光學(xué)雷達(LiDAR)在無(wú)人駕駛技術(shù)中的應用

無(wú)人駕駛汽車(chē)的成功涉及高精地圖、實(shí)時(shí)定位以及障礙物檢測等多項技術(shù)，而這些技術(shù)都離不開(kāi)光學(xué)雷達(LiDAR)。本文將深入解析光學(xué)雷達是如何被廣泛應用到無(wú)人車(chē)的各項技術(shù)中。文章首先介紹光學(xué)雷達的工作原理，包括如何通過(guò)激光掃描出點(diǎn)云;然后詳細解釋光學(xué)雷達在無(wú)人駕駛技術(shù)中的應用，包括地圖繪制、定位以及障礙物檢測;最后討論光學(xué)雷達技術(shù)目前面臨的挑戰，包括外部環(huán)境干擾、數據量大、成本高等問(wèn)題。

無(wú)人駕駛技術(shù)簡(jiǎn)介

無(wú)人駕駛技術(shù)是多個(gè)技術(shù)的集成，包括了傳感器、定位與深度學(xué)習、高精地圖、路徑規劃、障礙物檢測與規避、機械控制、系統集成與優(yōu)化、能耗與散熱管理等等。雖然現有的多種無(wú)人車(chē)在實(shí)現上有許多不同，但是在系統架構上都大同小異。無(wú)人車(chē)的通用系統架構，系統的感知端由不同的傳感器組成，其中GPS用于定位，光學(xué)雷達(Light Detection And Ranging，簡(jiǎn)稱(chēng) LiDAR)用于定位以及障礙物檢測，照相機用于基于深度學(xué)習的物體識別以及定位輔助。

在傳感器信息采集后，我們進(jìn)入了感知階段，主要是定位與物體識別(圖1中)。在這個(gè)階段，我們可以用數學(xué)的方法，比如Kalman Filter與 Particle Filter等算法，對各種傳感器信息進(jìn)行融合，得出當前最大幾率的位置。如果使用LiDAR為主要的定位傳感器，我們可以通過(guò)LiDAR掃描回來(lái)的信息跟已知的高精地圖做對比，得出當前的車(chē)輛位置。如果沒(méi)有地圖，我們甚至可以把當前的LiDAR掃描信息與之前的掃描信息用ICP算法做對比，推算出當前的車(chē)輛位置。在得出基于LiDAR的位置預測后，可以用數學(xué)方法與其它傳感器信息進(jìn)行融合，推算出更精準的位置信息。

最后，我們進(jìn)入了計劃與控制階段.在這個(gè)階段，我們根據位置信息以及識別出的圖像信息(如紅綠燈)實(shí)時(shí)調節車(chē)輛的行車(chē)計劃，并把行車(chē)計劃轉化成控制信號操控車(chē)輛。全局的路徑規劃可以用類(lèi)似A-Star的算法實(shí)現，本地的路徑規劃可以用DWA等算法實(shí)現。

光學(xué)雷達基礎知識

先來(lái)了解下光學(xué)雷達的工作原理，特別是產(chǎn)生點(diǎn)云的過(guò)程。

工作原理

光學(xué)雷達是一種光學(xué)遙感技術(shù)，它通過(guò)首先向目標物體發(fā)射一束激光，再根據接收-反射的時(shí)間間隔來(lái)確定目標物體的實(shí)際距離。然后根據距離及激光發(fā)射的角度，通過(guò)簡(jiǎn)單的幾何變化可以推導出物體的位置信息。由于激光的傳播受外界影響小，LiDAR能夠檢測的距離一般可達100m以上。與傳統雷達使用無(wú)線(xiàn)電波相比較，LiDAR使用激光射線(xiàn)，商用LiDAR使用的激光射線(xiàn)波長(cháng)一般在600nm到1000nm之間，遠遠低于傳統雷達所使用的波長(cháng)。因此LiDAR在測量物體距離和表面形狀上可達到更高的精準度，一般可以達到厘米級。

LiDAR系統一般分為三個(gè)部分：第一是激光發(fā)射器，發(fā)射出波長(cháng)為600nm到1000nm之間的激光射線(xiàn);第二部分是掃描與光學(xué)部件，主要用于收集反射點(diǎn)距離與該點(diǎn)發(fā)生的時(shí)間和水平角度(Azimuth);第三個(gè)部分是感光部件，主要檢測返回光的強度。因此我們檢測到的每一個(gè)點(diǎn)都包括了空間坐標信息(x, y, z)以及光強度信息(i)。光強度與物體的光反射度(reflectivity)直接相關(guān)，所以根據檢測到的光強度也可以對檢測到的物體有初步判斷。

什么是點(diǎn)云?

