无人驾驶轿车的成功触及高精地图、实时定位以及障碍物检测等多项技能，而这些技能都离不开光学雷达（LiDAR）。本文将深化解析光学雷达是怎么被广泛运用到无人车的各项技能中。文章首要介绍光学雷达的作业原理，包含怎么经过激光扫描出点云；然后具体解说光学雷达在无人驾驶技能中的运用，包含地图制作、定位以及障碍物检测；终究评论光学雷达技能现在面对的应战，包含外部环境搅扰、数据量大、本钱高级问题。
无人驾驶技能简介
无人驾驶技能是多个技能的集成，包含了传感器、定位与深度学习、高精地图、途径规划、障碍物检测与躲避、机械控制、体系集成与优化、能耗与散热办理等等。尽管现有的多种无人车在完结上有许多不同，可是在体系架构上都迥然不同。图1显现了无人车的通用体系架构，体系的感知端（图1左）由不同的传感器组成，其间GPS用于定位，光学雷达（Light Detection And Ranging，简称 LiDAR）用于定位以及障碍物检测，照相机用于依据深度学习的物体辨认以及定位辅佐。
图1 无人车通用体系架构
在传感器信息搜集后，咱们进入了感知阶段，首要是定位与物体辨认（图1中）。在这个阶段，咱们能够用数学的办法，比方Kalman Filter与 Particle Filter等算法，对各种传感器信息进行交融，得出当时最大几率的方位。假如运用LiDAR为首要的定位传感器，咱们能够经过LiDAR扫描回来的信息跟已知的高精地图做比照，得出当时的车辆方位。假如没有地图，咱们乃至能够把当时的LiDAR扫描信息与之前的扫描信息用%&&&&&%P算法做比照，推算出当时的车辆方位。在得出依据LiDAR的方位猜测后，能够用数学办法与其它传感器信息进行交融，推算出更精准的方位信息。
终究，咱们进入了计划与控制阶段（图1右）。在这个阶段，咱们依据方位信息以及辨认出的图画信息（如红绿灯）实时调理车辆的行车计划，并把行车计划转化成控制信号控制车辆。大局的途径规划能够用相似A-Star的算法完结，本地的途径规划能够用DWA等算法完结。
光学雷达基础知识
先来了解下光学雷达的作业原理，特别是发生点云的进程。
作业原理
光学雷达是一种光学遥感技能，它经过首要向方针物体发射一束激光，再依据接纳－反射的时间间隔来确认方针物体的实践间隔。然后依据间隔及激光发射的视点，经过简略的几许改变能够推导出物体的方位信息。因为激光的传达受外界影响小，LiDAR能够检测的间隔一般可达100m以上。与传统雷达运用无线电波相比较，LiDAR运用激光射线，商用LiDAR运用的激光射线波长一般在600nm到1000nm之间，远远低于传统雷达所运用的波长。因而LiDAR在丈量物体间隔和外表形状上可到达更高的精准度，一般能够到达厘米级。
LiDAR体系一般分为三个部分：第一是激光发射器，发射出波长为600nm到1000nm之间的激光射线；第二部分是扫描与光学部件，首要用于搜集反射点间隔与该点发生的时间和水平视点（Azimuth）；第三个部分是感光部件，首要检测回来光的强度。因而咱们检测到的每一个点都包含了空间坐标信息（x, y, z）以及光强度信息（i）。光强度与物体的光反射度（reflectivity）直接相关，所以依据检测到的光强度也能够对检测到的物体有初步判别。
什么是点云？
无人车所运用的LiDAR并不是静止不动的。在无人车行进的进程中，LiDAR一起以必定的角速度匀速滚动，在这个进程中不断地宣布激光并搜集反射点的信息，以便得到全方位的环境信息。LiDAR在搜集反射点间隔的进程中也会一起记载下该点发生的时间和水平视点（Azimuth），并且每个激光发射器都有编号和固定的笔直视点，依据这些数据咱们就能够核算出一切反射点的坐标。LiDAR每旋转一周搜集到的一切反射点坐标的调集就构成了点云（point cloud）。
