• 摄像头
• 激光雷达
• 毫米波雷达
• 超声波雷达
• IMU
• GNSS和RTK

根据安装位置，摄像头可分为前视、侧视、后视、内置、环视等。
相关参数介绍：

• 焦距
  焦距和FOV关系相反。
• 有效检测距离
• 视场角
• 分辨率大小
• 最低照度
• 信噪比
• 动态范围

激光雷达参数：

• 视场角
• 分辨率
• 测距范围
• 刷新频率
• 扫描频率
• 激光波长：通常是纳米级，最常见的是905nm和1550nm。
• 最大辐射功率

激光雷达有两种测距方法，一种是基于时间的测量方法，也称为飞行时间法(TOF)：脉冲法和三角法；另一种是不基于时间的测距法：相位测量法。

毫米波是一种波长 30~300GHz 频域波长为(1)~10nm)电磁波。其波长短，频段宽，易实现窄波束，分辨率高，不易干扰。毫米波雷达是一种高精度传感器，利用毫米波探测目标，获得目标的相对距离、相对速度和方向。

24GHz角雷达通常使用毫米波雷达。测距范围短，因为它是窄带。GHz前后一般使用毫米波雷达。

毫米波雷达可以对静态和动态目标进行高精度测量，并可以实现远程感知和探测。但对横向目标的敏感性较低，如横向车辆的检测效果较差。同时，行人反射波较弱，行人分辨率低，高物体及其小物体检测效果差。

毫米波雷达参数：

• 距离
• 速度：最大检测速度、速度分辨率、速度测量精度
• 角度：探测视角范围FOV，角分辨率，测角精度。

惯性测量单元IMU它提供相对定位信息，其功能是测量相对于起点物体的运动路线 IMU不能提供具体的位置信息，所以经常和GPS在某些地方一起使用GPS当信号微弱时，IMU就可以帮助汽车获得绝对位置的信息。

自动驾驶的作用是：

• IMU可以验证RTK GPS自洽性结果，滤波和修正不能自洽的绝对定位数据；
• IMU可以在RTK GPS信号消失后，亚米级定位精度持续数秒，为自动驾驶汽车争取宝贵的异常处理时间；

应用于自动驾驶：

• 停车位检测
• 高速横向辅助

传感器同步分为时间同步和空间同步。

• 时间同步
  时间同步是通过统一的主机为每个传感器提供基准时间。每个传感器根据校准后的时间为自己独立收集的数据添加时间戳信息，以实现所有传感器的时间戳同步。
• 空间同步
  也就是说，不同传感器坐标系下的测量值转换为同一坐标系下。 也就是外参标定。

先了解传感器时间戳。 我们主机上，或者说系统上，存在着一个系统时间戳，有时也会成为Unix或POSIX时间戳。不同的传感器有不同的传感器时间戳，例如：

传感器的频率也不同。Lidar是10Hz，Camera是20Hz。不同传感器之间的数据仍有一定的延迟，因此最近的相邻帧可以通过寻找相邻的时间戳来找到，但如果两个时间戳之间的差异很大，传感器或障碍物又在移动， 然后最终会得到更大的同步误差。

一般时间同步有两种方法：

• 硬同步
• 软同步

所谓时间硬同步，就是通过唯一的时钟源为每个传感器提供相同的基准时间，每个传感器根据提供的基准时间校准自己的时钟时间， 时间同步从硬件上实现。 例如：

目前，自动驾驶的主流时间同步是GPS时间是基准时间，使用PTP/gPTP时钟同步协议完成传感器之间的时间同步，PTP 前提是交换机需要支持PTP协议可以实现高精度同步。与PTP还有一种同时出现NTP，即网络时间协议，区别在于PTP硬件级实现， NTP实现在应用层面。

因为每个传感器都有自己的时间戳，所以这里的统一时钟是为了同步不同器的时间戳。如果传感器支持硬件触发，可以使用GPS硬件触发以时间戳为基准， 此时，传感器给出的数据中包含的时间戳是全局时间戳（GPS时间戳） 而不是传感器时间戳。

除时间硬件同步外，还有时间软同步。时间软同步分为以下方法：

空间同步大致分为两部分：

• 运动补偿
• 标定

运动补偿分为两类: ego motion和motion from others。

运动补偿方法：

• 纯估计方法
  纯估计方法一般以激光雷达匀速假设为基础，通过帧间点云匹配计算激光雷达的位置进行线性补偿。 常用的方法包括ICP(Iterative Closest Point，迭代最近点算法)及其相关变体(VICP)，以及ANN(Approximate Nearest Neighbor)。
  

  可是VICP这种方法有缺点：

  • 低频激光，匀速运动假设不成立。
  • 数据预处理和状态估计过程耦合。

• 里程计辅助方法
  里程计辅助方法的使用IMU该信息解决了激光数据中每个激光点对应的传感器位置，即解决相应时间传感器的位置，然后将所有激光点转换为相同的坐标系，然后包装成一帧激光数据并发布（可理解为激光点云的去畸变）。
  处理流程：

  1. 通过IMU与点云数据时间对齐，然后对每个点进行速度补偿，通过时间戳进行线性插值，然后将所有点云数据转换为初始点云IMU坐标下；
  2. 去完上一帧变的点云数据进行帧间匹配，计算激光姿态。并通过计算的姿态对每个点云进行线性补偿，将所有的点云数据根据时间戳转换到最后一个点云数据时间戳下，即完成了里程计方法的补偿。

  这种方法有以下优点：

  • 极高的位姿更新频率，能够比较准确地反应运动情况
  • 较高精度的局部位姿估计
  • 跟状态估计完全解耦

• 融合方法
  Odom与匹配方法的结合。
  处理流程：

  1. 用里程计方法进行矫正，去除绝大部分的运动畸变；
  2. 认为里程计存在误差，但是误差值是线性分布的；
  3. 用ICP的方法进行匹配，匹配的结果作为真值，得到里程计的误差值；
  4. 把误差值均摊在每一个点上，重新进行激光点位置修正；
  5. 再一次进行ICP迭代，直到收敛为止；

  位置误差的线性假设比位置线性假设更合理！！！

传感器标定

整车标定，可以理解多所有传感器的联合标定，即在一个专门设计过的封闭开阔区域，有很多信息比较明显的参照物（如车辆周围的标定板或者周围轮廓比较明细的障碍物），利用上述几种方法进行整车所有感知传感器的标定。