一、摄像头
1. 摄像头优点
成本低 ：摄像头具备高分辨率、宽动态范围等特点，在车道识别、交通标志检测等场景中成本优势显著。
语义信息捕获 ：可捕捉色彩、纹理等高层语义信息，辅助决策系统理解复杂路况（如识别红绿灯状态、道路标志文字）
多任务协同：与激光雷达、毫米波雷达等传感器组合使用时，能提升系统对复杂环境的感知能力
2. 摄像头缺点
1）深度感知局限，距离判断误差大：
依赖双目或多目测距存在物理基线限制，通过视差计算出物体距离，远距离（30米以上）深度估算误差较大，夜间、逆光或恶劣天气下性能下降明显。
2）对目标物运动轨迹预测受限
摄像头虽然能连续捕捉图像帧，但其本身无法直接获取物体的相对速度信息。纯视觉方案通常依赖光流（optical flow）技术或目标跟踪推断速度，但这种方法精度不高，尤其在图像模糊、采样间隔变动等情况下更易失准，导致系统无法精准预测前方车辆运动趋势。
3）依赖标注，泛化能力弱 ：视觉感知系统背后的深度学习模型，需要依赖大量标注清晰、覆盖广泛的训练数据。这些数据通常包括各种交通场景、天气条件、道路类型等，用于训练系统识别各种物体和行为。但真实道路的变化极其复杂，总有新情况是模型"没见过"的。
4）环境敏感性 ：对光线变化高度敏感，极端环境适应差，夜间、隧道、强逆光、雪天或雨天、对向车远光灯等场景下，其性能会迅速下降。导致图像失真，影响目标检测精度。
5）遮挡与盲区问题难以解决：摄像头由于依赖可见光成像，视野受限非常明显，极容易出现"看不见"的盲区。
二、激光雷达
1.激光雷达优点
激光雷达（LiDAR）的核心优势在于高精度三维环境感知与复杂场景适应能力，但其高昂成本、环境依赖性及数据处理挑战也构成应用瓶颈。该技术通过发射激光脉冲测量距离并构建点云地图，实现毫米级测距和厘米级建模，但存在成本高昂、恶劣天气受限、数据量大等明显短板。
1）高精度三维感知
- 通过时间飞行法（Time-of-Flight）实现毫米级测距精度和厘米级建模误差，可精准识别行人、车辆及道路细节。
- 支持全天候作业，尤其在夜间或弱光环境下无需依赖光照条件。
2）复杂场景适应
结合高精地图与深度学习算法，可区分地面点与非地面目标，实现动态障碍物追踪与路径规划
2. 激光雷达缺点
1） 成本与规模化挑战
- 传统机械式LiDAR单价达数万元，固态方案虽成本下降但仍高于摄像头等传感器。
- 精密光学元件与MEMS加工依赖供应链稳定性，良品率影响量产周期。
2）环境适应性限制
- 雨雾/尘埃会导致点云散射干扰，降低远距离探测能力。
- 低反射率材料（如深色衣物、透明玻璃）可能产生检测盲区。
3） 数据量大，处理压力
每秒生成TB级点云数据，对车载计算平台和存储带宽要求极高。
三、毫米波雷达
1. 毫米波雷达优点
1）全天候适应性
可穿透雨、雾、雪等恶劣天气，尤其在暴雨中仍能稳定探测100米内目标，显著优于激光雷达。
2）成本低
成本低，适合大规模商业化应用。
3）体积小
易于集成至车身（如前保险杠），不影响车辆外观设计。
4）抗干扰能力强
对金属物体和复杂环境（如悬挂横幅、跨桥）的干扰抑制效果明显，提升行车安全。
2. 毫米波雷达缺点
1）分辨率不足
无法生成高精度3D图像，难以区分物体形状（如行人 vs 路障），需结合激光雷达或摄像头弥补。
2）角度分辨率有限
毫米波雷达仅能提供目标的径向距离、方位角和速度信息，在俯仰方向上缺少分辨力，缺少目标高度信息，横向探测精度较低，复杂场景（如交叉路口）表现弱于激光雷达。
3）干扰风险
多车同频段雷达可能互相干扰，需算法优化。
四、超声波雷达
1. 超声波雷达优点
1）成本低
硬件成本仅为激光雷达的1/10至1/5，适合中低端车型大规模部署
2）全天候工作
不受光线影响，雨雾天气仍能稳定运行
3）体积小
便于集成在车头/车尾等位置
2. 超声波雷达缺点
1）探测距离短
有效范围通常为0.1-10米，无法满足长距离感知需求
2）动态场景适应性弱
声波传播速度慢（340m/s），难以准确识别高速运动的车辆
3）精度有限
仅能判断障碍物存在及距离，无法构建三维点云或识别物体形状