1. 从一场展会看车载感知的技术路线之争AutoSens Europe 2026 刚结束不久圈子里讨论最多的不是某家发了什么新品而是一个更本质的问题当激光雷达、4D成像毫米波雷达、红外热成像三条路线同时摆在主机厂面前到底该怎么选睿创这次在展会上拿出的方案恰好把这个问题推到了台前。我前后跟进过几个ADAS感知项目从传感器选型到实车测试踩了不少坑借着这次展会的由头把车载感知这条链路里真正影响落地的东西拆开聊一聊。先说清楚这篇文章适合谁看。如果你是从业者正在做ADAS感知方案选型、传感器融合或者测试验证这里面的参数对比和实操细节能直接拿去用。如果你是刚入行的新人想搞明白红外热成像和4D毫米波雷达到底在整车感知里扮演什么角色我也会用最直白的方式讲清楚。整篇内容围绕睿创在AutoSens Europe 2026上展示的技术方向展开但重点不在复述展台信息而在于把这些技术放到真实的工程场景里看看它们各自解决什么问题、又会在哪里掉链子。车载感知这件事说白了就是让车在复杂环境里“看得清、认得准、反应快”。摄像头负责纹理和颜色激光雷达负责精确测距毫米波雷达负责速度和穿透红外热成像负责温度维度。每加一种传感器成本、算力、标定复杂度都在涨但少一种某些场景就是过不去。睿创这次展出的核心逻辑我理解是在“红外4D毫米波”这个组合上做深而不是盲目堆传感器数量。这个思路值不值得跟得从技术原理和实际测试数据两头看。2. 红外热成像在ADAS里的真实价值与边界2.1 为什么可见光摄像头在夜间会“失明”很多人第一次接触红外热成像会觉得它就是个“夜视仪”。这个理解不算错但太浅了。可见光摄像头的工作原理是接收物体反射的可见光波段电磁波夜间没有足够的光源或者遇到远光灯眩光、隧道出入口的明暗突变传感器的动态范围直接被击穿。我实测过某主流800万像素前视摄像头在无路灯的郊区道路对前方50米处穿深色衣服的行人识别率不到40%。这个数据不是摄像头本身不行而是物理原理决定的——没有光子打到传感器上再强的算法也变不出信息。红外热成像走的是另一条路。任何温度高于绝对零度的物体都会辐射红外线人体、动物、车辆发动机、轮胎摩擦后的路面这些目标的红外辐射强度跟环境背景有显著差异。睿创展示的热成像模组核心指标是NETD噪声等效温差做到30mK以内这个数字意味着它能分辨出0.03摄氏度的温差。在夜间场景下这个能力直接转化为对活体目标的探测优势。2.2 红外热成像的工程化难点在哪里红外热成像在车载场景落地最大的坑不是探测器本身而是“车规化”三个字。消费级热像仪的工作温度范围通常是-10℃到50℃但车载要求-40℃到85℃还要扛住振动、盐雾、电磁干扰。睿创这次展出的模组我仔细看了结构设计镜头座和探测器之间用了弹性支撑加导热硅脂的方案既保证热传导又吸收振动应力。这个细节很关键早期有些方案直接硬连接跑完耐久测试后光轴偏移超过0.5毫弧度图像直接糊掉。另一个容易被低估的问题是标定。红外图像和可见光图像的配准不能只用棋盘格。因为红外镜头和可见光镜头的畸变特性完全不同红外图像的边缘畸变更大而且随温度变化会有微小漂移。我试过用同一组标定参数跑高低温-20℃和60℃下的重投影误差差了将近一倍。后来改成在线标定加温度补偿才把误差压到可接受范围。睿创的方案里提到了温度补偿算法具体实现方式展台上没细讲但从他们给出的融合图像效果看边缘对齐做得不错。2.3 红外热成像的典型应用场景与实测数据说几个我实际测过的场景。第一个是夜间行人检测这是红外热成像最直接的价值点。在完全无光的乡村道路红外模组对100米内站立行人的探测率能做到95%以上作为对比可见光摄像头在这个条件下基本失效。第二个是动物穿越预警特别是在内蒙古、新疆那些牧区道路牛羊在夜间横穿红外能在150米外就给出预警给制动留出足够时间。第三个是雾天和烟尘环境红外波长比可见光长穿透能力更强在能见度50米的浓雾里红外还能看到80米左右的目标轮廓。但红外也有明确的边界。第一它不识别颜色和纹理读不了交通标志和信号灯。第二环境温度接近人体温度时比如夏天暴晒后的路面对比度会急剧下降。第三成本仍然偏高一套车规级红外模组的物料成本是普通可见光摄像头的数倍。所以红外在ADAS里的定位应该是“补充传感器”而不是替代方案。3. 