车载感知技术路线之争：红外热成像与4D毫米波雷达融合实践

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

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。