廠商情況基於2018.06的瞭解，僅供參考。
本文主要基於https://blog.csdn.net/xiaohu50/article/details/78723539，在其基礎上增加了自己查找的資料
1. CAN協議簡介
簡介：汽車CAN協議hacking
更加詳細的可以參考kvasler的官網https://www.kvaser.com/about-can/
CAN接口分析硬件廠商
- kvasler
- 廣州致遠電子zlg
2. 攝像頭
章節作者：百度工程師陳光，原文地址：https://zhuanlan.zhihu.com/p/33067923
爲了能讓無人車能像人一樣，遇到障礙物或紅燈就減速，直到停止；遇到綠燈或前方無障礙物的情況，進行加速等操作。這就需要車載傳感器去周圍的環境進行感知。
2.1 攝像機的分類
攝像機根據鏡頭和佈置方式的不同主要有以下四種：單目攝像機、雙目攝像機、三目攝像機和環視攝像機。
2.1.1 單目攝像機
單目攝像機模組只包含一個攝像機和一個鏡頭。
由於很多圖像算法的研究都是基於單目攝像機開發的，因此相對於其他類別的攝像機，單目攝像機的算法成熟度更高。
但是單目有着兩個先天的缺陷。
一是它的視野完全取決於鏡頭。焦距短的鏡頭，視野廣，但缺失遠處的信息。反之亦然。因此單目攝像機一般選用適中焦距的鏡頭。
二是單目測距的精度較低。攝像機的成像圖是透視圖，即越遠的物體成像越小。近處的物體，需要用幾百甚至上千個像素點描述；而處於遠處的同一物體，可能只需要幾個像素點即可描述出來。這種特性會導致，越遠的地方，一個像素點代表的距離越大，因此對單目來說物體越遠，測距的精度越低。
2.1.2 雙目攝像機
由於單目測距存在缺陷，雙目攝像機應運而生。相近的兩個攝像機拍攝物體時，會得到同一物體在攝像機的成像平面的像素偏移量。有了像素偏移量、相機焦距和兩個攝像機的實際距離這些信息，根據數學換算即可得到物體的距離。原理圖下圖。
根據雙目測距原理應用在圖像上每一個像素點時，即可得到圖像的深度信息，如下圖。
深度信息的加入，不僅能便於障礙物的分類，更能提高高精度地圖定位匹配的精度。
雖然雙目能得到較高精度的測距結果和提供圖像分割的能力，但是它與單目一樣，鏡頭的視野完全依賴於鏡頭。而且雙目測距原理對兩個鏡頭的安裝位置和距離要求較多，這就會給相機的標定帶來麻煩。
2.1.3 三目攝像機
由於單目和雙目都存在某些缺陷，因此廣泛應用於無人駕駛的攝像機方案爲三目攝像機。三目攝像機其實就是三個不同焦距單目攝像機的組合。下圖爲特斯拉 AutoPilot 2.0安裝在擋風玻璃下方的三目攝像機。
根據焦距不同，每個攝像機所感知的範圍也不盡相同。
如下圖，可以看出三個攝像頭的感知範圍由遠及近，分別爲前視窄視野攝像頭（最遠感知250米）、前視主視野攝像頭（最遠感知150米）及前視寬視野攝像頭（最遠感知60米）。
對攝像機來說，感知的範圍要麼損失視野，要麼損失距離。三目攝像機能較好地彌補感知範圍的問題。因此在業界被廣泛應用。
那麼測距精度的問題怎麼辦？
正是由於三目攝像機每個相機的視野不同，因此近處的測距交給寬視野攝像頭，中距離的測距交給主視野攝像頭，更遠的測距交給窄視野攝像頭。這樣一來每個攝像機都能發揮其最大優勢。
三目的缺點是需要同時標定三個攝像機，因而工作量更大。其次軟件部分需要關聯三個攝像機的數據，對算法要求也很高。
2.1.4 環視攝像機
之前提到的三款攝像機它們所用的鏡頭都是非魚眼的，環視攝像機的鏡頭是魚眼鏡頭，而且安裝位置是朝向地面的。某些高配車型上會有“360°全景顯示”功能，所用到的就是環視攝像機。
