自动驾驶中超声波雷达、激光雷达、毫米波雷达有何区别？

[首发于智驾最前沿微信公众号]想让车辆实现自动驾驶，一定离不开复杂的感知硬件，超声波雷达、激光雷达、毫米波雷达作为自动驾驶汽车上常见的硬件，各自承担着不同的感知任务，他们都叫做雷达， 有什么区别？在自动驾驶汽车上，这些雷达又有什么作用？

它们各自怎么工作的？

超声波雷达发射的是人耳听不到的高频声波（常见能见度的工作频率大约在几十千赫兹），当声波遇到障碍物后会被反射，传感器通过测量发射到接收到回波的时间差来计算距离。这种测距方式叫做“飞行时间法”（Time-of-Flight）。超声波信号波长较长，在空气中衰减较快，所以有效距离通常只有几厘米到几米；分辨率和角度信息都比较粗，但对近距离物体的存在与否、相对位置判断非常直接。它成本低、功耗小、结构简单，常见于倒车雷达、泊车辅助、车辆周边低速缓速环境的碰撞预警等。

激光雷达（LiDAR）用的不是声波，而是激光脉冲。传统的机械旋转式LiDAR把激光束按一定角度扫描出去，接收返回的光脉冲，测量飞行时间得到精确的距离，并把大量测得的点整合成三维点云。点云是非常直观的空间几何信息，你可以把道路、行人、车辆、路缘、障碍物都在三维空间里“画出来”。激光波长通常在近红外范围，单点测距精度可以达到厘米级，角度分辨率也很高，这就是LiDAR能提供“高分辨率几何感知”的原因。近年来出现了很多固态方案（MEMS、闪光式、相控阵/OPA、以及FMCW LiDAR 等），在体积、成本、可靠性上得到了快速提升。但需要注意的是，光学传感本身对雨、雾、雪、强光反射等环境更敏感，信号会被散射或被背景光淹没。

毫米波雷达用的是更长的电磁波，频率一般在千兆赫兹级，常见的是24 GHz、77 GHz、79 GHz这些车规频段。毫米波比可见光和红外有更强的穿透性，能较好穿越雾、雨、灰尘等能见度差的环境。毫米波雷达通常采用调频连续波（FMCW）信号或脉冲信号，能同时测出目标的距离、径向速度（通过多普勒频移）和角度（通过天线阵列和波束成形）。传统毫米波雷达的角分辨率较差，只能提供相对粗糙的角度信息，但随着多输入多输出（MIMO）阵列、更多带宽、更复杂信号处理（如“成像雷达”或“4D雷达”的出现），它的角分辨率和点云化能力都在提升。毫米波雷达最大的天然优势是可靠性和对速度信息的直接测量能力。

这三种传感器在物理层面的差异决定了它们在感知输出上的差别，超声波给出近距离、粗角度的存在性和距离；LiDAR给出高密度三维几何点云；毫米波雷达给出抗恶劣天气、带速度的距离与角度信息（分辨率依硬件和信号处理而异）。

在自动驾驶里它们各自的作用和典型场景

把自动驾驶系统拆开来看，感知是基础，要知道“前面有什么、在哪里、速度如何、属于哪类对象”。不同传感器在这些问题上分工不同。超声波雷达在自动驾驶中的主要角色是“微观靠近感知”。停车时探测与墙、路缘、柱子的距离，低速变道或并线时判断旁边是否有非常近的障碍物，是触发刹车或提示驾驶员的最后一道防线，它的主要作用就是做“盲区补充”和“低速碰撞防护”。由于声波对塑料、软物体和倾斜表面的反射有不同表现，算法上会对回波强度和时间做经验性处理以减少误报，但总体来说超声波适合“近、慢、成本敏感”的场景。