图2 点云的发生
如图2所示，LiDAR经过激光反射能够测出和物体的间隔distance，因为激光的笔直视点是固定的，记做a，这儿咱们能够直接求出z轴坐标为sin(a)*distance。由cos(a)*distance咱们能够得到distance在xy平面的投影，记做xy_dist。LiDAR在记载反射点间隔的一起也会记载下当时LiDAR滚动的水平视点b，依据简略的调集转化，能够得到该点的x轴坐标和y轴坐标分别为cos(b)*xy_dist和sin(b)*xy_dist。
LiDAR 在无人驾驶技能中的运用领域
接下来介绍光学雷达怎么运用在无人驾驶技能中，特别是面向高精地图的制作、依据点云的定位以及障碍物检测。
高清地图的制作
这儿的高清地图不同于咱们日常用到的导航地图。高清地图是由很多的点云拼接而成，首要用于无人车的精准定位。高清地图的制作也是经过LiDAR完结的。装置LiDAR的地图数据搜集车在想要制作高清地图的路线上屡次重复行进并搜集点云数据。后期经过人工标示，过滤一些点云图中的错误信息，例如由路上行进的轿车和行人反射所构成的点，然后再对屡次搜集到的点云进行对齐拼接构成终究的高清地图。
依据点云的定位
首要介绍定位的重要性。很多人都有这样的疑问：假如有了精准的GPS，不就知道了当时的方位，还需求定位吗？其实不然。现在高精度的军用差分GPS在静态的时分的确能够在“抱负”的环境下到达厘米级的精度。这儿的“抱负”环境是指大气中没有过多的悬浮介质并且丈量时GPS有较强的接纳信号。可是无人车是在杂乱的动态环境中行进，尤其在大城市中，因为各种巨大建筑物的阻挠，GPS多途径反射（Multi-Path）的问题会愈加显着。这样得到的GPS定位信息很简略就有几十厘米乃至几米的差错。关于在有限宽度上高速行进的轿车来说，这样的差错很有或许导致交通事故。因而有必要要有GPS之外的手法来增强无人车定位的精度。
上文说到过，LiDAR会在车辆行进的进程中不断搜集点云来了解周围的环境。咱们能够很天然想到运用这些环境信息来定位。这儿咱们能够把这个问题用一个简化的概率问题来标明：已知t0时间的GPS信息，t0时间的点云信息，以及t1时间无人车或许地点的三个方位：P1、P2和P3（这儿为了简化问题，假定无人车会在这三个方位中的某一个）。求t1时间车在这三点的概率。依据贝叶斯规律，无人车的定位问题能够简化为如下概率公式：
图片描绘
右侧第一项标明给定当时方位，观测到点云信息的概率散布。其核算办法一般分部分估量和大局估量两种。部分估量较简略的做法便是经过当时时间点云和上一时间点云的匹配，凭借几许推导，能够估量出无人车在当时方位的或许性。大局估量便是运用当时时间的点云和上面说到过的高清地图做匹配，能够得到当时车相对地图上某一方位的或许性。在实践中一般会两种定位办法结合运用。右侧第二项标明对当时方位猜测的概率散布，这儿能够简略的用GPS给出的方位信息作为猜测。经过核算P1、P2和P3这三个点的后验概率，就能够估算出无人车在哪一个方位的或许性最高。经过对两个概率散布的相乘，能够很大程度上进步无人车定位的精确度，如图3所示。
图3 依据点云的定位
障碍物检测
