1. 从一场欧洲展会看车载感知的硬实力到底硬在哪AutoSens Europe 2026 的展馆里睿创汽车电子的展台前围了不少人。做汽车电子这行的都知道AutoSens 这个场子跟普通车展不一样来的人大多是 Tier1 的感知算法工程师、主机厂负责 ADAS 落地的产品经理还有一堆做传感器融合的博士。大家看展品的时候不怎么拍照更多是盯着参数表问细节——探测距离多少、点云密度怎么样、在雨雾天衰减到什么程度、能不能过车规。睿创这次带去的东西恰好就是冲着这些刁钻问题来的。先把话说在前头这篇文章不是新闻通稿的复述而是借这个展会节点把车载感知技术里那些真正决定成败的环节拆开讲清楚。如果你正在做 ADAS 相关的选型、集成或者测试或者单纯想搞明白为什么有的车在夜间能识别出行人、有的车却直接撞上去那这篇内容值得你花时间看完。我会从红外感知的物理原理讲起一路说到车规认证、多传感器融合的工程取舍再落到实际部署时那些文档里不会写的坑。睿创微纳这家公司在红外热成像领域做了很多年从非制冷红外探测器芯片到机芯模组都有布局汽车电子是它往车载方向延伸的重要板块。这次在 AutoSens Europe 上亮相核心传递的信号其实很明确车载感知不能只靠可见光摄像头和毫米波雷达红外热成像正在从选配变成刚需。为什么这么说往下看。2. 红外热成像凭什么在车载感知里占一席之地2.1 可见光摄像头和毫米波雷达的盲区到底在哪要理解红外热成像的价值得先承认一个事实现在主流的车载感知方案是有硬伤的。可见光摄像头依赖环境光照白天表现很好但到了夜间无路灯的路段或者对面远光灯直射的时候识别率会断崖式下跌。毫米波雷达能测距测速穿透雨雾能力也不错但它对静止物体的识别一直是个老大难而且没有语义信息——它知道前面有个东西但不知道那是个人还是一块广告牌。我见过太多事故案例的分析报告夜间行人横穿马路这类场景可见光摄像头在光线不足时要么漏检要么把穿深色衣服的行人跟背景混在一起。毫米波雷达对横穿的行人反射截面小加上地面杂波干扰虚警和漏检都不少。这两个传感器在夜间行人这个组合场景下恰好同时处于弱势区间。红外热成像的逻辑完全不同。它不依赖可见光而是被动接收物体发出的红外辐射。人体是恒温动物表面温度通常在 30 到 37 摄氏度之间跟夜间路面、建筑物、树木这些环境背景有十几度甚至几十度的温差。在热成像画面里行人就是一个明亮的热源跟冷背景形成强烈对比。这个物理特性决定了它在夜间和低能见度场景下的天然优势。2.2 热成像的物理原理为什么它能在全黑环境工作红外热成像的核心是探测物体发出的红外辐射。任何温度高于绝对零度的物体都会向外辐射电磁波温度越高辐射能量越强峰值波长越短。人体在 37 摄氏度时辐射峰值波长大约在 9.4 微米左右属于长波红外波段也就是 8 到 14 微米这个区间。车载红外探测器主要工作在这个波段。这里有个关键点长波红外在大气中的传输衰减相对较小尤其是在雾、霾、烟尘环境下它的穿透能力比可见光强得多。可见光的波长在 0.4 到 0.7 微米遇到雾滴这种尺寸接近波长的颗粒散射非常严重。而长波红外的波长比雾滴大一个数量级散射效应弱很多所以能在能见度很低的条件下保持一定的成像能力。睿创在展会上展示的探测器核心指标之一是噪声等效温差也就是 NETD。这个参数直接决定热成像画面的清晰度和细节分辨能力。NETD 越小探测器能分辨的温度差就越小画面里的细节就越丰富。车规级应用对 NETD 的要求通常在 50 毫开尔文以下做得好的能到 30 甚至 20 毫开尔文级别。这个数字意味着什么意味着在夜间场景里它能把行人和背景之间哪怕零点几度的温差都还原出来。