摘要：汽车智能驾驶感知层相当于车辆的“眼睛”和“耳朵”，是自动驾驶系统的基础。它通过多种传感器协同工作，实时采集和处理车辆周围环境信息，其主要任务包括环境感知（识别道路、车辆、行人、交通标志及障碍物等）、自我定位（确定车辆自身的精确位置和姿态）以及为决策规划提供可靠

汽车智能驾驶感知层相当于车辆的“眼睛”和“耳朵”，是自动驾驶系统的基础。它通过多种传感器协同工作，实时采集和处理车辆周围环境信息，其主要任务包括环境感知（识别道路、车辆、行人、交通标志及障碍物等）、自我定位（确定车辆自身的精确位置和姿态）以及为决策规划提供可靠输入。

一、感知层的关键任务与输出

感知层接收原始数据后，通过一系列复杂的算法处理，最终为下游模块提供结构化信息，主要包括：

1、目标检测与分类：识别出环境中的物体，如：车辆、行人、骑行者，并正确分类。

2、目标跟踪：对检测到的目标进行持续跟踪，形成连续的运动轨迹，并估算其速度和加速度。

3、语义分割：对图像或点云中的每个像素/点进行分类，区分出道路、可行驶区域、障碍物、天空等，理解场景的精细结构。

4、场景理解：识别交通信号灯状态、交通标志含义、施工区域、特殊车辆（如洒水车）等，并理解其对于驾驶行为的含义。

二、感知层主要传感器类型

1、激光雷达（LiDAR）

光探测与测距技术，指利用激光束发射和接收信号的时间差、相位差来确定相对距离，再通过水平旋转扫描或相控扫描测量物体的角度，获取不同俯仰角，从而获取高度信息通过上述密集采样得到点云位置数据，利用3D建模构建数据模型，实现对所处环境的实时感知，构建出一个完整的机器能够理解的道路场景，能极大程度解决长尾效应带来的问题。

城市NOA可以在复杂的城市道路中实现点到点的“导航辅助驾驶”功能，用户在导航上设好目的地，车辆可在无需人为接管的情况下，全程辅助驾驶到达终点，其难度远远大于高速NOA，接近L3级辅助驾驶。2023年是国内城市NOA元年，L3试点政策终落地，各大车企陆续开启城市NOA布局，2024年是城市NOA进展迅速的一年，目前已经成为了主机厂竞争的重点领域。

L3使用激光雷达有其必要性。城区内部路况条件复杂，对城市NOA的感知能力提出了极高要求。与毫米波雷达、摄像头相比，激光雷达在目标检测、距离测量、轮廓检测等关键指标上仍有压倒性优势。

2、毫米波雷达

毫米波雷达在汽车行业的应用经历了从早期实验到大规模量产的过程，在上世纪90年代到2000年初的早期探索阶段，毫米波雷达主要用于军事和航空领域，如：导弹制导、飞机导航，但因早期毫米波雷达体积大、成本高，难以集成到民用车辆，汽车行业基本处于起初的探索阶段。主要代表是：1999年奔驰首次在S级（W220）的高端车型上搭载，实现自适应巡航控制（ACC）；2000年代初，丰田、宝马等车企开始测试毫米波雷达，但受限于成本和法规，未大规模推广。

2000年代中期到2010年，随着半导体工艺改进，77GHz雷达芯片成本降低、体积缩小，以及欧美开放76-77GHz频段供汽车雷达使用，毫米波雷达得以技术突破并实现初步商用。2006年，Lexus LS 460配备毫米波雷达ACC，推动高端车型普及；2010年，大众、奥迪等德系品牌在中高端车型（如奥迪A6）引入ACC+紧急制动（AEB）功能。

2010年至2015年，毫米波雷达开始在民用汽车上大规模普及，主要驱动因素来自2014年EuroNCAP将AEB纳入安全评分以及特斯拉Autopilot带动ADAS热潮，快速推动了毫米波雷达成为标配。

L2级感知系统以摄像头、毫米波雷达为主。L2关键配置有ACC自适应巡航、AEB主动刹车、LKA车道保持等。L2通常包括10+个摄像头、10+个超声波雷达、1个毫米波雷达及处理芯片（10 TOPS以内），通过摄像头识别物体和车道线，毫米波雷达识别物体距离，然后数据融合处理给车辆执行机构和人机交互机构发出指令。

3、毫米波雷达和超声波雷达的主要区别

三、多传感器融合是智驾感知层发展的趋势

单一传感器有其局限性，为了提升感知系统的鲁棒性和准确性，业界普遍采用多传感器融合技术。这意味着系统会综合来自不同传感器的数据，以弥补各自的缺陷，形成对环境更全面、更可靠的感知。

融合可以在不同层级进行：

实现有效融合的基础是高精度的传感器标定（确定各传感器之间的相对位置和姿态关系）和时间同步（确保所有传感器数据的时间戳对齐）。目前来看，多传感器融合，尤其包含激光雷达，因其提供的安全冗余和更稳定的全场景性能，被许多主流车企视为实现高阶智能驾驶的可靠路径。而纯视觉方案则挑战与机遇并存，极度依赖算法和数据壁垒。

部分主流车企智驾传感器方案举例如下：

来源：常州焦点