1 ADAS 架构概览

1.1 系统分层

ADAS 系统通常分为四个层级：感知层、融合层、规控层和执行层，每一层独立运作，又紧密协作，形成闭环控制。

1.1.1 感知层

感知层是 ADAS 的信息采集基础，负责收集车辆周围环境数据。常用传感器包括：

  • 摄像头（Camera）：获取高分辨率图像，用于物体识别、车道检测与交通标志识别。

  • 毫米波雷达（Radar）：提供目标距离、速度和角度信息，抗天气干扰能力强。

  • 超声波雷达（Ultrasonic）：用于近距离障碍物检测，如泊车辅助。

1.1.2 融合层

融合层将来自不同传感器的数据进行处理与整合，提高环境理解的准确性和鲁棒性。

  • 前融合（Early Fusion）：直接对原始传感器数据进行融合，如点云与图像叠加。

  • 中融合（Feature-level Fusion）：在特征提取后进行融合，保留更有语义的环境信息。

  • 后融合（Decision-level Fusion）：在各传感器独立做出判断后，再融合决策结果，增强可靠性。

常用算法包括卡尔曼滤波、扩展卡尔曼滤波（EKF）、粒子滤波，以及多模态深度学习方法。

1.1.3 规控层

规控层负责对车辆运动进行规划与决策，连接感知结果与执行操作。

  • 路径规划

    • 全局规划：基于地图和导航数据生成最优行驶路线。

    • 局部规划：根据实时感知信息进行避障、跟车及车道保持。

  • 决策逻辑

    • 通过状态机或行为树定义车辆动作模式。

    • 风险评估模块负责判定安全边界，确保车辆在不同场景下行为可控。

1.1.4 执行层

执行层将规控层输出的指令转化为车辆运动：

  • 执行器接口：转向、油门、制动信号。

  • 控制算法：PID 控制和模型预测控制（MPC）常用于轨迹跟踪和速度控制，实现闭环精准控制。

执行层的关键在于信号的实时性和控制精度，直接决定车辆行为的安全与舒适性。

graph TD subgraph 感知层 Cam[摄像头] Radar[毫米波雷达] US[超声波雷达] end subgraph 融合层 Fusion[数据融合] end subgraph 规控层 Planning[路径规划] Decision[决策逻辑] end subgraph 执行层 Act[执行器控制] end Cam --> Fusion Radar --> Fusion US --> Fusion Fusion --> Planning Planning --> Decision Decision --> Act

