作者丨徐俊杰@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，因为需要平衡从可靠性到成本的一系列因素，以便公司能够确定最佳点并选择最佳传感器组。我们将从如下10个维度，了解相机、激光雷达和（毫米波）雷达的差异。

1，Range 范围：激光雷达和雷达系统可以探测距离从几米到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探测到物体，而雷达可以在不到一米的距离内探测到物体，这取决于雷达类型（长距离、中距离或短距离）。单摄像头无法可靠地测量到物体的距离——这只能通过对世界的性质（如平面路面）做出一些假设来实现。另一方面，立体摄像头可以测量距离，但只能测量到约80米的距离，大于这个距离，精度会显著下降。

2，Spatial resolution 空间分辨率：由于发射的红外激光波长较短，激光雷达扫描的空间分辨率约为0.1°。这允许进行高分辨率3D扫描，从而对场景中的对象进行表征。另一方面，雷达不能很好地分辨小特征，尤其是随着距离的增加。相机系统的空间分辨率由光学元件、图像上的像素大小及其信噪比决定。当小物体发出的光线扩散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，当几乎不存在环境光来照亮对象时，随着图像传感器的噪声级增加，对象细节被叠加，空间分辨率会降低。

3，Robustness in darkness 黑暗中的鲁棒性：雷达和激光雷达在黑暗中都具有极好的鲁棒性，因为它们都是主动传感器。虽然激光雷达系统的白天性能非常好，但它们在夜间的性能甚至更好，因为没有可能干扰红外激光反射探测的环境阳光。另一方面，摄像头在夜间的探测能力非常低，因为它们是依赖环境光的被动传感器。尽管图像传感器的夜间性能有所提高，但在三种传感器类型中，它们的性能最低。

4，Robustness in rain, snow, fog 在雨、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、大雨或空气中任何其他障碍物（如雾或沙粒）的显著影响。作为一种光学系统，激光雷达和相机容易受到恶劣天气的影响，其性能通常会随着逆境程度的增加而显著下降。

5，Classification of objects 物体分类：摄像机擅长对车辆、行人、速度标志等物体进行分类。这是摄像系统的主要优势之一，人工智能的最新进展更强调了这一点。使用高密度3D点云的激光雷达扫描也可以实现一定程度的分类，尽管其对象多样性不如摄像头。雷达系统不允许进行很多物体分类。

6，Perceiving 2D structures 感知二维结构：摄像机系统是唯一能够解释二维信息的传感器，例如速度标志、车道标记或交通灯，因为它们能够测量颜色和光强度。这是摄像头相对于其他传感器类型的主要优势。

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势之一。激光雷达只能通过连续的距离测量来近似速度，这使得它在这方面的精度较低。尽管相机无法测量距离，但可以通过观察图像平面上物体的位移来测量碰撞时间。

8，System cost 系统成本：近年来，雷达系统已广泛应用于汽车行业，目前的系统高度紧凑且价格合理。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上数量的显著减少，立体相机的价格更高。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75000多美元降至5000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：雷达和单摄像头都可以很好地集成到车辆中。立体摄像头在某些情况下体积庞大，这使得它们更难集成在挡风玻璃后面，因为它们有时可能会限制驾驶员的视野。激光雷达系统有各种尺寸。360°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。虽然摄像头是一种成本高效且易于使用的传感器，但它们需要大量处理才能从图像中提取有用信息，这增加了系统的总体成本。

总结:

思考：

1，三种传感器在Spatial resolution 空间分辨率的强弱排序？

Lidar>Camera>Radar

2, 三种传感器在robustness in daylight 白天的鲁棒性的强弱排序？

Radar>Camera=Lidar

3, 三种传感器在computational requirements 计算量上的强弱排序？

Camera>Radar>Lidar

本文仅做学术分享，如有侵权，请联系删文。

3D视觉精品课程推荐：

1.面向自动驾驶领域的多传感器数据融合技术

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.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进
4.国内首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算法梳理和代码讲解
6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦
7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)

9.从零搭建一套结构光3D重建系统[理论+源码+实践]

10.单目深度估计方法：算法梳理与代码实现

11.自动驾驶中的深度学习模型部署实战

12.相机模型与标定(单目+双目+鱼眼）

13.重磅！四旋翼飞行器：算法与实战

14.ROS2从入门到精通：理论与实战

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，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、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

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~