2.3 车规级红外模组跟消费级产品的本质区别很多人第一次接触红外热成像可能是通过手持测温仪或者户外热像仪觉得这东西原理都差不多。但车规级产品跟消费级完全是两个世界的东西。消费级产品工作温度范围窄振动、湿度、电磁兼容这些指标要求宽松寿命也不用考虑十年以上。车规级要过的坎多得多。温度范围是最基本的。车载环境要求模组能在零下 40 摄氏度到零上 85 摄氏度甚至更高温度下正常工作。红外探测器对温度非常敏感环境温度变化会直接影响成像质量所以模组内部必须有精密的温控和温度补偿机制。睿创的车载模组在这方面做了不少工作包括探测器自身的温度稳定控制和算法层面的非均匀性校正。振动和冲击也是大问题。车辆行驶过程中的持续振动会导致光学系统偏移影响成像质量。车规模组在结构设计上要做加固镜头和探测器之间的相对位置必须保持稳定。另外还有电磁兼容性车载环境里各种电子设备密集红外模组不能成为干扰源也不能被其他设备干扰。寿命和可靠性方面车规要求通常按 10 年或 20 万公里来设计。这意味着探测器的真空封装、制冷或非制冷结构、读出电路都要有极高的稳定性。消费级产品用几年性能下降可能无所谓车载产品性能衰减直接影响安全功能这是不能接受的。3. 睿创这次展示的技术路线与产品逻辑3.1 从探测器芯片到模组的垂直整合意味着什么睿创的一个显著特点是它做全产业链布局从红外探测器芯片的设计和制造到机芯模组再到面向具体场景的解决方案都有覆盖。这种垂直整合在车载领域有实际意义。芯片是红外热成像里最核心也最难做的环节。非制冷红外探测器的主流技术路线是氧化钒和多晶硅睿创在氧化钒路线上有多年积累。自己做芯片的好处是能针对车载场景做定制优化比如调整像素间距来平衡分辨率和成本优化读出电路来降低功耗改进封装工艺来提升可靠性。如果只做模组集成芯片层面就只能用通用产品很多针对性的优化做不了。从工程角度看垂直整合还意味着供应链更可控。车载项目周期长从设计导入到量产往往要两三年期间芯片供应不能出问题。自己掌握芯片能力在产能保障和成本控制上都有优势。这次展会上睿创展示的车载红外模组从探测器到处理电路到镜头接口整套方案都是自研的这在国产厂商里并不多见。3.2 分辨率与帧率车载场景下的参数取舍车载红外模组的分辨率选择是个需要仔细权衡的问题。分辨率越高能看到的细节越多对远距离小目标的识别能力越强。但分辨率提高意味着探测器像素数增加芯片面积变大成本上升同时数据量和处理负担也增加。目前车载红外的主流分辨率在 640×512 和 1280×1024 之间。640×512 的方案成本相对可控对 100 米以内的行人检测够用。如果要做到 200 米甚至更远的探测距离或者要同时识别多个目标并做分类就需要更高分辨率。睿创在展会上展示的产品线覆盖了不同分辨率档次针对不同级别的自动驾驶需求。帧率方面车载红外通常要求 30 赫兹以上有些高端方案做到 60 赫兹。帧率越高对快速移动目标的捕捉能力越强但功耗和数据处理压力也越大。实际选型时要看具体应用场景如果主要是夜间行人检测这种相对低速的场景30 赫兹够用如果要配合高速自动驾驶做前向感知60 赫兹更稳妥。这里有个容易被忽略的点红外探测器的帧率跟可见光摄像头不一样它不是靠缩短曝光时间来实现高帧率的而是靠读出电路的速度。所以高帧率红外探测器的读出电路设计难度更大功耗也更高。选型时不能只看帧率数字还要看在这个帧率下的噪声水平和动态范围。3.3 车规认证从 AEC-Q100 到功能安全的完整链条车规认证是车载电子产品的入场券。红外模组要进入前装市场至少要过 AEC-Q100 认证这是针对集成电路的应力测试标准涵盖温度循环、高温工作寿命、加速湿度抵抗、静电放电等一系列测试。