后续的环境感知提供准确的几何基础。 在实际开发中，内参标定的精度直接影响目标检测、车道线识别等功能的可靠性。例如标定不良的摄像头会导致距离估算误差，进而影响路径规划决策。现代自动驾驶系统通常采用棋盘格或特定标定板，通过多角度采集数据后解算非线性方程组来完成标定，部分先进方案已实现动态标定和在线标定技术。随着多传感器融合趋势的发展，内参标定正与外参标定形成协同优化体系。

点云数据（Point Cloud Data）是通过激光雷达等三维感知设备采集的环境空间信息集合，由数百万个空间坐标点构成。每个点包含三维位置（X/Y/Z轴）信息，部分系统还会记录反射强度、颜色等属性。这些离散点共同勾勒出物体表面形态，其密度与精度直接决定了环境重建的细节层次。点云与二维图像的本质区别在于保留了原始几何关系，能够精确计算距离、体积等空间参数。 在自动驾驶领域，点云数据是环境感知的核心输入源。通过多线激光雷达的实时扫描，系统能构建厘米级精度的三维道路模型，准确识别车辆、行人、路沿等物体的轮廓与位置。现代算法如PointNet++已能直接处理原始点云，无需转换为体素或网格，大幅提升了障碍物检测的效率。随着固态激光雷达成本下降，点云技术正从L4级自动驾驶向量产乘用车渗透，成为高精度定位与语义分割的基础设施。

占用栅格地图(Occupancy Grid Map)是自动驾驶环境感知中一种基础而重要的环境表征方式，它将车辆周围空间划分为均匀的二维或三维栅格单元，每个单元通过概率值表示该空间被障碍物占用的可能性。这种离散化的表示方法将连续环境分解为可计算的概率矩阵，既保留了障碍物的几何信息，又通过贝叶斯滤波等方式实现动态更新，使得系统能够持续跟踪环境中静态和动态障碍物的分布状态。 在实际应用中，占用栅格地图通常由激光雷达或毫米波雷达的点云数据构建，通过传感器观测值与先验概率的融合计算，形成具有时间一致性的环境模型。这种表示方法特别适合处理传感器噪声和遮挡情况，其输出可直接用于路径规划模块的碰撞检测。近年来随着深度学习的发展，一些系统开始采用神经网络直接从传感器数据预测占用概率，显著提升了在复杂场景下的建图效率和精度。

静态障碍物是指在自动驾驶感知系统中那些位置固定不变的物体，如路灯杆、交通标志牌、建筑物墙体、路缘石等。这类物体具有长期稳定的空间属性，不会随时间推移改变其位置或形态，与动态障碍物（如行人、车辆）形成鲜明对比。静态障碍物的识别与处理是自动驾驶环境感知的基础任务，直接影响路径规划的安全性和舒适性。 在实际产品开发中，高精地图通常会预先标注静态障碍物信息，与车载传感器实时感知结果进行融合校验。这种先验知识的使用能显著提升感知系统的鲁棒性，特别是在恶劣天气或传感器受限场景下。当前行业前沿正探索通过语义分割和三维重建技术，实现静态障碍物的自动化标注与地图更新，这对降低高精地图维护成本具有重要意义。

交通信号识别（Traffic Signal Recognition）是自动驾驶汽车感知系统的核心功能之一，指通过计算机视觉技术实时检测、分类和理解道路上的交通信号灯状态及其指示信息。这项技术需要准确识别红绿灯的位置、颜色变化以及倒计时数字等动态信息，并将这些信息转化为车辆可执行的决策指令。现代系统通常采用深度学习算法，结合高分辨率摄像头与多传感器融合技术，在复杂光照条件、天气变化及遮挡情况下仍能保持稳定的识别精度。 在实际产品开发中，交通信号识别系统需要满足严格的实时性与鲁棒性要求。主流方案往往采用YOLO或Faster R-CNN等目标检测框架作为基础架构，同时引入时序建模技术来处理信号灯状态切换问题。值得注意的是，不同国家和地区的交通信号灯存在形态、发光方式等差异，这要求算法具备良好的泛化能力。当前技术前沿正在探索Transformer架构与事件驱动型视觉传感器的结合，以应对极端场景下的识别挑战。