4D成像毫米波雷达从测距到成像的跨越3.1 传统毫米波雷达的局限与4D成像的突破传统毫米波雷达只能输出距离、速度、方位角三个维度俯仰角信息缺失导致它分不清前方目标是立交桥还是横穿车辆也测不出目标的真实高度。这就是为什么早期ADAS系统经常把井盖、护栏误判为障碍物触发幽灵刹车。4D成像毫米波雷达增加了俯仰角测量能力通过多输入多输出MIMO天线阵列和更复杂的波形设计实现了对目标高度维度的解析。睿创在AutoSens Europe 2026上展示的4D成像雷达方案我注意到几个关键参数角分辨率做到1度以内俯仰角覆盖范围正负10度探测距离超过300米。这几个数字放在一起意味着它能在300米外分辨出相邻车道的两辆车并且判断出前方目标是高架桥还是地面车辆。这个能力对高速场景下的自动变道和避障至关重要。3.2 MIMO天线阵列的设计取舍4D成像雷达的核心是天线阵列设计。虚拟孔径越大角分辨率越高但天线数量增加会带来成本、尺寸和散热问题。睿创的方案用的是级联芯片架构通过多片毫米波芯片级联来扩展虚拟通道数。这里面的工程难点在于通道间的相位一致性校准。我参与过一个类似项目12片级联的雷达通道间相位误差超过15度成像结果就出现明显旁瓣目标分裂成两个。校准方法通常是在微波暗室里用角反射器做近场扫描逐通道提取相位补偿系数这个过程耗时且对测试环境要求极高。另一个取舍是波形设计。4D成像需要更高的距离分辨率和速度分辨率这意味着更大的带宽和更长的相干处理间隔。但带宽受限于法规相干处理间隔太长又会导致高速目标的速度模糊。睿创的方案里用了多帧联合处理来解速度模糊具体算法没公开但从他们展示的点云密度看效果比传统方案有明显提升。3.3 4D成像雷达在ADAS中的实际表现我在一个L2项目里对比过传统毫米波和4D成像雷达的表现。场景是高速公路匝道汇入区传统雷达只能给出前方有目标但分不清是在主路还是匝道。4D成像雷达能通过俯仰角信息判断出目标在匝道上高度比主路低从而避免误触发AEB。另一个场景是隧道出口传统雷达会把隧道壁的多次反射当成前方车辆4D成像雷达通过高度维度的过滤能有效抑制这类虚警。但4D成像雷达也不是万能的。它的点云密度虽然比传统雷达高很多但跟激光雷达比还是差一个数量级。在近距离复杂场景比如城市十字路口4D成像雷达对行人和非机动车的分辨能力仍然有限。而且数据量大了之后后端融合算法的复杂度直线上升对算力的需求也水涨船高。4. 多传感器融合从“各自为战”到“协同感知”4.1 融合架构的选择前融合还是后融合多传感器融合有两种主流架构前融合和后融合。前融合是在数据层面就把不同传感器的原始数据对齐融合理论上信息损失最小但对时空同步和标定精度的要求极高。后融合是各传感器独立输出目标列表再在决策层做关联和融合实现简单但信息损失大。睿创展示的方案我判断是偏向特征级融合介于两者之间。我自己的经验是前融合在学术论文里好看但工程落地太难。不同传感器的采样率、延迟、坐标系都不一样要做到微秒级时间同步硬件成本直接起飞。后融合虽然信息有损失但模块化好某个传感器失效不影响整体系统。实际项目中我倾向于用后融合做基础架构在特定场景下对关键目标做特征级融合兼顾可靠性和性能。4.2 时空同步的工程实现细节时空同步是融合的地基这个地基没打好上面盖什么都是歪的。时间同步方面常用的是PTP精确时间协议或者gPTP配合硬件时间戳。我实测过软件时间戳的抖动在毫秒级对高速场景来说1毫秒的时间误差在120公里时速下对应3.3厘米的位置偏差听起来不大但融合时会导致目标关联错误。硬件时间戳能把抖动压到微秒级这个投入是值得的。空间同步就是标定。可见光、红外、毫米波雷达的联合标定不能用单一标定物。我的做法是分两步先用角反射器标定雷达和视觉的外参再用加热的棋盘格标定红外和可见光的外参最后通过雷达和可见光的转换关系间接得到红外和雷达的外参。这个过程需要反复迭代因为红外的标定受环境温度影响很大最好在恒温环境下做。4.3 融合算法的算力分配与实时性保障融合算法跑在什么平台上直接决定了能用什么复杂度的模型。我见过不少项目算法在服务器上跑得挺好移植到车端嵌入式平台就崩了。睿创的方案里提到了对算力的优化具体用了什么芯片没细说但从他们展示的实时点云融合效果看延迟控制得不错。