自动驾驶之激光雷达

1 什么是激光雷达

• 激光雷达LiDAR的全称为Light Detection and Ranging 激光探测和测距。
  
• 激光雷达的工作原理：对红外光束Light Pluses发射、反射和吸取来探测物体。白天或黑夜下的物体与车之间的隔断。乃至由于反射度的差异，车道线和路面也可以区分。光束无法探测到被遮挡的物体
  

2 激光雷达的关键参数

• 点频：每帧水平方向匀称点数x垂直方向匀称点数x帧率=（水平视场角/水平角分辨率）×（垂直视场角/垂直角分辨率）
  
• 扫描频率：10Hz就代表每秒扫描10次(转10圈)
  
• 视角（Field of View, FOV）:FOV包罗垂直视场角（VFOV）、水平视场角（HFOV）、对角线视场角(DFOV)；通常，在没有特殊阐明时，我们默认的FOV一样平常都是水平视场角
  

• 角分辨率：指的是相邻两个激光扫描点之间的角度隔断，一样平常以度（°）为单元。由于现在激光雷达有很多种扫描方式，每种方式在扫描点分布上的差异，导致扫描点并不绝对匀称，因此这里讲的激光雷达角分辨率是一个等效匀称的概念。直观明确，角分辨率越小，单元空间角内分布的激光点数就越多，其对于物体的分辨本事就会越强。雷同角分辨率下，对同一物体，隔断越远探测到的激光点数越少，如图所示。
  
  
  
  

   由于每100ms(10Hz)转360度, 水平角分辨率为0.2°, 转一圈就产生360/0.2=1800个点, 如果每50ms(20Hz) 转一圈, 就转一圈就产生360/0.4=900个点, 通常自动驾驶范畴为了点更麋集, 常接纳10Hz.（一节课上老师讲的，有点迷惑，一圈点更密为什么更好？不都是看时间的吗？）
  

• 线数: 对于呆板激光雷达来说, 一样平常多少线就须要多少个激光器。
  
• 反射率: 激光雷达返回值除了三维点坐标 (x, y, z)之外, 尚有反射率和隔断, 入射角度, 与物体外貌反射率
  
• 波长: 常见的激光雷达波长为 905nm, 1550nm两种, 1550nm 隔断可见光波段更远, 以是对人眼更安全, 波长更长穿透度更好,更有利于在雨雾气候使用, （由于本钱较高, 还未成为主流）。
  
• 探测隔断：一样平常要求200米，以到达最远刹车隔断的要求
  
• 回波模式: 单回波和多回波, 激光雷达发出的激光点是有肯定面积的, 偶尔大概会出现1个激光点发出后, 打在2个物体上(犹如一束激光打在两片树叶上), 此时可以选择是担当末了一次回波的值还是反射强度最强的回波的值。
  

以禾赛128为例
1、10%反射率下最远探测隔断200米
2、视场角：120°x25.4°
3、角分辨率：0.1°（H）X0.2°（V)
4、功耗：18W
5、尺寸：137mmX112mmX47mm

3 激光雷达种类

• 传统呆板扫描; AT128，有呆板布局，体积比力大。
  

• 使用呆板部件旋转来改变发射角度，水平360度扫描
  
• EE了激光器堆叠工艺复杂，体积过大，垂直线数受限，难以通过
  

• MEMS(Micro‐Electro‐Mechanical System) 半固态激光雷达
    MEMS在硅基芯片上集成了体积非常精良的微振镜，其核心布局是尺寸很小的悬臂梁——通过控制微小的镜面平动和扭转往复运动，将激光管反射到差异的角度完成扫描，而激光发生器本身固定不动。
  
  
  
  

• 长处：运动部件淘汰，体积小，本钱相对较低。
  
• 缺点：MEMS可转角受限，限定扫描视野，存在成像拼接的标题
  

• FLASH 泛光面阵式, 纯固态激光雷达,
    FLASH工作原理雷同于摄像头, 只不外摄像头是被动担当光信息, 而FLASH是自动发射面激光并担当反射激光， Flash激光雷达的成像原理是发射大面积激光一次照亮整个场景，然后使用多个传感器吸取检测和反射光。但最大的标题是这种工作模式需
  要非常高的激光功率。而在体积限定下，Flash激光雷达的功率密度不能很高。因此Flash激光雷达由于功率密度的限定，无法思量三个参数：视场角、检测隔断和分辨率，即如果检测隔断较远，则须要断送视场角或分辨率；如果须要高分辨率，则须要断送视场角或检测隔断
  
• OPA(Optical Phased Array) 光学相控阵，全固态激光雷达;
    光学相控阵技能的原理是使用光源干系技能实现光线角度偏转，从而到达扫描测距的目标。OPA激光雷达发射的是光，而光和电磁波一样也体现出波的特性。波与波之间会产生干
  涉征象，通过控制相控阵雷达平面阵列各个阵元的电流相位，使用相位差可以让差异的位置的波源会产生干涉（雷同的是两圈水波
  相互叠加后，有的方向会相互抵消，有的会相互加强），从而指向特定的方向，往复控制便得以实现扫描效果。
  

• 长处：OPA是纯固态器件，无须要运动的呆板布局，
  
• 缺点：激光雷达对激光调试、信号处理处罚的运算力要求很高。
  
• 前沿性探索阶段
  

4 自动驾驶感知传感器

下图是传感器感知的视野图，从图中可以看到，传感器的视野比人的视野更加宽广深远且盲区更小，根本可以或许涵盖车辆360度范围。
感知重要的传感器：Lidar、Radar(长距、短距)、Camera。