激光雷达的作用主要就是空间建模与精确定位。在L2+或L4级别自动驾驶方案中，激光雷达负责产生道路与周围物体的三维几何图像，这对目标分割、三维目标检测与跟踪、以及构建瞬时或累积的点云地图都非常有用。激光雷达的高精度距离信息能帮助定位（尤其在GNSS或视觉受限时），并能以几何特征为基础进行占有网格或可行驶空间的判断。其典型场景包括城市低速通行、复杂交叉口、狭窄道路及需要精确纵向控制（如自动泊车、通过施工区）等。

毫米波雷达在自动驾驶中经常承担“远距离探测与速度感知”这一职能。高速公路场景、自动巡航、前向碰撞预警、盲区监测、跨车道切入的速度判断，这些都依赖毫米波雷达的远距能力和对径向速度的直接测量。尤其是在雨、雾这类可见光/激光受损的情况下，毫米波雷达往往是可靠的“最后一条线”。毫米波还能透过部分非金属材料（比如薄雾罩、塑料外壳）探测到里面活动的金属结构或运动目标，这对某些特殊感知任务有帮助。

这三者在自动驾驶汽车上起着不同的作用，超声波负责0 m～3 m内的近距告警，激光雷达负责0 m～150 m甚至更远的高分辨率几何感知（取决于激光雷达型号），毫米波雷达负责远距离（几十米到几百米）并提供速度信息及在恶劣天气下的稳健感知。再配合摄像头提供纹理与颜色信息，就能覆盖自动驾驶汽车大部分场景需求。

优缺点对比，为什么不能只用一种传感器？

经常看到很多技术方案中，会对某一感知硬件非常自信，认为单一传感器便可打天下，其实这个认知是不太准确的。要理解为什么单一传感器无法包打天下，得从探测距离、角度分辨率、距离分辨率、速度测量能力、环境鲁棒性、成本和功耗等多个关键性能指标看。

超声波的优势是便宜、小巧、近距离测距准确，但它的探测距离短、角度分辨率差、受气温和空气流动影响大，不能用于远距或高速场景。你不能只靠超声波做高速主动巡航，那不是它的设计目标。

激光雷达能给出高密度三维点云，几厘米级的测距误差和很高的角分辨能力，使得物体分割和形状判断非常可靠。但激光雷达对雨雪和大雾比较敏感，强反射（如阳光直射或反光面）会造成噪声，另外早期高端激光雷达价格很高、体积和机械可靠性也曾是问题。虽然固态方案在降低成本和可靠性上进展很快，但在各类自动驾驶方案里，激光雷达仍然是成本和系统集成的重点考量对象。

毫米波雷达的天生优势是抗环境干扰和能直接测量径向速度，这在动态场景里极其重要。其短板传统上是角分辨率和静态几何细节的表现场景不足，也就是说单靠毫米波雷达很难区分一个行人和一辆车的细节，或是在拥挤的城市街道里完成高精度的三维分割。随着MIMO天线阵列、宽带信号和更复杂的信号和算法发展，雷达的角度与距离分辨率在提升，但要达到激光雷达那样细腻的空间分辨率仍有挑战。

单一传感器会在若干维度上短板明显，若你只用激光雷达，雨天能见度下降会带来风险；若只用摄像头，夜间或背光场景就会出问题；若只用毫米波雷达，目标分类与几何重建能力不足。自动驾驶系统想确保足够的安全，一定是要冗余与互补的，把不同传感器的长处叠加，短处互相覆盖，从而在更广泛的环境中维持可接受的性能和安全边界。

如何处理好各传感器的融合？

把各传感器放在同一辆车上，如何让数据流对齐？如何在不同传感器出现矛盾时做出合理权衡？时间同步和空间标定是传感器融合的基础。传感器之间的时间对齐要精确到毫秒甚至亚毫秒级（取决于车辆速度和决策周期），否则快速移动的目标在不同传感器的观测会出现时间漂移，影响跟踪和融合。空间标定指的是外参和内参的确定，每个传感器的安装位置、朝向、畸变特性等都必须标定清楚，才能把激光雷达点云与毫米波雷达目标或摄像头图像映射到同一坐标系下。