安裝於車輛前方、車輛左右後視鏡下和車輛後方的四個魚眼鏡頭採集圖像，採集到的圖像與下圖類似。魚眼攝像機爲了獲取足夠大的視野，代價是圖像的畸變嚴重。
通過標定值，進行圖像的投影變換，可將圖像還原成俯視圖的樣子。之後對四個方向的圖像進行拼接，再在四幅圖像的中間放上一張車的俯視圖，即可實現從車頂往下看的效果。如下圖。
環視攝像機的感知範圍並不大，主要用於車身5~10米內的障礙物檢測、自主泊車時的庫位線識別等。
2.2 攝像機的功能
攝像機在無人車上的應用，主要有兩大類功能。主要是感知能力，其次是定位能力。
2.2.1 感知能力
在無人駕駛領域，攝像機的主要功能是實現各種環境信息的感知。接下來我會以Mobileye爲例介紹攝像機能夠實現的功能。Mobileye是國際上公認的做視覺最牛的公司之一。
可以看出攝像機可以提供的感知能力有：
①車道線（lane）
圖中的深綠色線。車道線是攝像機能夠感知的最基本的信息，擁有車道線檢測功能即可實現高速公路的車道保持功能。
②障礙物（Obstacle）
圖中使用矩形框框中的物體。圖中僅有汽車、行人和自行車等物體。其實障礙物的種類可以更豐富，比如摩托車、卡車，甚至動物都是可以檢測到的。有了障礙物信息，無人車即可完成車道內的跟車行駛。
③交通標誌牌和地面標誌（Traffic Sign and Road Sign）
圖中使用綠色或紅色矩形框框出的物體。這些感知信息更多的是作爲道路特徵與高精度地圖做匹配後，輔助定位。當然也可以基於這些感知結果進行地圖的更新。
④可通行空間（FreeSpace）
圖中使用透明綠的覆蓋的區域。該區域表示無人車可以正常行使的區域。可通行空間可以讓車輛不再侷限於車道內行駛，實現更多跨車道的超車功能等，把車開的更像老司機。
⑤交通信號燈（Traffic Light）
圖中使用綠框框出來的物體。交通信號燈狀態的感知能力對於城區行駛的無人駕駛汽車十分重要，這也是爲什麼百度Apollo 2.0實現“簡單路況自動駕駛”所必須開放的功能。
2.2.2 定位能力
相信大家都對視覺SLAM技術都有所耳聞，根據提前建好的地圖和實時的感知結果做匹配，獲取當前無人車的位置。視覺SLAM需要解決的最大問題在於地圖的容量過大，稍微大一點的區域，就對硬盤的容量要求很高。如何製作出足夠輕量化的地圖，成爲SLAM技術商業化的關鍵。
Mobileye在已實現的道路經驗管理（Road Experience Management，REM）功能，能夠實現複雜路況的全局定位能力。
3. 激光雷達
章節作者：百度工程師陳光，原文地址：https://zhuanlan.zhihu.com/p/33792450
激光雷達一般安裝在無人車的四周和頂部，用於解決攝像機的測距不準確的問題，根據各個公司方案的不同，激光雷達數量和位置也各不相同。比如通用用於研究Level 4級別自動駕駛技術的Bolts，就在車頂上頂了好多激光雷達。
3.1 激光雷達的原理
如下圖所示，激光雷達的發射器發射出一束激光，激光光束遇到物體後，經過漫反射，返回至激光接收器，雷達模塊根據發送和接收信號的時間間隔乘以光速，再除以2，即可計算出發射器與物體的距離。
3.2 激光雷達的分類
激光雷達根據安裝位置的不同，分類兩大類。一類安裝在無人車的四周，另一類安裝在無人車的車頂。
安裝在無人車四周的激光雷達，其激光線束一般小於8，常見的有單線激光雷達和四線激光雷達。