AEC-Q100 的 Grade 2 要求环境温度范围在零下 40 到零上 105 摄氏度Grade 1 更严到 125 摄氏度。但 AEC-Q100 只是基础。涉及安全功能的感知模组还要满足 ISO 26262 功能安全要求。ISO 26262 把安全完整性等级分为 ASIL A 到 ASIL DD 级最高。前向感知相关的模组通常要求达到 ASIL B 或以上。这意味着模组设计要有冗余、要有自诊断能力、要在失效时能进入安全状态。具体到红外模组功能安全设计要考虑的点包括探测器像素失效的检测和补偿、通信链路的完整性校验、电源异常的监控、温度超限的保护等。这些机制要在硬件和软件层面同时实现。睿创在展会上提到他们的车载模组按照功能安全流程开发具体达到了哪个 ASIL 等级没有细说但从产品定位来看至少是冲着 ASIL B 去的。提示选型时不要只看厂商宣称的满足功能安全要求要问清楚具体达到的 ASIL 等级、有没有第三方认证报告、失效模式覆盖是否完整。这些在项目审核时都会被追问。4. 多传感器融合红外在其中的角色与集成难点4.1 红外与可见光、毫米波雷达的互补逻辑单一传感器都有局限融合是必然趋势。红外、可见光、毫米波雷达三者的特性互补关系可以用一个简单的框架来理解可见光提供丰富的纹理和颜色信息适合做目标分类和交通标志识别毫米波雷达提供精确的距离和速度测量全天候工作能力强红外提供热辐射信息在夜间和低能见度下对生物目标敏感。融合的层次可以分为数据级、特征级和决策级。数据级融合保留信息最多但对时空对齐要求极高实现难度大。特征级融合在特征层面做关联平衡了信息量和实现复杂度。决策级融合各传感器独立做检测最后投票或加权实现简单但信息损失多。车载感知目前主流是特征级和决策级结合的方式。红外在融合中的核心贡献是热特征。在夜间场景可见光可能完全失效毫米波雷达对行人反射弱这时候红外的热特征就是唯一可靠的检测依据。融合算法需要把红外的热源检测结果跟其他传感器的目标做关联确认是同一个物体后输出融合后的目标信息。4.2 时空对齐融合系统里最容易出问题的环节多传感器融合的工程实现里时空对齐是最容易出问题的地方。时间对齐要求不同传感器的数据在同一时刻采集但红外探测器、可见光摄像头、毫米波雷达的采集周期和延迟都不一样。红外探测器的读出时间可能跟 CMOS 图像传感器差好几毫秒毫米波雷达的帧周期又跟它们不同。如果不做精确的时间同步融合时就会出现目标位置对不上的情况。空间对齐就是标定。红外相机和可见光相机的内参、外参都要精确标定才能把红外画面里的像素坐标映射到可见光画面或者车辆坐标系。标定误差会直接导致融合后的目标位置偏移。实际项目中标定要在整车环境下做考虑安装位置、角度、镜头畸变等因素。而且标定不是一劳永逸的车辆振动、温度变化都可能导致标定参数漂移需要有在线校准机制。我见过一个项目红外和可见光融合后目标框总是偏左排查了很久才发现是红外模组安装时有一个微小的角度偏差标定的时候没有完全补偿掉。这种问题在实验室里不容易发现到了实车上才暴露出来。所以融合系统的标定和验证一定要在真实车辆环境下做足够多的测试。4.3 算力分配红外数据进来之后怎么处理红外模组输出的原始数据量不小。以 640×512 分辨率、16 位灰度、30 帧率计算原始数据率大约是 640×512×2×30接近 20 兆字节每秒。如果分辨率更高或者帧率更高数据量还会翻倍。这些数据都要进入域控制器或者 ADAS 芯片处理算力分配需要仔细规划。红外的处理链路通常包括非均匀性校正、坏点替换、降噪、动态范围压缩、目标检测、目标跟踪。非均匀性校正是红外特有的环节因为探测器各像素的响应不一致不做校正画面会有固定图案噪声。这个校正通常在模组内部或者 FPGA 里做不占用主处理器的算力。