2 感知层详细解析

2.1 感知层概述

感知层是 ADAS 系统的“眼睛”，负责实时感知车辆周围环境信息，为融合与规控提供数据基础。

关键目标是 高精度、低延迟、强鲁棒性，以应对不同天气、光照和复杂交通场景。

2.2 主要传感器类型及原理

2.2.1 摄像头（Camera）

  • 功能：车道识别、交通标志识别、物体检测与分类。

  • 类型：单目、双目（立体）、全景/鱼眼摄像头。

  • 关键参数：分辨率（HD、FHD）、帧率（30–60 fps）、视场角（FoV）。

  • 工作原理：基于光学成像，通过像素特征和深度学习算法识别场景语义。

2.2.2 毫米波雷达（Radar）

  • 功能：目标检测、距离测量、速度测量。

  • 类型：单发射/多发射天线阵列、成像雷达（FMCW）。

  • 关键参数：最大探测距离（50–250 m）、速度分辨率（0.1–0.5 m/s）、角分辨率（1–10°）。

  • 工作原理：发射电磁波，接收目标反射波，利用 多普勒效应 计算速度，通过信号处理生成距离与角度信息。

2.2.3 超声波雷达（Ultrasonic Sensor）

  • 功能：近距离障碍物探测，常用于低速场景如泊车辅助。

  • 关键参数：探测距离（0.2–5 m）、分辨率（0.01–0.05 m）。

  • 工作原理：发射高频声波，测量回波时间计算距离。

2.3 传感器性能指标与设计考量

  • 探测距离：根据功能选择长距（毫米波雷达）或短距（超声波）。

  • 分辨率：摄像头决定图像细节，雷达阵列决定角分辨率。

  • 帧率/刷新率：确保动态场景跟踪及时性。

  • 环境适应性：光照、雨雪、雾霾等对传感器性能的影响。

2.4 感知层关键技术点

  • 目标检测与分类：深度学习算法（YOLO、SSD 等）在摄像头数据中实现语义理解。

  • 多目标跟踪（MOT）：结合雷达与摄像头，通过卡尔曼滤波、粒子滤波实现连续追踪。

  • 传感器标定与同步：保证多传感器空间对齐和时间一致性，提升融合精度。

3 融合层技术实现

3.1 数据融合策略

融合层是感知层与规控层之间的桥梁，目标是提升环境感知的精度与鲁棒性。

  • 前融合（Early Fusion）：直接对原始传感器数据进行融合，例如将雷达点云映射到摄像头图像，实现空间对齐。优点是信息最完整，但计算量大，对传感器标定要求高。

  • 中融合（Feature-level Fusion）：在特征提取后进行融合，例如卷积神经网络提取的摄像头特征与雷达特征结合，实现语义增强。平衡信息丰富度与计算效率。

  • 后融合（Decision-level Fusion）：各传感器独立完成目标检测或跟踪后，再融合决策结果，实现冗余与可靠性提升。

3.2 融合算法

  • 卡尔曼滤波（KF）与扩展卡尔曼滤波（EKF）：适用于线性或弱非线性目标跟踪。

  • 粒子滤波（PF）：处理高度非线性和非高斯问题，如多目标动态环境下的跟踪。

  • 深度学习多模态融合：通过神经网络学习不同传感器特征权重，实现语义增强、异常场景识别和环境理解。

4 规控层关键算法

4.1 路径规划

规控层是 ADAS 的“大脑”，根据融合感知信息规划安全可行路径。

  • 全局规划：基于高精地图（HD Map）生成最优路线，考虑路网结构、交通规则和到达时间。

  • 局部规划：实时避障、车道保持、跟车控制，同时兼顾舒适性与安全性。

4.2 决策逻辑

  • 状态机与行为树：管理车辆行为，实现 ACC、LKA 等功能状态切换。

  • 风险评估与安全约束：结合速度、距离、碰撞概率进行决策，保证车辆动作在安全边界内执行。

5 执行层与闭环控制

5.1 执行器接口

执行层将规控层决策转化为实际动作，通过执行器实现车辆控制。

  • 控制信号：转向角、油门开度、制动压力。

  • 控制器匹配策略：根据不同执行器特性匹配控制器参数，保证响应速度与精度。

5.2 控制算法

  • PID 控制：经典反馈控制，实现稳定的速度和转向控制。

  • 模型预测控制（MPC）：利用车辆动力学模型预测未来状态，优化轨迹跟踪与速度控制。

  • 轨迹跟踪与速度控制：结合实时感知和规划路径，实现闭环精确控制。

6 ADAS 系统闭环与整体协同

ADAS 并不是单一算法或某个模块的堆叠，而是一个从环境感知到行为落实的闭环控制系统。系统的各层之间不仅要独立稳定，还要通过数据流、状态流与控制流进行协同。

这一闭环逻辑可以总结为：

感知 → 融合 → 规划 → 决策 → 执行 → 再反馈到感知。

系统协同要点：

  1. 感知层提供环境状态，但其不直接决定行为。

  2. 融合层负责在多源信息中提取稳定、可信的世界模型。

  3. 路径规划与决策是策略层，决定“该怎么走、是否该动作”。

  4. 执行层是真实车辆行为落地点，直接影响安全性与舒适性。

  5. 闭环形成后，任何一层的延迟或误差都可能被系统不断放大，因此实时性与鲁棒性是架构核心。