安裝在無人車車頂的激光雷達，其激光線束一般不小於16，常見的有16/32/64線激光雷達。
3.2.1 單線激光雷達
單線激光雷達是目前成本最低的激光雷達。成本低，意味着量產的可能性大。
前兩天朋友圈刷屏的“北京首個自動駕駛測試場啓用”新聞中出現的福田自動駕駛汽車就使用了4個單線激光雷達，分別佈置於無人車的前後左右，用於車身周圍障礙物的檢測，如下圖。
單線激光雷達的原理可以通過下圖理解。
單束激光發射器在激光雷達內部進行勻速的旋轉，每旋轉一個小角度即發射一次激光，輪巡一定的角度後，就生成了一幀完整的數據。因此，單線激光雷達的數據可以看做是同一高度的一排點陣。
單線激光雷達的數據缺少一個維度，只能描述線狀信息，無法描述面。如上圖，可以知道激光雷達的面前有一塊紙板，並且知道這塊紙板相對激光雷達的距離，但是這塊紙板的高度信息無從得知。
3.2.2 四線激光雷達
如上圖所示，四線激光雷達基本都像這樣。
全新的奧迪A8爲了實現Level 3級別的自動駕駛，也在汽車的進氣格柵下佈置的四線激光雷達ScaLa。
有了之前單線激光雷達的原理介紹，四線激光雷達的工作原理就很容易理解了。
如下圖所示，不同的顏色代表不同的激光發射器。
四線激光雷達將四個激光發射器進行輪詢，一個輪詢週期後，得到一幀的激光點雲數據。四條點雲數據可以組成面狀信息，這樣就能夠獲取障礙物的高度信息。
根據單幀的點雲座標可得到障礙物的距離信息。
根據多幀的點雲的座標，對距離信息做微分處理，可得到障礙物的速度信息。
實際應用時，在購買激光雷達的產品後，其供應商也會提供配套的軟件開發套件（SDK，Software Development Kit），這些軟件開發套件能很方便地讓使用者得到精準的點雲數據，而且爲了方便自動駕駛的開發，甚至會直接輸出已經處理好的障礙物結果。
如下圖綠的的矩形框即爲障礙物相對於自車的位置，矩形框的前端有個小三角，表示障礙物的運動方向。
3.2.3 16/32/64線激光雷達
16/32/64線的激光雷達的感知範圍爲360°，爲了最大化地發揮他們的優勢，常被安裝在無人車的頂部。
三款激光雷達的技術參數和成本如下圖。
360°的激光數據可視化後，就是大家經常在各種宣傳圖上看到的效果，如下圖。
圖中的每一個圓圈都是一個激光束產生的數據，激光雷達的線束越多，對物體的檢測效果越好。比如64線的激光雷達產生的數據，將會更容易檢測到路邊的馬路牙子。
16/32/64線的激光雷達只能提供原始的點雲信號，沒有對應的SDK直接輸出障礙物結果。因此各大自動駕駛公司都在點雲數據基礎上，自行研究算法完成無人車的感知工作。
3.3 激光雷達的數據
激光雷達的點雲數據結構比較簡單。以N線激光雷達爲例來講解點雲的數據結構。
在實際的無人駕駛系統中，每一幀的數據都會有時間戳，根據時間戳進行後續和時間有關的計算（如距離信息的微分等）。因此N線激光雷達的點雲數據結構如下圖。
每一線點雲的數據結構又是由點雲的數量和每一個點雲的數據結構組成。由於激光雷達的數據採集頻率和單線的點雲數量都是可以設置的，因此1線點雲數據中需要包含點雲數量這個信息。
最底層的是單個點雲的數據結構。點的表達既可以使用theta/r的極座標表示，也可以使用x/y/z的3維座標表示。
每個點雲除了座標外，還有一個很重要的元素，那就是激光的反射強度。激光在不同材料上的反射強度是不一樣的。以3維座標的表示方法爲例，單個點雲的數據結構如下圖。X/Y/Z方向的偏移量是以激光雷達的安裝位置作爲原點。
3.4 激光雷達能做什麼？