無(wú)人車(chē)所使用的LiDAR并不是靜止不動(dòng)的。在無(wú)人車(chē)行駛的過(guò)程中，LiDAR同時(shí)以一定的角速度勻速轉動(dòng)，在這個(gè)過(guò)程中不斷地發(fā)出激光并收集反射點(diǎn)的信息，以便得到全方位的環(huán)境信息。LiDAR在收集反射點(diǎn)距離的過(guò)程中也會(huì )同時(shí)記錄下該點(diǎn)發(fā)生的時(shí)間和水平角度(Azimuth)，并且每個(gè)激光發(fā)射器都有編號和固定的垂直角度，根據這些數據我們就可以計算出所有反射點(diǎn)的坐標。LiDAR每旋轉一周收集到的所有反射點(diǎn)坐標的集合就形成了點(diǎn)云(point cloud)。

LiDAR通過(guò)激光反射可以測出和物體的距離distance，因為激光的垂直角度是固定的，記做a，這里我們可以直接求出z軸坐標為sin(a)*distance。由cos(a)*distance我們可以得到distance在xy平面的投影，記做xy_dist。LiDAR在記錄反射點(diǎn)距離的同時(shí)也會(huì )記錄下當前LiDAR轉動(dòng)的水平角度b，根據簡(jiǎn)單的集合轉換，可以得到該點(diǎn)的x軸坐標和y軸坐標分別為cos(b)*xy_dist和sin(b)*xy_dist。

LiDAR 在無(wú)人駕駛技術(shù)中的應用領(lǐng)域

接下來(lái)介紹光學(xué)雷達如何應用在無(wú)人駕駛技術(shù)中，特別是面向高精地圖的繪制、基于點(diǎn)云的定位以及障礙物檢測。

高清地圖的繪制

這里的高清地圖不同于我們日常用到的導航地圖。高清地圖是由眾多的點(diǎn)云拼接而成，主要用于無(wú)人車(chē)的精準定位。高清地圖的繪制也是通過(guò)LiDAR完成的。安裝LiDAR的地圖數據采集車(chē)在想要繪制高清地圖的路線(xiàn)上多次反復行駛并收集點(diǎn)云數據。后期經(jīng)過(guò)人工標注，過(guò)濾一些點(diǎn)云圖中的錯誤信息，例如由路上行駛的汽車(chē)和行人反射所形成的點(diǎn)，然后再對多次收集到的點(diǎn)云進(jìn)行對齊拼接形成最終的高清地圖。

基于點(diǎn)云的定位

首先介紹定位的重要性。很多人都有這樣的疑問(wèn)：如果有了精準的GPS，不就知道了當前的位置，還需要定位嗎?其實(shí)不然。目前高精度的軍用差分GPS在靜態(tài)的時(shí)候確實(shí)可以在“理想”的環(huán)境下達到厘米級的精度。這里的“理想”環(huán)境是指大氣中沒(méi)有過(guò)多的懸浮介質(zhì)而且測量時(shí)GPS有較強的接收信號。然而無(wú)人車(chē)是在復雜的動(dòng)態(tài)環(huán)境中行駛，尤其在大城市中，由于各種高大建筑物的阻攔，GPS多路徑反射(Multi-Path)的問(wèn)題會(huì )更加明顯。這樣得到的GPS定位信息很容易就有幾十厘米甚至幾米的誤差。對于在有限寬度上高速行駛的汽車(chē)來(lái)說(shuō)，這樣的誤差很有可能導致交通事故。因此必須要有GPS之外的手段來(lái)增強無(wú)人車(chē)定位的精度。

上文提到過(guò)，LiDAR會(huì )在車(chē)輛行駛的過(guò)程中不斷收集點(diǎn)云來(lái)了解周?chē)沫h(huán)境。我們可以很自然想到利用這些環(huán)境信息來(lái)定位。這里我們可以把這個(gè)問(wèn)題用一個(gè)簡(jiǎn)化的概率問(wèn)題來(lái)表示：已知t0時(shí)刻的GPS信息，t0時(shí)刻的點(diǎn)云信息，以及t1時(shí)刻無(wú)人車(chē)可能所在的三個(gè)位置：P1、P2和P3(這里為了簡(jiǎn)化問(wèn)題，假設無(wú)人車(chē)會(huì )在這三個(gè)位置中的某一個(gè))。求t1時(shí)刻車(chē)在這三點(diǎn)的概率。根據貝葉斯法則，無(wú)人車(chē)的定位問(wèn)題可以簡(jiǎn)化為如下概率公式：

右側第一項表示給定當前位置，觀(guān)測到點(diǎn)云信息的概率分布。其計算方式一般分局部估計和全局估計兩種。局部估計較簡(jiǎn)單的做法就是通過(guò)當前時(shí)刻點(diǎn)云和上一時(shí)刻點(diǎn)云的匹配，借助幾何推導，可以估計出無(wú)人車(chē)在當前位置的可能性。全局估計就是利用當前時(shí)刻的點(diǎn)云和上面提到過(guò)的高清地圖做匹配，可以得到當前車(chē)相對地圖上某一位置的可能性。在實(shí)際中一般會(huì )兩種定位方法結合使用。右側第二項表示對當前位置預測的概率分布，這里可以簡(jiǎn)單的用GPS給出的位置信息作為預測。通過(guò)計算P1、P2和P3這三個(gè)點(diǎn)的后驗概率，就可以估算出無(wú)人車(chē)在哪一個(gè)位置的可能性最高。通過(guò)對兩個(gè)概率分布的相乘，可以很大程度上提高無(wú)人車(chē)定位的準確度，如圖3所示。