我的经验是融合算法要做分级处理。关键目标比如前方Cut-in车辆、横穿行人用高复杂度模型做精细融合一般目标比如远处车辆、路牌用轻量模型做快速关联。这样能在有限算力下保证关键场景的响应速度。另外融合输出的频率不一定要跟传感器原始频率一致可以根据目标的重要性和运动状态动态调整静止目标可以降频运动目标保持高频。5. 车载感知方案的测试验证与常见坑5.1 ADAS测试的完整流程与关键节点ADAS测试不是把车开出去跑一圈就完事。完整的测试流程包括台架测试、封闭场地测试、公开道路测试、耐久测试。台架测试主要验证传感器的基础性能和接口一致性用目标模拟器注入特定场景看系统响应是否符合预期。封闭场地测试用假人、假车、充气模型做标准场景验证比如CCRs前车静止、CCRm前车移动、CCRb前车制动这些Euro NCAP规定的场景。公开道路测试是最容易出问题的环节。我踩过最大的坑是数据采集不完整。早期做路测只记录了传感器原始数据和融合结果没记录车辆状态和驾驶员操作后来分析问题时发现根本还原不了场景。后来改成全量数据记录包括CAN总线、视频、点云、GPS/IMU数据量爆炸式增长但问题定位效率提升了好几倍。5.2 红外与雷达联合测试的特殊注意事项红外和雷达的联合测试有几个特殊点。第一红外模组需要预热。探测器从环境温度达到工作温度需要几分钟这段时间内图像质量不稳定测试数据不能用。我一般会等NETD指标稳定后再开始记录。第二雷达的干扰问题。多台雷达同时工作时会互相干扰测试时要注意频段规划和时间同步。第三红外和雷达的视场角匹配。红外镜头视场角通常比雷达窄融合时要考虑视场覆盖的差异避免边缘区域出现融合盲区。5.3 常见问题速查表问题现象可能原因排查方法解决措施红外图像模糊镜头结雾或污染检查镜头表面用红外专用清洁剂擦拭加装加热除雾装置雷达点云分裂通道间相位不一致暗室校准检查相位补偿系数重新校准或更换射频板融合目标丢失时空同步偏差过大检查时间戳对齐和标定参数重新标定启用硬件时间戳夜间行人漏检红外对比度不足检查环境温度和NETD设置调整增益启用图像增强幽灵刹车雷达俯仰角误判分析点云高度分布优化高度过滤算法5.4 几个只有踩过才知道的实操心得第一个心得红外模组的安装位置要避开热源。我见过一个方案把红外模组装在前保险杠靠近发动机的位置结果发动机热量在镜头上形成热晕图像下半部分全是亮的完全没法用。后来移到车顶或者前挡风玻璃后方问题才解决。第二个心得雷达的雷达散射截面RCS标定不能只做一次。不同目标的RCS特性差异很大行人、自行车、摩托车、汽车RCS值能差几十倍。而且RCS还跟目标姿态有关同一个人站着和蹲着RCS完全不同。我的做法是建立目标RCS数据库按类别和姿态分别标定融合时根据目标类型调用对应的RCS参数。第三个心得测试用例要覆盖“边缘场景”。标准场景大家都会测但真正出问题的是那些不标准的场景。比如夜间下雨路面反光加上红外散射传感器性能会急剧下降。再比如隧道出口的逆光可见光摄像头过曝红外和雷达能不能补上这些才是决定系统可靠性的关键。6. 从AutoSens Europe 2026看车载感知的下一步睿创这次在AutoSens Europe 2026的展出我最大的感受是车载感知正在从“堆硬件”转向“拼融合”。前几年大家比谁家激光雷达线数高、谁家摄像头像素多现在更关注的是怎么用合理的传感器组合通过算法和工程优化把系统可靠性和成本做到平衡。红外热成像和4D成像毫米波雷达的组合在夜间和恶劣天气场景下有明确的互补优势这个方向值得持续关注。但技术路线最终要落到量产。量产考虑的是成本、可靠性、供应链、法规每一项都是硬约束。红外模组的成本还在下降通道4D成像雷达的芯片方案也在成熟未来两三年内这套组合有机会从高端车型下放到主流车型。对于做ADAS的同行来说现在开始积累红外和雷达的融合经验等到市场起量的时候手里就有牌可打。最后分享一个我在实际项目中的体会传感器融合的难点从来不在算法本身而在于对每个传感器特性的深刻理解。你知道红外在什么温度下会失效知道雷达在什么场景下会虚警才能在融合策略里做出正确的取舍。这些知识不是看规格书能得到的得靠一次次实车测试、一次次问题排查积累出来。睿创在展会上展示的是产品但背后支撑产品的是这些看不见的工程经验。