理工酷

激光雷达又称光学雷达( Light Detection And Ranging , LiDAR ), 是一种先进的光学遥感技术,它首先向目标发射一束激光,然后根据接收反射激光的时间间隔确定目标物体的实际距离,如图1所示。 同时结合这束激光的发射角度,利用简单的三角函数原理推导出目标的位置信息。

由于激光具有能量密度高、方向性好的特点,大多数激光雷达的探测距离达 到 100m 以上。与传统雷达使用不可见的无线电波不同,激光雷达的探测介质是激光射线, 使用的波长集中在 600~1000nm 之间,远低于传统雷达的波长。 因为雷达具有波长越短探测精度越高的特点,故激光雷达可以用于测量物体距离和表面形状,其测量精度可达厘米级。

LiDAR 系统一般分为 3 个组成部件,分别是激光发射器、扫描与光学部件、感光部件。激光发射器发射波长在 600~1000nm 的激光用于探测环境和物体。 扫描与光学元件,主要用于收集发射点与反射点之间的距离,以及反射时间和水平角度。 感光部件用于检测反射回来光线的强度。 通过这 3 个部件的工作,激光雷达实现对目标的探测,检测的每一个点均包含点的位置信息(空间坐标 x 、y 、z ) 及返回光线的强度信息。 光线强度除了与发射光强度和光线大气通过率有关外,主要与被测物体的表面光反射率直接相关,因此通过检测光强 度也可以对被测物体的表面反射率有大概判断。

在无人驾驶汽车行驶过程中, LiDAR 系统并不是静止不动的,而是随着车辆移动以相 对于汽车的稳定角速度转动,同时不断向周围发射激光并探测周围的物体,记录下反射点信 息,以便得到无人驾驶汽车四周全方位的环境信息。 LiDAR 在收集反射点距离的过程中也 同时记录实时时间数据和水平角度。结合每个激光发射器已知的位置和姿态,可以计算得 到所有反射点 的 坐 标。 LiDAR 每 旋 转 一 周,收集到的所有反射点坐 标的集合就构成了点云。

无人驾驶汽车的定位除了接收 GNSS 系统发射回来的数据外,还依赖激光雷达生成的点云与数据库中的高精地图做比较,以得出汽车所在的精确位置,这个精度往往可以达到厘米级别。高精地图并非是指人们日常生活中所用到的数字地图的高精度版本,而是用大量 点云拼接而成的大范围道路环境信息。 高精地图的绘制同样依赖 LiDAR 的应用,数据采 集过程主要使用专门搭载高性能 LiDAR 的数据采集车反复行驶于同一路段,收集这一路 段的点云数据。 后期通过人工进行修饰与更改,剔除一些错误的不应保留的信息,例如移动 中的行人与车辆,或其他与道路环境无关的物体所反射的点云数据,再经过多次对齐与加工 修饰,最终拼接成完整的高精地图。

利用 LiDAR 可以帮助无人车精准定位。 利用以下简化的概率模型:已知 t0时刻的 GNSS 信息, t 0 时刻的点云信息,以及 t 1 时刻无人车可能位于的3个位置 P 1、 P 2 、P 3（为了 简化问题,假设无人车会在这 3 个位置中的某一个) , 求 t 1时刻车在这 3 点的概率。 根据贝 1 叶斯法则,无人车的位置的概率公式为:

右侧第一项 P ( Zt |Xt ) 表示给定当前位置,观测到点云信息的概率分布。 其计算方式 一般分为局部估计和全局估计两种。 局部估计较简单的做法就是通过当前时刻点云和上一 时刻点云的匹配,借助几何推导估计无人车在当前位置的可能性。 全局估计就是利用当前 时刻的点云和高精地图做匹配,可以得到当前车在地图上的位置。 实际情况是两种方法往往结合使用。 $$\overline{P(X_t)}$$ 代表对当前位置的预测的概率分布,这里可以使用 GNSS 给出的位置 坐标作为预测。 通过计算 P1 、 P2 、 P3 3 个点的后验概率,可以估计出无人车在哪一个位置 的可能性最高。 通过对两个概率分布相乘,可以很大程度上提高无人车定位的精度。

激光雷达还可以联合 GNSS / IMU 与高精地图等手段进行加强定位,一方面通过 GNSS 得到初始位置信息,再通过 IMU 和车辆的 Encoder ( 编码器)配合得到车辆的初始位置;另 一方面,将激光雷达的 3D 点云数据,包括几何信息和语义信息进行特征提取,并结合车辆 初始位置进行空间变化,获取基于全局坐标系下的矢量特征。 最后,将初始位置信息,激光雷达提取的特征 跟高精地图的特征信息进 行 匹 配,从而获取 一个准确的定位,如图2 所示。

在障碍物检测方面,机器视觉中一个较难解决的问题是判断物体距离。 基于单一摄像头抓取的二维图像无法得到准确的位置信息,而基于多摄像头合成的方法又需要实时处理 很大的计算量,难以满足无人车实时性的要求。 此外,光学摄像头在光线不好的条件下(黑夜或昏暗的隧道内)性能很差,抓取的图像难以使用。 而 LiDAR 生成的点云可以在很大程 度上避免摄像头的上述问题。 借助 LiDAR 本身的特性可以很好地探测反射障碍物的远近、大小,甚至表面形状,有利于障碍物检测准确性的提高,而且在算法方面比起机器视觉算 法来也比较简单,更适合无人车的需求。 图 3 所示为激光雷达生成的点云图。

不过, LiDAR 也不是一种完美的技术手段,它同样存在很多不足,面临更多挑战。其中有些问题对于 LiDAR 在无人车产业化上的应用可能是致命的。首先, LiDAR 的使用会受天气影响。空气中的水珠以及其他悬浮物都会对 LiDAR 的精度造成影响。实验表明,随着雨量的增大, LiDAR 的最远探测距离会线性下降。 其次,激光雷达在使用过程中时刻都在产生海量的点云数据,即使是 16 线的 LiDAR 每秒钟要处理的数据点也达到了 30 万个, 64 线的型号每秒产生的点数甚至超过 200 万个。 LiDAR 给出的原始数据只是反射物体的距离信息,需要对所有的点进行几何变换,且在后期处理中也要进行大量的坐标系转换等工作,这些对计算硬件( CPU 、 GPU 、 FPGA 等)提出了很高的要求。 最后, LiDAR 系统的造价还十分昂贵,较便宜的 16 线 LiDAR 售价也接近一万美元,这无疑将大大推高无人驾驶汽车 的成本,不利于无人驾驶技术产业化。

注：本回答的主要内容来自图书《自动驾驶技术概论》清华大学出版社