障礙物檢測

眾所周知，在機器視覺(jué)中一個(gè)比較難解決的問(wèn)題就是判斷物體的遠近，基于單一攝像頭所抓取的2D圖像無(wú)法得到準確的距離信息。而基于多攝像頭生成深度圖的方法又需要很大的計算量，不能很好地滿(mǎn)足無(wú)人車(chē)在實(shí)時(shí)性上的要求。另一個(gè)棘手的問(wèn)題就是光學(xué)攝像頭受光照條件的影響巨大，物體的識別準確度很不穩定。圖4展示了光線(xiàn)不好的情況下圖像特征匹配的問(wèn)題：由于相機曝光不充分，左側圖中的特征點(diǎn)在右側圖中沒(méi)有匹配成功。圖5左側展示了2D物體特征匹配成功的例子：啤酒瓶的模板可以在2D圖像中成功識別。但是如果將鏡頭拉遠，我們只能識別出右側的啤酒瓶只是附著(zhù)在另一個(gè)3D物體的表面而已。2D物體由于維度缺失的問(wèn)題很難在這個(gè)情境下做出正確的識別。

利用LiDAR所生成的點(diǎn)云可以很大程度上解決上述兩個(gè)問(wèn)題，借助LiDAR的特性，我們可以對反射障礙物的遠近、高低甚至是表面形狀有較為準確的估計，從而大大提高障礙物檢測的準確度，而且這種方法在算法的復雜度上低于基于攝像頭的視覺(jué)算法，因此更能滿(mǎn)足無(wú)人車(chē)的實(shí)時(shí)性需求。

LiDAR技術(shù)面臨的挑戰

前文我們專(zhuān)注于LiDAR對無(wú)人駕駛系統的幫助，但是在實(shí)際應用中，LiDAR也面臨著(zhù)許多挑戰，包括技術(shù)、計算性能以及價(jià)格挑戰。要想把無(wú)人車(chē)系統產(chǎn)品化，我們必須解決這些問(wèn)題。

技術(shù)挑戰：空氣中懸浮物

LiDAR的精度也會(huì )受到天氣的影響?？諝庵袘腋∥飼?huì )對光速產(chǎn)生影響。大霧及雨天都會(huì )影響LiDAR的精度。

測試中使用了A和B兩個(gè)來(lái)自不同制造廠(chǎng)的LiDAR，可以看到隨著(zhù)實(shí)驗雨量的增大，兩種LiDAR的最遠探測距離都線(xiàn)性下降。雨中或霧中的傳播特性最近幾年隨著(zhù)激光技術(shù)的廣泛應用越來(lái)越受到學(xué)術(shù)界的重視。研究表明：雨和霧都是由小水滴構成的，雨滴的半徑直接和其在空中的分布密度直接決定了激光在傳播的過(guò)程中與之相撞的概率。相撞概率越高，激光的傳播速度受影響越大。

計算性能挑戰：計算量大

即使是16線(xiàn)的LiDAR每秒鐘要處理的點(diǎn)也達到了30萬(wàn)。要保證無(wú)人車(chē)定位算法和障礙物檢測算法的實(shí)時(shí)性，如此大量的數據處理是面臨的一大挑戰。例如，之前所說(shuō)的LiDAR給出的原始數據只是反射物體的距離信息，需要對所有產(chǎn)生的點(diǎn)進(jìn)行幾何變換，將其轉化為位置坐標，這其中至少涉及4次浮點(diǎn)運算和3次三角函數運算，而且點(diǎn)云在后期的處理中還有大量坐標系轉換等更復雜的運算，這些都對計算資源 (CPU、GPU、FPGA) 提出了很大的需求。

展望未來(lái)

盡管無(wú)人駕駛技術(shù)漸趨成熟，但LiDAR始終是一個(gè)繞不過(guò)去的坎。純視覺(jué)與GPS/IMU的定位以及避障方案雖然價(jià)格低，卻還不成熟，很難應用到室外場(chǎng)景中;但同時(shí)LiDAR價(jià)格高居不下，消費者很難承受動(dòng)輒幾十萬(wàn)美元定價(jià)的無(wú)人車(chē)。因此，當務(wù)之急就是快速把系統成本特別是LiDAR的成本大幅降低。其中一個(gè)較有希望的方法是使用較低價(jià)的LiDAR，雖然會(huì )損失一些精確度，但可以使用其它的低價(jià)傳感器與LiDAR做信息混合，較精準地推算出車(chē)輛的位置。換言之，就是通過(guò)更好的算法去彌補硬件傳感器的不足，我們相信這是無(wú)人車(chē)近期的發(fā)展方向。而高精度LiDAR的價(jià)格由于市場(chǎng)需求大增也將會(huì )在未來(lái)的一兩年內出現降幅，為無(wú)人車(chē)的進(jìn)一步普及鋪路。