目标检测是算力消耗的大头。如果在红外图像上跑深度学习模型算力需求跟可见光图像上的检测差不多。但红外图像跟可见光图像的特性不同直接套用可见光训练的模型效果往往不好。红外图像没有颜色信息纹理细节也少需要针对红外特性做模型设计和训练数据准备。实际部署时可以考虑让红外通道做相对简单的热源检测把候选区域交给融合模块再由主检测网络做精细分类。这样能降低整体算力需求。或者用轻量化的网络专门处理红外数据跟可见光的主网络并行。5. 实际部署中那些文档不会告诉你的坑5.1 镜头清洁与视窗遮挡红外模组的阿喀琉斯之踵红外模组安装在车外镜头和视窗会面临灰尘、泥水、雨雪、虫胶等各种污染。可见光摄像头被遮挡了图像会变模糊或者变暗驾驶员或者系统能感知到异常。但红外模组的视窗如果被污染影响可能更隐蔽。红外视窗的材料通常是锗或者硅表面镀有增透膜。这些材料比玻璃软更容易被划伤。而且红外视窗对某些污染物更敏感比如油膜在红外波段的透过率可能比可见光波段更低。如果视窗上有一层薄薄的油膜可见光可能只是稍微模糊红外图像可能就完全糊掉了。更麻烦的是红外模组如果被完全遮挡输出可能是一幅均匀的温度画面看起来像是正常工作但实际没有任何有用信息。系统如果没有遮挡检测机制可能会把这种画面当成正常输入导致感知功能静默失效。实际项目中红外模组需要设计专门的遮挡检测算法通过分析图像的对比度、熵、温度分布等特征来判断视窗是否被遮挡。同时要有清洁提醒机制通过车机提示驾驶员清洁。在模组设计上视窗加热是个有效的防霜防雾手段但会增加功耗和成本。5.2 温度漂移与长期稳定性为什么标定不是一次性的红外探测器的输出会随环境温度变化而漂移。虽然模组内部有温控和补偿机制但在极端温度条件下残余的漂移仍然可能影响成像质量。更关键的是长期使用后探测器的特性会缓慢变化导致出厂时的标定参数不再适用。这个问题在消费级产品上不明显因为使用时间短、环境变化小。但车载产品要用十年经历无数次的温度循环探测器的响应特性、非均匀性都会发生变化。如果没有在线校正机制成像质量会逐渐下降。解决方案通常包括定期执行快门校正用均匀温度参考源重新校准各像素的响应基于场景的自适应校正算法利用场景统计信息动态调整校正参数以及在模组设计上留出足够的温度补偿余量。这些机制需要在嵌入式平台上实现对算力和存储都有一定要求。5.3 数据标注与模型训练红外数据集为什么这么难搞做红外目标检测的团队都会遇到一个共同问题数据不够。可见光图像的数据集铺天盖地ImageNet、COCO 这些随便用。但红外图像的数据集少得多而且场景分布跟实际车载应用差距大。公开的红外数据集主要有 FLIR ADAS、KAIST 等但数据量和场景覆盖都有限。要训练一个鲁棒的车载红外检测模型往往需要自己采集数据。采集红外数据比采集可见光数据麻烦得多需要安装红外相机、同步采集可见光做参考、记录车辆状态和环境条件、还要做精细的标注。标注红外图像也有特殊性。可见光图像里人和车的边界很清晰标注员容易判断。红外图像里热源的边界可能比较模糊尤其是当目标温度跟背景接近时。标注规范需要针对红外特性做调整比如明确什么温度对比度下算可标注目标、部分遮挡怎么处理、多个热源重叠怎么分离。训练策略上可以用可见光预训练的模型做迁移学习但要注意红外和可见光的特征差异。直接迁移效果通常不好需要在红外数据上做充分的微调。数据增强方面红外图像适合做温度对比度调整、模拟不同环境温度、添加噪声等增强而不是像可见光那样做颜色变换。6. 从展会看趋势车载红外接下来会怎么走6.1 成本下降与规模上量的正向循环车载红外之前最大的障碍是成本。一个车规级红外模组的价格曾经是可见光摄像头的几十倍只有少数豪华车型才用得起。