视觉传感器一样平常用于停滞物、车道线、交通灯检测、目标检测和跟踪功能。根本原理是起首获取图像并将图片转化为二维数据，然后通过深度学习方法做目标辨认，再根据相机的表里参盘算目标物体和主车的相对隔断和相对速率。毫米波雷达重要用于目标检测、换道辅助、自顺应巡航控制、停车辅助等，激光雷达一样平常应用于停滞物检测、定位等。

在智能驾驶范畴，通常车辆会设置多种感知器，分别实行差异的任务，并举行感知融合。在感知融合中，会对全部目标进一步处理处罚，得到更加准确的目标种别、隔断、尺寸、速率等，感知完成红绿灯检测、车道线检测目标融合之后，把感知信息发送给鄙俚模块

5 激光雷达感知框架

以百度Apollo为例
感知框架中lidar、camera、radar、fusion 四部分内容界说在四个模块中。Lidar 和 camera 每个模块内部功能复杂，学习成
本较高。感知框架拆分后，模块依赖关系清楚。Lidar 和 camera 的感知流程分为多个模块，依赖关系呈线性状态；radar
和 fusion 的功能在单个模块内，功能如框图所示。

激光雷达检测用于 3D 目标检测，它的输入是激光雷达点云，输出为检测到的物体的范例和坐标。

• pointcloud_preprocess：点云预处理处罚模块对输出的点云数据举行预处理处罚。 删除超值点、太远的点、扫描到自身车辆上的点、太高的点。
  
• pointcloud_map_based_roi：过滤 ROI 之外的点云。 感爱好地区 (ROI) 指定可行驶地区，包罗从高精舆图检索到的路面和路口。 HDMap ROI 过滤器处理处罚 ROI 外部的lidar点，去除配风景体，比方门路四周的构筑物和树木。 剩下的就是ROI中的点云以供后续处理处罚。 给定HDMap，每个 LiDAR 点的附属关系指示它是在 ROI 内部还是外部。
  
• pointcloud_ground_detection：点云地面检测，检测地面点，并生存全部非地面点的索引。
  
• lidar_detection：基于点云举行3D物体检测，并输出检测到的物体的位置、巨细和方向。 Apollo提供了4种激光雷达检测模子：centerpoint、maskpillars、pointpillars、cnnseg。
  
• lidar_detection_filter：根据对象属性、车道线、ROI 等过滤远景和配景对象。
  
• lidar_tracking：跟踪模块用于跟踪停滞物的运动轨迹，更新停滞物的运动状态和多少外形，并分配跟踪id。
  
• multi_sensor_fusion ：多传感器融合模块融合Lidar、Camera、Radar多个传感器的输出效果，使检测效果更加可靠。该模块接纳后处理处罚技能，接纳的算法是概率融合
  

5.1 pointcloud_preprocess

点云预处理处罚模块对点云做过滤，删除非常的、感知不须要的点云。

• 删除空值，超限值点云；
  
• 删除过远（凌驾1000m）的点云；
  
• 删除过高的点云；
  
• 点云转化到主车自身坐标系，删除扫描到主车身上的点云。
  
  
  
  

5.2 pointcloud_map_based_roi

点云基于舆图盘算爱好地区（roi，region of interest），根据高精度舆图的road和junction边界判断点云是否在高精度舆图内，得到
在高精舆图内的点的索引。
下图是基于舆图roi过滤的效果图。赤色的是roi内的点云，白色的是roi外的点云。

5.3 pointcloud_ground_detection

地面点检测功能是检测出地面点，得到全部非地面点的索引，即non_ground_indices。
下图是地面点云检测的示例图，赤色的点云好坏地面点云，白色的是地面点云。分割出地面点云后，去除远景目标点云。然后用
剩余的非地面点云做聚类，检测当前场景下的全部目标，包管自动驾驶的安全性。

5.4 lidar_detection

检测模子完成目标检测功能，得到目标的如下效果：cx, cy, cz, length, width, height, heading, type
此中，(cx, cy, cz)是中央点，(length, width, height)是长宽高，heading是朝向，type是目标种别。示比方下
除了获取目标，还根据目标的3d bounding box，得到每个目标的全部点云。

5.5 lidar_detection_filter

完成激光雷达目标检测后，对检测目标做过滤。object_filter_bank可以同时使用多个过滤器，针对roi_boundary_filter做先容，
roi_boundary_filter只用来处理处罚远景目标（即妨碍车辆行驶的目标）。roi_boundary_filter过滤规则如下图。

5.6 lidar_tracking

多目标跟踪，获取目标运动的汗青轨迹，得到更加稳固的朝向、速率、位置等信息，得到跟踪id。多目标跟踪的效果可进一步用于停滞物轨迹猜测。
detections 来自最新检测的效果，tracks 表现汗青的匹配效果。Match 是目标匹配算法，终极得到三种匹配效果：

• unassigned tracks：汗青的目标没有和最新的检测效果匹配上，这种情况会更新汗青 tracks，并删除过老的 tracks
  
• assignment：表现已经匹配上，根据dets和tracks更新tracks。
  
• unassignement detections：最新检测的效果没有匹配上，添加到汗青tracks中。这时会赋予一个新的track‐id。