方案分享 | ADAS时空融合数据采集方案

自动驾驶技术的飞速发展，正在重新定义未来出行的边界。从感知到决策，从规划到控制，每一个环节都离不开海量、精准的高质量数据支撑。然而，随着传感器数量的增加和数据规模的指数级增长，行业正面临一系列挑战：多源传感器数据的时间同步难题、复杂数据格式的适配、测量技术的灵活性不足、设备集成周期冗长等，这些问题正成为自动驾驶研发与测试的“隐形瓶颈”。

基于技术积累与行业洞察，本文分享一套创新的ADAS时空融合数据采集方案。通过硬件与软件的深度协同优化，能够很好地解决数据采集中的核心痛点，还为自动驾驶研发提供了高效、可靠、可扩展的完整解决方案。

一、方案架构

该方案以“时空融合”为核心，构建了传感器层、数据处理层、存储层和用户交互层，如下图1所示：

图1：方案架构

传感器层：负责采集数据，包括 LiDAR、Radar、RTK 和 Camera 等传感器。这些传感器从不同维度感知环境，获得图像、点云、高精度定位以及被测目标物等信息，为系统提供原始数据。

数据处理层：对传感器采集的原始数据进行处理。通过时间同步算法（PTP/gPTP），使不同传感器数据在时间上对齐，解决多源传感器数据时间同步难题。运用标定算法，对各传感器进行单传感器标定和传感器间标定，确定传感器之间的空间关系。同时，解析不同格式的数据，使其能在系统中统一处理。

存储层：负责存储处理后的数据。支持多种存储格式，如激光雷达数据可存为 pcd 格式或 rosbag 包，毫米波雷达和 RTK 数据可选择 csv 格式或 rosbag 包，方便不同场景下的数据使用和分析。并且按照传感器类型将数据分类存入单独文件夹，便于管理和查找。

用户交互层（软件界面）：为用户提供操作入口。软件支持各个传感器数据的可视化，方便用户实时查看传感器采集的信息。允许用户对数据采集进行多种配置，如选择存储路径、设置摄像头采集帧数、选择显示时间戳的来源等。还支持对采集环境进行描述，如记录天气和道路状况，为后续数据分析提供更丰富的背景信息。

二、系统搭建

基于方案架构的功能性设计，系统搭建如图2所示，包括线束改造，时间同步，传感器标定和数据采集。

图2：系统搭建

1、线束改造

线束改造方面，采用模块化线束设计，针对不同传感器的接口特性进行定制化适配：

（1）多协议兼容：支持以太网（LiDAR）、CAN 总线（Radar/RTK）、ProFrame（Camera）等多种通信协议，通过标准化接口实现传感器即插即用，大幅缩短设备集成周期。

（2）轻量化布局：基于车辆工程设计，线束走向遵循最短路径原则，减少冗余布线，提升系统可靠性的同时便于后期维护。

（3）抗干扰优化：采用屏蔽线缆与差分信号传输，降低电磁干扰对数据质量的影响，保障高速率数据（如 LiDAR 点云、Camera 原始图像）的稳定传输。

2、时间同步

方案通过硬件触发 + 软件校准实现多传感器纳秒级时间同步，确保时空融合精度：

（1）同步基准统一：以国际原子时（TAI）为时间基准，通过gPTP（通用精确时间协议）与 PPS（秒脉冲信号）实现系统级时间对齐。LiDAR采用gPTP 同步，Camera 通过采集卡 PPS 信号触发，RTK 与 Radar 通过 CAN Combo 的打上时间戳。

（2）外触发机制：支持LiDAR 外触发Camera 拍摄，可自定义触发频率（10Hz/20Hz/30Hz），确保图像与点云数据严格同步。实测显示，8MP 相机在 30Hz 触发下，帧间对齐时间误差小于 10μs（一般误差在20-30ms）。

3、传感器标定

通过标定算法，建立传感器与车辆坐标系的空间转换关系：

比如单传感器标定中LiDAR2Car，以车辆后轴中心为原点，通过标定板采集点云数据，利用迭代最近点（ICP）算法计算 4×4 变换矩阵，实现点云到车辆坐标系的转换。

传感器间标定中LiDAR2Camera，利用同步采集的点云与图像数据，通过标定板特征匹配，计算外参矩阵（旋转矩阵 R、平移向量 T），重投影误差均值 0.0138m，支持点云投影到图像像素坐标。

4、数据采集

在数据采集环节，配套软件提供全流程可视化操作与高效数据管理能力：

（1）多模态可视化：实时显示 LiDAR 点云、Camera 图像、Radar 目标聚类及 RTK 定位信息，支持分屏监控与时间戳同步显示，便于实时校验数据质量。

（2）灵活配置能力：

格式选择：支持LiDAR (ros bag)、Radar/RTK (ros bag)、Camera (RAW/PNG)等多种格式，满足不同算法开发需求。

环境标注：自动记录天气（晴 / 雨 / 雾）、道路类型（城市 / 高速 / 乡村）等元数据，生成包含时间戳、存储路径、传感器配置的场景采集文件，提升数据可追溯性。

（3）稳定存储方案：按传感器类型生成独立文件夹（如 LiDAR_data、Radar_data），避免数据混杂。

三、总结

通过线束改造、时间同步、传感器标定与采集软件的深度协同，以上方案可以系统性解决了多源数据采集中的时空对齐、格式适配与高效存储难题。

具体内容已经通过实车测试验证，支持厘米级空间定位与纳秒级时间同步，为自动驾驶算法研发、传感器融合验证提供了可靠的数据基石。