激光雷達點雲數據的一般處理方式是：數據預處理（座標轉換，去噪聲等），聚類（根據點雲距離或反射強度），提取聚類後的特徵，根據特徵進行分類等後處理工作。
以百度Apollo 2.0目前已開放的功能爲例，看看激光雷達能完成哪些工作。
3.4.1 障礙物檢測與分割
利用高精度地圖限定感興趣區域（ROI，Region of Interest）後，基於全卷積深度神經網絡學習點雲特徵並預測障礙物的相關屬性，得到前景障礙物檢測與分割。
3.4.2 可通行空間檢測
利用高精度地圖限定ROI後，可以對ROI內部（比如可行駛道路和交叉口）的點雲的高度及連續性信息進行判斷點雲處是否可通行。
3.4.3 高精度電子地圖製圖與定位
利用多線激光雷達的點雲信息與地圖採集車載組合慣導的信息，進行高精地圖製作。自動駕駛汽車利用激光點雲信息與高精度地圖匹配，以此實現高精度定位。
3.4.4 障礙物軌跡預測
根據激光雷達的感知數據與障礙物所在車道的拓撲關係（道路連接關係）進行障礙物的軌跡預測，以此作爲無人車規劃（避障、換道、超車等）的判斷依據。
3.5 激光雷達的挑戰
前文我們專注於LiDAR對無人駕駛系統的幫助，但是在實際應用中，LiDAR也面臨着許多挑戰，包括技術、計算性能以及價格挑戰。要想把無人車系統產品化，我們必須解決這些問題。
挑戰1：空氣中懸浮物
LiDAR的精度也會受到天氣的影響。空氣中懸浮物會對光速產生影響。大霧及雨天都會影響LiDAR的精度，如下圖所示。
外部環境對LiDAR測量的影響
雨量對LiDAR測量影響的量化
上圖測試中使用了A和B兩個來自不同製造廠的LiDAR，可以看到隨着實驗雨量的增大，兩種LiDAR的最遠探測距離都線性下降。雨中或霧中的傳播特性最近幾年隨着激光技術的廣泛應用越來越受到學術界的重視。研究表明：雨和霧都是由小水滴構成的，雨滴的半徑直接和其在空中的分佈密度直接決定了激光在傳播的過程中與之相撞的概率。相撞概率越高，激光的傳播速度受影響越大。
挑戰2：計算量大
從下表可以看到，即使是16線的LiDAR每秒鐘要處理的點也達到了30萬。要保證無人車定位算法和障礙物檢測算法的實時性，如此大量的數據處理是面臨的一大挑戰。例如，之前所說的LiDAR給出的原始數據只是反射物體的距離信息，需要對所有產生的點進行幾何變換，將其轉化爲位置座標，這其中至少涉及4次浮點運算和3次三角函數運算，而且點雲在後期的處理中還有大量座標系轉換等更復雜的運算，這些都對計算資源 (CPU、GPU、FPGA) 提出了很大的需求。
| 型號 | Channel 數量 | 每秒產生點數 |
| Velodyne HDL-64E | 64 Channels | 2,200,000 |
| Velodyne HDL-32E | 32 Channels | 700,000 |
| Velodyne VLP-16 | 16 Channels | 300,000 |
挑戰3：造價昂貴
LiDAR的造價也是要考慮的重要因素之一。上面提到的Velodyne VLP-16 LiDAR官網報價爲稅前7999美元，而Velodyne HDL-64E LiDAR預售價在10萬美元以上。這樣的成本要加在本來就沒有很高利潤的汽車價格中，無疑會大大阻礙無人車的商業化。
4. 毫米波雷達
章節作者：百度工程師陳光，原文地址：https://zhuanlan.zhihu.com/p/34675392
激光雷達的普及所遇到的最大挑戰是：成本過高。單獨一個雷達的價格可能就超過了普通小汽車的價格，因此現階段還沒有大規模量產的可能性。
