“ 无论人生上到哪一层台阶，

阶下有人在仰望你，

阶上亦有人在俯视你，

你抬头自卑，低头自得，

唯有平视，才能看见真实的自己。 ​​​​”

今天是3月的最后一天了~

春暖花开中带着少许刺骨的冷风

依然前行

对4月说你好

把激光雷达的一些东西整理下：

激光雷达作为自动驾驶实现中最重要、必不可少的传感器之一，其重要性不言而喻，比如障碍物检测、道路边缘检测、地图构建等都离不开它。那么，接下来，聊一聊激光雷达在自动驾驶汽车领域的关键技术：点云分割、道路提取、环境建模与地图构建、障碍物检测与跟踪和多传感器融合。

▊◐◑▊激光雷达是什么

激光雷达（light detection and ranging），也被称作LADAR或LaserRadar。作为一种主动探测感知系统，激光雷达是通过激励源周期性的驱动激光器发射激光脉冲，光束控制器控制发射激光的方向、线数，光电探测器负责接收激光束经过目标反射后的回波，产生接收信号，利用一个稳定的石英时钟对发射时间与接收时间做差，经由信息处理模块计算并输出测量距离、角度、发射强度等信息。典型的激光雷达观测的数据是一个N x 4的矩阵[x,y,z,w]，其中w为反射强度，即点云。

▊◐◑▊激光雷达技术特点

A）不能穿透云层、雨滴或者稠密的烟雾，对天气环境有要求。

B）覆盖范围广、精度高、频率快、环境适应性好。

C）获得信息丰富。

D）与立体视觉相比，可直接返回被侧物体到激光雷达的距离，测量距离更加直接且准确。

E）数据量大，离不开后续处理。

F）能够识别周围环境中障碍物的各种属性，如可跨越的（植被）、不可跨越的（岩石、树木等）、潜在的负障碍（悬崖、山涧等）。

G）抗干扰能力强，隐蔽性好，不受无线电波干扰。

▊◐◑▊激光雷达点云分割

由激光雷达生产的点云数据量每秒可达上百万个，普通的聚类算法无法满足数据实时性计算的要求。点云分割，是指为了快速提取有用的物体信息，根据点云分布的整体特征和局部特征，将点云进行分割，从而形成多个独立的子集。每个子集的期望是每个子集均对应将拥有物理意义的感知目标，并反映出目标物体的几何及位姿特征。点云分割，是保证激光雷达后续目标分类和跟踪性能的重要基础。

点云分割目前多采用非模型投影方法，根据投影方向又可分为基于虚拟像平面投影和基于地面投影两类。

基于虚拟像平面投影——将3D点云数据投影至一系列以激光雷达旋转轴为轴的虚拟圆柱体上，每个投影点的像素值为相应点的雷达测距值。这类算法适用于噪声少、几何形状简单的理想点云数据，对于复杂环境下的点云分割适应性较差。当前，常用于生成距离图像。

基于地面投影——将点运输局根据激光雷达的安装位置、投影角度至俯视平面，利用栅格地图法进行处理。通过分析落入每个栅格中的点的数量及最大最小高度差，今儿将栅格分为地面或障碍。因其容易实现，且利于多信息融合，所以基于地面投影在美国DAPAR城市挑战赛中这种方法被广泛应用。但这种方法的缺点也很明显，如栅格参数难以调节，容易欠分割或过分分割。

此外，为解决激光雷达数据处理量庞大的情况，清华大学的王肖等人提出了基于 3D 激光雷达点云的快速分割方法，根据地面直线可以表征地面状态变化的特点，进而通过分块直线拟合算法来去除背景地面数据，对分割出的前景点云数据进行聚类分割，并计算出目标物体的属性参数，在 3 组基于城市道路环境的测试集下，车辆分割准确率约为 95% ，行人分割准确率约为 85% ，且耗时不受场景复杂度影响，能够较稳定控制在 55 ms/帧左右，提高了环境感知系统的实时性。由于算法在聚类过程中仅采用空间距离尺度作为标准，在多个目标之间距离过近的情况下容易分割错误。若能加入目标形状，同时结合单个扫描线分割方法，将能够减少分割错误率。

▊◐◑▊激光雷达道路提取

实时获得行驶过程中的周围环境信息是自动驾驶汽车感知环节的核心内容，也是汽车进行后续路径规划的前提。道路形状相对于障碍物更加规则，且同一背景条件下，具有明显的差异性。自动驾驶汽车在进行路径跟踪时，不仅要分析自身的运动学、动力学约束和路径的走向，还要考虑所行驶道路的坡度。坡度检测算法的性能将极大的影响后续道路跟踪算法的结果，因此在进行道路信息提取时，对坡度的检测算法就显得至关重要。按照激光雷达的线数特征，坡度的检测算法可分为基于单线激光雷达的方法和基于多线激光雷达的方法。

基于单线激光雷达的道路提取方法，通常是在室外环境中，基于直线、圆形或椭圆形特征进行道路边界的提取，从判断可通行的区域。在道路特征提取过程中，最常用的方法是基于卡尔曼滤波的方法( KF-based，KFBS)和基于距离的方法( Point-distance-based，PDBS)。此类方法的理想模型如下，可以看到，这种方法具有模型简单、运算速度快的有点。但同时，也存在着对直线拟合参数的的敏感性和无法应对复杂的非结构道路变化的情况。

