激光雷达与摄像头功能比照
在无人驾驭环境感知设备中，激光雷达和摄像头别离有各自的优缺点。
摄像头的长处是本钱低价，用摄像头做算法开发的人员也比较多，技能相比照较老练。摄像头的下风，榜首，获取精确三维信息十分难（单目摄像头简直不或许，也有人提出双目或三目摄像头去做）;另一个缺点是受环境光约束比较大。
激光雷达的长处在于，其勘探间隔较远，并且能够精确获取物体的三维信息;别的它的稳定性适当高，鲁棒性好。但现在激光雷达本钱较高，并且产品的终究形状也还未确认。
就两种传感器运用特色来讲，摄像头和激光雷达摄像头都可用于进行车道线检测。除此之外，激光雷达还可用于路牙检测。关于车牌辨认以及路途两头，比方限速牌和红绿灯的辨认，首要仍是用摄像头来完结。假如对障碍物的辨认，摄像头能够很简单经过深度学习把障碍物进行详尽分类。但对激光雷达而言，它对障碍物只能分一些大类，但对物体运动状况的判别首要靠激光雷达完结。
多线激光雷达—-多少线适宜？
现在，国外和国内做激光雷达的厂商并不多。比方 Velodyne 推出 16 线、32 线和 64 线激光雷达产品。Quanergy 前期推出的 8 线激光雷达产品 M-8（固态激光雷达在研）。Ibeo 首要推出的是 4 线激光雷达产品，首要用于辅佐驾驭。速腾聚创（RoboSense）推出的是 16 线激光雷达产品。
究竟多少线的激光雷达产品才干契合无人驾驭厂商，包含传统轿车厂商、互联网造车公司的需求？
多线激光雷达，望文生义，便是经过多个激光发射器在笔直方向上的散布，经过电机的旋转构成多条线束的扫描。多少线的激光雷达适宜，首要是说多少线的激光雷达扫出来的物体能够合适算法的需求。理论上讲，当然是线束越多、越密，对环境描绘就愈加充沛，这样还能够下降算法的要求。
业界遍及认为，像谷歌或百度运用的 64 线激光雷达产品，并不是激光雷达终究的产品形状。激光雷达的产品的方向肯定是小型化，并且还要不断削减两个相邻间发射器的笔直分辨率以到达更高线束。
激光雷达产品参数包含四方面：丈量间隔、丈量精度、视点分辨率以及激光单点发射的速度。我首要讲分辨率的问题：一个是笔直分辨率，另一个是水平分辨率。
现在多线激光雷达水平可视视点是 360 度可视，笔直可视视点便是笔直方向上可视规模。分辨率与摄像头的像素是十分类似的，激光雷达终究构成的三维激光点云，类似于一幅图画有许多像素点。激光点云越密，感知的信息越全面。
水平方向上做到高分辨率其实不难，由于水平方向上是由电机带动的，所以水平分辨率能够做得很高。现在国内外激光雷达厂商的产品，水平分辨率为 0.1 度。
笔直分辨率是与发射器几许巨细相关，也与其排布有联系，便是相邻两个发射器间隔做得越小，笔直分辨率也就会越小。能够看出来，线束的添加首要仍是为了对同一物体描绘得愈加充沛。假如是不经过削减笔直分辨率的办法来添加线束，其实含义不大。
怎么去进步笔直分辨率？现在业界便是经过改动激光发射器和接收器的排布办法来完结：排得越密，笔直分辨率就能够做得很小。另一方面便是经过多个 16 线激光雷达耦合的办法，在不添加单个激光雷达笔直分辨率的状况下相同到达全体减小笔直分辨率的作用。
可是，这两种办法都有必定的缺点。
榜首种办法，假如在不添加笔直可视规模状况下添加线束，是有必定天花板的。由于激光发射器的几许巨细很难进一步再缩小，比方说做到笔直 1 度的分辨率，假如想做到 0.1 度，简直不或许。
第二种办法，多传感器耦合，即多个激光雷达耦合，由于它不是单一产品，那么对往后的校准将会有很高的要求。
激光雷达和摄像头别离完结什么作业？
无人驾驭过程中，环境感知信息首要有这几部分：一是行进途径上的感知，关于结构化路途或许要感知的是行车线，便是咱们所说的车道线以及路途的边际、路途阻隔物以及恶劣路况的辨认;对非结构路途而言，其实会愈加杂乱。