爲了推進自動駕駛技術的發展，同時要解決攝像機測距、測速不夠精確的問題。工程師們選擇了性價比更高的毫米波雷達作爲測距和測速的傳感器。毫米波雷達不僅擁有成本適中的有點，而且能夠完美處理激光雷達所處理不了的沙塵天氣。
下圖爲百度Apollo 2.0中所使用的毫米波雷達——Continental的ARS-408，它被安裝在汽車保險槓的正中間，面向汽車的前進方向。
小型毫米波雷達的基本原理是做成窄波束，每個波束3度5度這樣，然後根據每個波束的返回結果來形成點雲（在一個波束中的物體不易判斷）
4.1 毫米波雷達的分類
頻率在10GHz~200GHz的電磁波，由於其波長在毫米量級，因此處於該頻率範圍的電磁波也被工程師們稱爲毫米波。
應用在自動駕駛領域的毫米波雷達主要有3個頻段，分別是24GHz，77GHz和79GHz。不同頻段的毫米波雷達有着不同的性能和成本。
以Audi A8的傳感器佈局爲例，講解不同頻段毫米波雷達的功能。
短距離雷達：24GHz頻段
如上圖所示被標註了橙色框的Corner radar和Rear radar，就是頻段在24GHz左右的雷達。
處在該頻段上的雷達的檢測距離有限，因此常用於檢測近處的障礙物（車輛）。圖中的這4個角雷達，能夠實現的ADAS功能有盲點檢測、變道輔助等；在自動駕駛系統中常用於感知車輛近處的障礙物，爲換道決策提供感知信息。
長距離雷達：77GHz頻段
如上圖所示，被標註爲綠色框的Long-range radar，即爲頻段在77GHz左右的雷達。性能良好的77GHz雷達的最大檢測距離可以達到160米以上，因此常被安裝在前保險槓上，正對汽車的行駛方向。如下圖右下角的棕色區域，爲特斯拉AutoPilot 2.0中所配備的長距離毫米波雷達，及其感知範圍。
長距離雷達能夠用於實現緊急制動、高速公路跟車等ADAS功能；同時也能滿足自動駕駛領域，對障礙物距離、速度和角度的測量需求。
長距離雷達：79GHz頻段
該頻段的傳感器能夠實現的功能和77GHz一樣，也是用於長距離的測量。
根據公式：光速 = 波長 * 頻率，頻率更高的毫米波雷達，其波長越短。波長越短，意味着分辨率越高；而分辨率越高，意味着在距離、速度、角度上的測量精度更高。因此79GHz的毫米波雷達必然是未來的發展趨勢。
毫米波雷達相比於激光有更強的穿透性，能夠輕鬆地穿透保險槓上的塑料，因此常被安裝在汽車的保險槓內。這也是爲什麼很多具備ACC（自適應巡航）的車上明明有毫米波雷達，卻很難從外觀上發現它們的原因。
4.2 毫米波雷達的數據
由於毫米波的測距和測速原理都是基於多普勒效應，因此與激光的笛卡爾（XYZ）座標系不同，毫米波雷達的原始數據是基於（距離+角度）極座標系。當然，兩種座標系可以根據三角函數相互轉換。
如下圖所示，安裝有毫米波雷達的自車前方有迎面駛來的藍色小車和同向行駛的綠色小車。
毫米波雷達發射的電磁會穿透汽車的前後保險槓，但是無法穿透汽車底盤的金屬，因此在遇到金屬這類毫米波雷達無法穿透的物體時，電磁波就會返回。
以德爾福的前向毫米波雷達ESR爲例，該雷達每幀最多能夠返回64個目標的數據，每個目標的數據組成如下：
- power，回波強度，單位爲分貝。不同類型的障礙物（汽車、鐵護欄、摩托車等）在不同距離下的回波強度也會有所變化，如果回波強度太低可以認定該信號爲噪聲。
- track_bridge_objectType，所檢測到的障礙物是否爲橋。城市道路中會遇到立交橋的場景，從ESR中獲取的該信號，可以用於判斷所檢測到的障礙物是否爲橋。