众所周知，在机器视觉中一个比较难处理的问题便是判别物体的远近，依据单一摄像头所抓取的2D图画无法得到精确的间隔信息。而依据多摄像头生成深度图的办法又需求很大的核算量，不能很好地满意无人车在实时性上的要求。另一个扎手的问题便是光学摄像头受光照条件的影响巨大，物体的辨认精确度很不安稳。图4展现了光线欠好的情况下图画特征匹配的问题：因为相机曝光不充分，左边图中的特征点在右侧图中没有匹配成功。图5左边展现了2D物体特征匹配成功的比如：啤酒瓶的模板能够在2D图画中成功辨认。可是假如将镜头拉远，如图5右所示，咱们只能辨认出右侧的啤酒瓶仅仅附着在另一个3D物体的外表罢了。2D物体因为维度缺失的问题很难在这个情境下做出正确的辨认。
图4 暗光条件下图画特征匹配的应战
图5 2D图画辨认的问题
运用LiDAR所生成的点云能够很大程度上处理上述两个问题，凭借LiDAR的特性，咱们能够对反射障碍物的远近、凹凸乃至是外表形状有较为精确的估量，然后大大进步障碍物检测的精确度，并且这种办法在算法的杂乱度上低于依据摄像头的视觉算法，因而更能满意无人车的实时性需求。
LiDAR技能面对的应战
前文咱们专心于LiDAR对无人驾驶体系的协助，可是在实践运用中，LiDAR也面对着许多应战，包含技能、核算功能以及价格应战。要想把无人车体系产品化，咱们有必要处理这些问题。
技能应战：空气中悬浮物
LiDAR的精度也会遭到气候的影响。空气中悬浮物会对光速发生影响。大雾及雨天都会影响LiDAR的精度，如图6所示。
图6 外部环境对LiDAR丈量的影响
图7 雨量对LiDAR丈量影响的量化
图7测验中运用了A和B两个来自不同制造厂的LiDAR，能够看到跟着试验雨量的增大，两种LiDAR的最远勘探间隔都线性下降。雨中或雾中的传达特性最近几年跟着激光技能的广泛运用越来越遭到学术界的注重。研讨标明：雨和雾都是由小水滴构成的，雨滴的半径直接和其在空中的散布密度直接决议了激光在传达的进程中与之相撞的概率。相撞概率越高，激光的传达速度受影响越大。
核算功能应战：核算量大
从表1能够看到，即使是16线的LiDAR每秒钟要处理的点也到达了30万。要确保无人车定位算法和障碍物检测算法的实时性，如此很多的数据处理是面对的一大应战。例如，之前所说的LiDAR给出的原始数据仅仅反射物体的间隔信息，需求对一切发生的点进行几许改换，将其转化为方位坐标，这其间至少触及4次浮点运算和3次三角函数运算，并且点云在后期的处理中还有很多坐标系转化等更杂乱的运算，这些都对核算资源 (CPU、GPU、FPGA) 提出了很大的需求。
本钱应战：造价贵重
LiDAR的造价也是要考虑的重要因素之一。上面说到的Velodyne VLP-16 LiDAR官网报价为税前7999美元，而Velodyne HDL-64E LiDAR预价格在10万美元以上。这样的本钱要加在本来就没有很高赢利的轿车价格中，无疑会大大阻止无人车的商业化。
展望未来
尽管无人驾驶技能渐趋老练，但LiDAR始终是一个绕不过去的坎。纯视觉与GPS/IMU的定位以及避障计划尽管价格低，却还不老练，很难运用到室外场景中；但一起LiDAR价格高居不下，顾客很难接受动辄几十万美元定价的无人车。因而，燃眉之急便是快速把体系本钱特别是LiDAR的本钱大幅下降。其间一个较有期望的办法是运用较贱价的LiDAR，尽管会丢失一些精确度，但能够运用其它的贱价传感器与LiDAR做信息混合，较精准地推算出车辆的方位。换言之，便是经过更好的算法去补偿硬件传感器的缺乏，咱们信任这是无人车近期的发展方向。而高精度LiDAR的价格因为市场需求大增也将会在未来的一两年内呈现降幅，为无人车的进一步遍及铺路。