周边物体感知，便是或许影响车辆通行性、安全性的静态物体和动态物体的辨认，包含车辆，行人以及交通标志的辨认，包含红绿灯辨认和限速牌辨认。
关于环境感知所需求的传感器，咱们把它分红三类：
感知周围物体的传感器，包含激光雷达、摄像头和毫米波雷达这三类;
完结无人驾驭轿车定位的传感器，便是 GPS 、IMU 和 Encoder;
其他传感器，指的是感知气候状况及温、湿度的传感器。
今日首要讲的是感知周围物体的传感器，即：激光雷达、毫米波雷达和摄像头。其实他们都有各自的优缺点。
在无人驾驭环境感知中，摄像头完结的作业包含：
车道线检测;
障碍物检测，适当于把障碍物辨认以及对障碍物进行分类;
交通标志的辨认，比方辨认红绿灯和限速牌。
对车道线的检测首要分红三个过程：
榜首步，对获取到的图片预处理，拿到原始图画后，先经过处理变成一张灰度图，然后做图画增强;
第二步，对车道线进行特征提取，首先把经过图画增强后的图片进行二值化（ 将图画上的像素点的灰度值设置为 0 或 255，也便是将整个图画呈现出显着的是非作用），然后做边际提取;
第三步，直线拟合。
车道线检测难点在于，关于某些车道线含糊或车道线被泥土掩盖的状况、关于漆黑环境或雨雪气候或许在光线不是特别好的状况下，它对摄像头辨认和提取都会形成必定的难度。
另一个是障碍物检测。上图是咱们在十字路口做的试验，获取到原始图画后，经过深度学习结构对物体进行辨认。在这傍边，做练习集其实是首要的难点。
还有一个是路途标识的辨认，这一部分的研讨比较多，这儿不再赘述。
激光雷达能够完结什么作业？
榜首是路沿检测，也包含车道线检测;第二是障碍物辨认，对静态物体和动态物体的辨认;第三是定位以及地图的创立。
关于路沿检测，分为三个过程：拿到原始点云，地上点检测、提取路沿点，经过路沿点的直线拟合，能够把路沿检测出来。
接下来是障碍物辨认，辨认比如行人、货车和私家车等以及将路障信息辨认出来。
障碍物的辨认有这样几步，当激光雷达获取三维点云数据后，咱们对障碍物进行一个聚类，如上图紫色围住框，便是辨认在路途上的障碍物，它或许是动态也或许是静态的。
最难的部分便是把路途上面的障碍物聚类后，提取三维物体信息。获取到新物体之后，会把这个物体放到练习集里，然后用 SVM 分类器把物体辨认出来。
如上图，左上角、左下角是车仍是人？关于机器而言，它是不清楚的。右上角和右下角（上图）是咱们做的练习集。做练习集是最难的，适当于要提早把不同物体做人工标识，并且这些标识的物体是在不同间隔、不同方向上获取到的。
咱们对每个物体，或许会把它的反射强度、横向和纵向的宽度以及方位姿势作为它的特征，进行提取，从而做出数据集，用于练习。终究的车辆、行人、自行车等物体的辨认是由SVM分类器来完结。咱们用这种办法做出来的检测精确度仍是不错的。
使用激光雷达进行辅佐定位。定位理论有两种：依据已知地图的定位办法以及依据不知道地图的定位办法。
依据已知地图定位办法，望文生义，便是事前获取无人驾驭车的作业环境地图（高精度地图），然后依据高精度地图结合激光雷达及其它传感器经过无人驾驭定位算法取得精确的方位估量。现在咱们遍及选用的是依据已知地图的定位办法。
制造高精度地图也是一件十分困难的工作。举个比如，探月车在月球上，本来不知道月球的地图，只能靠机器人在月球上边走边定位，然后感知环境，适当于在过程中既完结了定位又完结了制图，也便是咱们在业界所说的 SLAM 技能。
激光雷达是获取高精度地图十分重要的传感器。经过 GPS、IMU 和 Encoder 对轿车做一个开始方位的估量，然后再结合激光雷达和高精度地图，经过无人驾驭定位算法终究得到轿车的方位信息。