- track_oncoming，障礙物是否在靠近的標誌位。該標誌位多用於主動安全的AEB（自動緊急剎車）中。
- track_id， 障礙物的“身份證”。每個障礙物都會有一個固定的ID，ID範圍是0~63。
- track_status，障礙物的跟蹤狀態。
- track_theta，障礙物與毫米波雷達所成的夾角。示意圖中的θ角，就是這裏的值。由於每個雷達都有極限探測範圍，以ESR爲例，圖中θ的範圍在-45°和45°之間。
- track_distance，障礙物距離毫米波雷達的距離。該距離是極座標系下的距離，也就是示意圖中的x。根據x和θ，即可計算出自車笛卡爾（XYZ）座標系下的座標。
- track_relative_radial_velocity，障礙物與自車的徑向相對速度。由於多普勒效應的原理，雷達的測量中只能提供極座標系下的徑向速度，切向速度的測量置信度很低，因此雷達並不會提供障礙物的切向速度。
- track_relative_radial_acceleration，障礙物與自車的徑向相對加速度。該值是通過對徑向相對速度做微分得到的。
- track_mode_type，障礙物的運動狀態。根據該值可以判斷障礙物時靜止的還是運動的。
- track_width，障礙物的寬度。將原始的雷達數據點通過聚類後，會得到一個區域，該區域的範圍即認爲是障礙物的寬度。
目前國際上主流的毫米波雷達供應商有四家，分別是Autoliv（奧托立夫）、Bosch（博世）、Continental（大陸）、Delphi（德爾福），業界簡稱ABCD。各家的毫米波雷達的產品提供的功能大同小異，大部分功能都是通過障礙物的回波能量、距離、角度信息推算而來的。
4.3 毫米波雷達的挑戰
挑戰1：數據穩定性差
很明顯...看到這樣（亂且不穩定）的數據，工程師也表示很絕望。數據的不穩定性對後續的軟件算法提出了較高的要求。
挑戰2：對金屬敏感
由於毫米波雷達發出的電磁波對金屬極爲敏感，在實際測試過程中會發現近處路面上突然出現的釘子、遠距離外的金屬廣告牌都會被認爲是障礙物。一旦車輛高速行駛，被這些突然跳出的障礙物干擾時，會導致剎車不斷，導致汽車的舒適性下降。
挑戰3：高度信息缺失
毫米波雷達的數據只能提供距離和角度信息，不能像激光雷達那樣提供高度信息。沒有高度信息的障礙物點會給技術開發帶來很多挑戰。
5. 超聲波雷達
章節作者：百度工程師陳光，原文地址：https://zhuanlan.zhihu.com/p/35177313
在倒車入庫，慢慢挪動車子的過程中，在駕駛室內能聽到”滴滴滴“的聲音，這些聲音就是根據超聲波雷達的檢測距離給司機的反饋信息。
車載的超聲波雷達一般安裝在汽車的保險槓上方，隱藏在保險槓的某個位置。在車上外觀如下圖黃色箭頭處的圓點所示。
超聲波雷達未安裝時的模樣如下：
5.1 超聲波雷達的類型
常見的超聲波雷達有兩種。第一種是安裝在汽車前後保險槓上的，也就是用於測量汽車前後障礙物的倒車雷達，這種雷達業內稱爲UPA；第二種是安裝在汽車側面的，用於測量側方障礙物距離的超聲波雷達，業內稱爲APA。
UPA和APA的探測範圍和探測區域都太相同，如下圖所示。圖中的汽車配備了前後向共8個UPA，左右側共4個APA。
UPA超聲波雷達
UPA超聲波雷達的探測距離一般在15~250cm之間，主要用於測量汽車前後方的障礙物。
如圖所示，爲單個UPA的探測範圍示意圖。
APA超聲波雷達