在传感器融合策略上有早期融合、中期融合和后期融合的区别。早期融合尝试把原始或低层次的信号先对齐（例如把雷达的点映射到相机图像或激光雷达点云中），再用统一的感知网络或算法处理，这样的优点是理论上能最大化利用各传感器的信息互补，但对实时性、算力和标定精度要求很高。后期融合则是让每个传感器先做独立检测与跟踪，生成目标列表（带置信度、速度、类别等），再把这些结果在决策层融合，这样实现更简单且鲁棒，但在细粒度和复杂场景下可能丢失部分信息。现在很多量产方案中会采用中间式融合，也就是在点云或候选检测层面融合关键特征，然后在跟踪层做联合估计。

在自动驾驶感知算法里，激光雷达点云通常用于三维检测和形状确认，深度学习的点云网络（例如基于点的、体素化或投影方法）被用来做分类和定位；毫米波雷达数据常用于生成雷达检测列表，并提供速度作为跟踪和碰撞预判的重要输入；超声波主要输出近距碰撞告警信号或作为低速自动泊车时的精细测距来源。当然，在自动驾驶系统中一定要设计优先级和置信度融合规则，当毫米波雷达与激光雷达产生冲突（例如毫米波雷达检测到远方目标但激光雷达没有点返回），系统会考虑环境（雨雾）、置信度历史、以及速度信息决定是否把该雷达点作为真实目标保留或标记为不确定。

在进行传感器融合时还要处理干扰问题。超声波在密集停车场里会出现串扰，多辆车同时发超声波会互相干扰，造成假回波或丢失回波。为减少这种影响，系统会采用随机化触发、时分复用或编码方式来区分信号。激光雷达也会遇到互相干扰，尤其在夜间大批车都装有激光雷达时，其他设备的激光可能造成伪点，解决办法包括脉冲编码、频率或时序错开，以及在点云处理时做异常点去除。毫米波雷达的互相干扰随着频谱使用密集度增加也会成问题，现代雷达设计通过更复杂的信号设计和干扰检测/抑制算法来缓解。

一些常见误解与现实建议

在很多技术方案中，一直会有人讨论，要不要把激光雷达都去掉，只用摄像头和毫米波雷达？或者把所有东西都换成成像雷达？这些问题其实没有统一答案。传感器的选择要结合目标自动驾驶级别、成本容忍度、预期场景和安全策略。如果目标是城市自动驾驶的高可靠度水平和完整的感知能力，多模态冗余（摄像头+激光雷达+毫米波雷达+超声波）仍是当前最稳妥的做法。若目标只是实现高速车道保持和自适应巡航，许多车企在成本压缩下通过毫米波雷达加摄像头就能达到L2级的实用目标。成像雷达（高分辨率雷达）和FMCW LiDAR带来的可测速度和抗干扰能力会改变感知架构，但它们也会带来如信号处理复杂性、法规与频谱问题、以及工程集成成本等新问题。

对于感知硬件，现在还有一个常见误解，就是一直追求感知硬件的硬性指标，把传感器的原始精度等同于系统决策精度。传感器给出的是观测，实际用于决策之前必须经过滤波、跟踪、融合与置信估计。也就是说很精确的激光雷达点云在被错误的标注、模型偏置、或时间对齐出错时，仍可能导致不正确决策。因此在实际应用时一定要强调端到端的验证、场景覆盖的完整测试与故障模式测试，而不仅仅是硬件指标。

最后的话

感知硬件在近几年的发展并没有停滞。固态激光雷达的成本和体积在下降，FMCW LiDAR能直接给出速度信息并对抗光学干扰，可能会缩小与毫米波雷达功能的重叠。毫米波雷达朝着更高带宽、更大阵列、更复杂的成像能力演进，所谓“4D雷达”逐渐具备把返回点云化的能力，使雷达在角度和高度分辨上更接近激光雷达。超声波在算法层面的改进和更可靠的编码方式，也会让其在自动泊车与低速保护领域更稳健。多模态学习与跨模态注意力机制则让传感器融合在感知性能上更进一步，特别是对复杂场景的语义理解和置信度估计会更好。

审核编辑 黄宇