但这几年情况在变化。探测器芯片的国产化、晶圆尺寸的增大、封装工艺的成熟都在推动成本下降。睿创这样的国产厂商在成本控制上有天然优势。国内产业链完整从芯片制造到封装测试都能在国内完成物流和人工成本也可控。随着出货量增加规模效应会进一步拉低单价。当红外模组的价格降到主机厂能接受的范围前装渗透率就会快速提升。这个正向循环一旦启动会带来更多数据、更好的算法、更成熟的产品进一步推动成本下降。AutoSens Europe 上红外相关展商越来越多本身就说明这个趋势在加速。6.2 从高端车型向主流车型渗透的路径目前车载红外的装车主要集中在高端车型和自动驾驶测试车上。这些车型对成本不敏感更看重性能。但随着法规对夜间行人保护的要求提高以及消费者对夜间行车安全的关注度上升主流车型也开始考虑红外方案。渗透路径很可能是先在高配车型或者选装包里提供验证市场接受度然后随着成本下降逐步下放到中配车型最后可能成为某些市场的法规强制配置。欧洲的 Euro NCAP 已经在夜间行人检测方面提高了评分权重这对红外技术是利好。国内方面C-NCAP 也在逐步加强对夜间场景的测试要求。如果法规明确要求夜间行人检测能力红外作为在夜间最可靠的传感器之一装车率会有明显提升。6.3 与激光雷达、4D 毫米波雷达的竞合关系车载感知的传感器格局还在演变。激光雷达成本在下降4D 毫米波雷达在崛起这些都会影响红外的定位。但红外有自己独特的生态位它是唯一能被动感知热辐射的传感器这个物理特性是其他传感器无法替代的。激光雷达在夜间能提供精确的三维点云但它对行人这种没有明显几何特征的目标分类能力不如红外。4D 毫米波雷达的分辨率提高了但对静止行人的检测仍然不如红外可靠。所以红外跟它们是互补关系不是替代关系。未来的车载感知架构很可能是多传感器深度融合红外作为其中不可或缺的一环提供热特征维度。融合算法会越来越复杂但对红外模组本身的要求会更清晰稳定的热成像质量、精确的时间同步接口、完善的自诊断能力。7. 给正在做车载感知选型的朋友几点实在建议如果你正在为某个车型或者自动驾驶项目做传感器选型涉及红外方案下面这几条是我踩过坑之后总结的供参考。第一不要只看探测距离这个单一指标。探测距离是在特定条件下测出来的跟目标温差、大气条件、镜头焦距都有关系。要问清楚测试条件最好能拿到实际场景的视频数据自己评估。有些厂商给的探测距离是在理想条件下测的实际装车后打对折都不止。第二功能安全不是纸面文章。要仔细审查供应商的功能安全开发流程、失效模式分析报告、诊断覆盖率数据。如果供应商自己都说不清楚 ASIL 等级是怎么达成的那大概率是糊弄。功能安全做不好项目后期审核会非常痛苦。第三融合方案要提前规划。红外模组不是孤立工作的它要跟其他传感器融合。选型时就要考虑接口是否匹配、时间同步怎么做、标定方案是否可行。等到模组装车了才发现融合做不了返工成本极高。第四数据闭环要建起来。红外数据采集、标注、训练、部署这个链条要提前打通。不要等到模型训练的时候才发现没有数据。实际道路上跑出来的 corner case 是最宝贵的训练素材要有机制把这些数据收集回来。第五跟供应商保持深度沟通。车载项目周期长需求会变化供应商的支持能力很重要。选那些愿意跟你一起调算法、一起做标定、一起解决现场问题的供应商而不是只卖硬件的。最后说一句车载感知没有银弹红外也不是万能的。它在夜间和低能见度下的优势明显但在白天强光下、在高温环境里它的表现可能不如可见光。理解每种传感器的边界用融合的方式取长补短才是正确的思路。睿创在 AutoSens Europe 上展示的东西本质上就是在证明红外这个维度值得被认真对待。至于最终选不选、怎么选还是要回到你的具体场景和需求上来。