APA超聲波雷達的探測距離一般在30~500cm之間。APA的探測範圍更遠，因此相比於UPA成本更高，功率也更大。
如圖爲單個APA的探測範圍示意圖。
APA的探測距離優勢讓它不僅能夠檢測左右側的障礙物，而且還能根據超聲波雷達返回的數據判斷停車庫位是否存在。
5.2 超聲波雷達的數學模型
雖然UPA和APA無論在探測距離還是探測形狀上區別很大，但是它們依然可以用同樣的數學模型描述，描述一個超聲波雷達的狀態需要如下四個參數，其數學模型的示意圖如下。
參數1：α
α是超聲波雷達的探測角，一般UPA的探測角爲120°左右，APA的探測角比UPA小，大概爲80°。
參數2：β
β是超聲波雷達檢測寬度範圍的影響因素之一，該角度一般較小。UPA的β角爲20°左右，APA的β角比較特殊，爲0°。
參數3：R
R也是超聲波雷達檢測寬度範圍的影響因素之一，UPA和APA的R值差別不大，都在0.6m左右。
參數4：D
D是超聲波雷達的最大量程。UPA的最大量程爲2米~2.5米，APA的最大量程至少是5米，目前已有超過7m的APA雷達在業內使用。
5.3 超聲波雷達的特性
特性一：溫度敏感
超聲波雷達的測距原理和之前介紹的激光雷達、毫米波雷達類似，距離=傳播速度*傳播時間/2。不同的是激光雷達和毫米波雷達的波速都爲光速，而超聲波雷達的波速跟溫度有關。近似關係如下：
C = C0 + 0.607 ∗ T，C0爲零度時的聲波速度332m/s，T爲溫度(單位：℃)。
例如，溫度在0℃時，超聲波的傳播速度爲332m/s；溫度在30℃時，超聲波的傳播速度爲350m/s。相同相對位置的障礙物，在不同溫度的情況下，測量的距離不同。
對傳感器精度要求極高的自動駕駛系統來說，要麼選擇將超聲波雷達的測距進行保守計算；要麼將溫度信息引入自動駕駛系統，提升測量精度。
特性二：無法精確描述障礙物位置
超聲波雷達在工作時會返回一個探測距離的值，如圖所示。處於A處和處於B處的障礙物都會返回相同的探測距離d。所以在僅知道探測距離d的情況下，通過單個雷達的信息是無法確定障礙物是在A處還是在B處的。
5.4 超聲波雷達的應用
本文標題提到超聲波雷達是被嚴重低估的傳感器，因爲它除了檢測障礙物外，還可以做很多事。
應用1：泊車庫位檢測
自動泊車功能需要經歷兩個階段：1.識別庫位；2.倒車入庫
識別庫位功能就是依賴安裝在車輛側方的APA，如下場景。
汽車緩緩駛過庫位時，汽車右前方的APA傳感器返回的探測距離與時間的關係大致如下圖：
將t1時刻到t2時刻的車速做積分即可得到庫位的近似長度，如果近似認爲汽車爲勻速行駛，直接用車速乘以(t2-t1)即可。當檢測的長度超過車輛泊入所需的最短長度時則認爲當前空間有車位。
同樣後側向的APA也會生成類似信號曲線，用以做庫位的二次驗證。
有了庫位檢測功能，進而開發自主泊車功能就不是難事了。
應用2：高速橫向輔助
特斯拉Model S在AutoPilot 1.0時代就實現了高速公路的巡航功能，爲了增加高速巡航功能的安全性和舒適性，特斯拉將用於泊車的APA超聲波雷達，也用在了高速巡航上。
先看一段Model S應用APA的視頻，視頻左下角的圖像是一個朝汽車後向的攝像機，右側的圖像是朝向行駛方向的視角。
視頻出處：https://www.youtube.com/watch?v=5F_mOOz3dV4
在視頻中可以看出，當左側駛過的汽車理自車較近時，Model S在確保右側有足夠空間的情況下，自主地向右微調，降低與左側車輛的碰撞風險。
6 不同傳感器彙總
不同傳感器彙總：