多线激光雷达所获取的信息较单线激光雷达的更为丰富，相应的信息处理算法需求也更为复杂。通常要经过点云分析、数据聚类、特征提取等阶段。

▊◐◑▊激光雷达环境建模与地图构建

环境建模，又称“Environmentalmodeling”，是指对用以对环境进行分析时所设定的模型。以自动驾驶汽车为例，在数据行驶收集及应对突发情况的演练环节，环境建模是必不可少的“练习条件”。

要实现真正意义上的自动驾驶，需要基于大规模的数据收集和数据计算。在数据收集的过程中，如果让测试车直接到行车道上进行数据采集，将存在大量的行驶风险，如传感器失灵、数据分析有误、解决方案缺失等。一旦在采集过程中发生意外，极有可能造成人员伤亡，同时也会降低人们对自动驾驶技术的信任值。而在虚拟环境下进行数据收集，可以最大限度的排除收集过程中的潜在威胁，同时，测试车辆也拥有更多的测试场景（不同的天气情况、不同的道路环境、不同的行人举动等）。

高安全性的测试场景及高效率的测试内容，使环境建模在自动驾驶测试环节的占比与日俱增。

此外，可以利用激光雷达采集道路信息，构建lane级别的高精度地图。

▊◐◑▊激光雷达障碍物检测与跟踪

自动驾驶车辆行驶过程中，散落在路面的石块、从对面行驶而来的车辆、正在横穿马路的行人等，都可视作其需要进行避让的障碍物。只有有效的进行障碍物探测与跟踪，才能制定相应的控制方案，即实现车辆的路径规划。

激光雷达具有探测范围广、抗干扰能力强、高精度测距等优点，在障碍物探测与跟踪过程中，不仅能获取目标的位置，还可获得目标的速度、大小、方向等特征属性，因此，利用激光雷达进行自动驾驶车辆的障碍物探测与跟踪，是不错的选择。

激光雷达对障碍物识别包括了捕获图像信息、图像信息预处理、障碍物识别、道路检测、距离测量、传感器输出计算等模块。使用激光雷达进行目标跟踪的过程主要有两种假设方法，分别是基于几何模型和运动模型。可理解为对选取的目标与上一帧目标进行数据关联，再利用卡尔曼滤波等算法进行跟踪。

▊◐◑▊激光雷达多传感器信息融合

虽然激光雷达具有测量精度高、采集信息丰富、实时性好等特点，但面对复杂多变的自动驾驶行驶环境，激光雷达也无法完成所有的目标检测与识别、环境建模等任务。因此，与多传感器的信息融合，就显得十分重要。

自动驾驶绝不是单一的某领域技术，而是多技术融合的成果。只有建构多源信息融合的感知系统，充分利用多源信息融合技术，才能在自动驾驶汽车行驶过程中建立可靠有效的周围环境信息。

进行多源信息融合的过程中，每个传感器都有自己的坐标系。不同种类的传感器坐标表示也都不同，因此，为了在统一的坐标系下对测量目标进行相应的描述和表示，就需要再信息融合前对各类信息进行坐标转换。多传感器标定技术，就是为了求解单个传感器坐标系在其他坐标系下的相对位置和姿态。根据传感器的具体类型，标定方法又可分为传感器外参数标定、传感器内参数标定、激光雷达与摄像头的技术标定、激光雷达与毫米波雷达的技术标定、多激光雷达标定等。

随着技术的不断发展，利用深度学习网络模型将激光雷达点云数据与视觉信息进行训练学习，融合不同模态数据特征，进行自动驾驶车辆周边环境目标的实时监测与识别取得了一系列现金结果：比如像MV3D、AVOD等激光雷达与视觉融合的算法不断涌现出来并得到应用。

加之高性能运算平台不断的更新换代，提供了强大的计算能力，为深度网络模型充分利用激光雷达在原始数据的环境描述和表达能力提供了强大的支持，从而提高了目标检测的时效性及目标识别的精准度。NVIDIA公司推出的GPU产品正是当前高性能运算平台的代表。

▊◐◑▊ 写在最后

当前，应用最广的激光雷达多为机械式，虽然其优势十分凸显，其劣势也十分显著。一个机械式激光雷达，其成本非常之高，所以在未来的应用过程中，机械式激光雷达极有可能被采用了光学相控阵技术( OPA)、快闪( FLASH)技术、微机电系统( MEMS)的固态激光雷达所取代。

与机械式激光雷达相比，固态激光雷达更符合自动驾驶车辆低成本、量产化、车规级、高可靠性的需求。

低成本才是硬道理

全球范围内，已有不少企业开始了对固态激光雷达的验证，如Velodyne、Ibeo 等。而以研制固态雷达的知名初创公司Innoviz、Quanergy、Leddar Tech 等也得到了德尔福、法雷奥等巨头公司的投资。不难发现，从企业到资本，都在全力打造低成本的固态激光雷达。综上，无论是国家制定发展人工智能的战略目标，还是各企业硬件设备的研发、软件算法的创新，仅从自动驾驶车辆应用层面而言，激光雷达技术将在今后很长的一段时间内保持强劲的势头，不断前进。

加油：=：