自动驾驶上的三种感知传感器（激光、毫米波雷达和摄像头）优缺点比较

作者徐俊杰@知乎

来源丨https://zhuanlan.zhihu.com/p/475856247

编辑丨3D视觉工坊

传感器选择标准

为自动驾驶车辆选择合适的传感器组是一项微妙的任务，因为公司需要平衡从可靠性到成本的一系列因素，以确定最佳点并选择最佳传感器组。我们将从以下10个维度了解相机、激光雷达和（毫米波）雷达的区别。

1，Range 范围：激光雷达和雷达系统可以检测距离从几米到200米以上的物体。许多激光雷达系统很难在非常近的距离内检测到物体，而雷达可以在不到一米的距离内检测到物体，这取决于雷达类型（长距离、中距离或短距离）。单摄像头不能可靠地测量物体的距离——这只能通过假设世界的性质（如平面路面）来实现。另一方面，三维摄像头可以测量距离，但只能测量约80米的距离。如果大于此距离，精度将显著降低。

2，Spatial resolution 空间分辨率：由于红外激光波长短，激光雷达扫描的空间分辨率约为0.1°。这允许高分辨率3D扫描，以表示场景中的对象。另一方面，雷达不能很好地区分小特征，特别是随着距离的增加。相机系统的空间分辨率由光学元件、图像上的像素大小和信噪比决定。当小物体的光传播到图像传感器上的几个像素（模糊）时，小物体的细节就会丢失。此外，当环境光照亮物体时，随着图像传感器噪声水平的增加，物体细节叠加，空间分辨率降低。

3，Robustness in darkness 黑暗中的鲁棒：雷达和激光雷达在黑暗中都很好，因为它们都是主动传感器。虽然激光雷达系统在白天的性能非常好，但它们在夜间的性能甚至更好，因为它们不能干扰红外激光反射探测的环境阳光。另一方面，夜间摄像头的探测能力很低，因为它们是依赖环境光的被动传感器。虽然图像传感器的夜间性能有所提高，但它们在三种传感器中的性能最低。

4，Robustness in rain,snow,fog 雨、雪、雾中的鲁棒性:雷达传感器的最大优点之一是在恶劣天气条件下的性能。它们不会受到雪、大雨或空气中其他障碍物（如雾或沙粒）的重大影响。激光雷达和相机作为一种光学系统，容易受到恶劣天气的影响，其性能通常随着逆境的增加而显著下降。

5，Classification of objects 物体分类：相机擅长对车辆、行人、速度标志和其他物体进行分类。这是相机系统的主要优势之一，人工智能的最新进展也强调了这一点。使用高密度3D激光雷达扫描点云也可以实现一定程度的分类，尽管其对象不如摄像头多样。雷达系统不允许对许多物体进行分类。

6，Perceiving 2D structures 感知二维结构：相机系统是唯一能够解释二维信息的传感器，如速度标志、车道标志或交通灯，因为它们可以测量颜色和光强度。这是相机相对于其他传感器类型的主要优点。

7，Measure speed 测量速度：雷达可以利用多普勒频移直接测量物体的速度。这是雷达传感器的主要优点之一。激光雷达只能通过连续距离测量近似速度，使其在这方面精度低。虽然相机无法测量距离，但碰撞时间可以通过观察图像平面上物体的位移来测量。

8，System cost 系统成本：近年来，雷达系统在汽车行业得到了广泛的应用，目前的系统高度紧凑，价格合理。单目相机也是如此，在大多数情况下，价格远低于100美元。由于硬件成本的增加和市场数量的显著减少，三维相机的价格更高。激光雷达在过去几年中越来越受欢迎，尤其是在汽车行业。由于技术进步，其成本已从7.5万美元降至5万美元以下。许多专家预测，未来几年，激光雷达模块的成本可能会降至500美元以下。

9，Package size 包装尺寸：雷达和单摄像头可以很好地集成到车辆中。在某些情况下，立体摄像头很大，这使得它们更难集成在挡风玻璃后面，因为它们有时会限制驾驶员的视野。激光雷达系统有各种尺寸。°扫描激光雷达通常安装在屋顶顶部，因此非常清晰可见。行业向更小的固态激光雷达系统的转变将在不久的将来大幅缩小激光雷达传感器的系统尺寸。

10，Computational requirements 计算要求：激光雷达和雷达几乎不需要后端处理。虽然摄像头是一种高效、易于使用的传感器，但从图像中提取有用信息需要大量的处理，这增加了系统的整体成本。

总结:

思考：

三种传感器在Spatial resolution 空间分辨率强弱排序？

Lidar>Camera>Radar

二、三种传感器在robustness in daylight 白天鲁棒的强弱排序？

Radar>Camera=Lidar

三、三种传感器在computational requirements 计算量的强弱排序？

Camera>Radar>Lidar

本文仅进行学术分享。如有侵权行为，请联系删除。

3D推荐视觉精品课程：

1.多传感器数据集成技术面向自动驾驶领域

2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态 多模态/数据 代码)3.彻底了解视觉三维重建：原理分析、代码解释、优化和改进4.中国第一个面向工业级实战的点云处理课程5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码解释6.彻底了解视觉惯性SLAM：基于VINS-Fusion正式开课啦7.彻底了解基础LOAM框架的3D激光SLAM: 源代码分析到算法优化8.室内外激光彻底分析SLAM关键算法原理、代码和实战(cartographer LOAM LIO-SAM)

9.从零开始建造一套结构光3D重建系统[理论 源代码 实践]

10.单目深度估计方法：算法梳理和代码实现

11.自动驾驶深度学习模型部署实战

12.相机模型与校准(单目 双目 鱼眼)

13.重磅！四旋翼飞机：算法与实战

14.ROS2从入门到精通:理论与实战:

重磅！3DCVer-提交学术论文写作交流群已成立

扫码添加小助手微信，可申请加入3D视觉研讨会-学术论文写作和提交微信交流群旨在交流顶会、顶刊、SCI、EI等待写作和提交。

同时也可以申请加入我们的细分交流群。目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶，多传感器集成，CV入门，三维测量，VR/AR、3D人脸识别、医学影像、缺陷检测、行人重识别、目标跟踪、视觉产品着陆、视觉竞赛、车牌识别、硬件选择、学术交流、求职交流、ORB-SLAM系列源码交流，深度估计等微信群。

注：研究方向 学校/公司 昵称，例如：”3D视觉 上海交通大学 安静。请按格式备注，可快速通过并邀请进入群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注微信官方账号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近4000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

 圈里有高质量教程资料、答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~