2015 年，當(dāng)時業(yè)界還在爭論：無人駕駛是該用激光雷達(dá)還是用攝像頭。到 2016 年，事情發(fā)生很大的轉(zhuǎn)變，尤其某汽車公司 Autopilot 致死事故之后，業(yè)內(nèi)漸漸覺得激光雷達(dá)是非常重要的。
激光雷達(dá)是自動駕駛不可或缺的傳感器
下圖是無人駕駛的偏算法層的系統(tǒng)框架。從左邊看，這是一個傳感器的輸入，如激光雷達(dá)、攝像頭、毫米波、GPS、編碼器和 IMU。這些傳感器的數(shù)據(jù)輸入到系統(tǒng)的感知算法里，對于這個感知算法，我們會將這些數(shù)據(jù)進(jìn)行處理分析，如何將靜態(tài)的物體分離出來，并如何識別、分類與跟蹤動態(tài)物體。
無人駕駛的偏算法層的系統(tǒng)框架
高精度地圖的獲取很大程度依賴激光雷達(dá)以及攝像頭。我們獲取高精度地圖后，結(jié)合 GPS 和 IMU、編碼器、實時感知環(huán)境的特征，進(jìn)行地圖匹配進(jìn)行定位。對于路徑規(guī)劃和運(yùn)動控制，最終是結(jié)合車輛的 CAN 總線，對車進(jìn)行控制。
在感知方面，我們普遍使用的是激光雷達(dá)、攝像頭、毫米波雷達(dá)三個是作為感知外界物體的傳感器。其中，激光雷達(dá)可以做物體的識別、分類、跟蹤，攝像頭也可以做物體的分類和跟蹤。毫米波雷達(dá)主要用于對物體障礙物識別。
毫米波雷達(dá)、攝像頭和激光雷達(dá)這三個傳感器，有一些重合點(diǎn)。這是由傳感器本身的性質(zhì)決定，他們有各自不可或缺的功能。
毫米波雷達(dá)主要用還是在障礙物檢測；攝像頭很難得到三維物體的模型，包括它對于環(huán)境的干擾也比較依賴這個光照的影響，但攝像頭對物體分類和跟蹤是非常好的；激光雷達(dá)普遍用于定位、障礙物檢測、物體分類、動態(tài)物體跟蹤等應(yīng)用。
其實在 2016 年之前，激光雷達(dá)行業(yè)的發(fā)展還是比較緩慢的。但現(xiàn)在來看，包括上游供應(yīng)商和下游客戶的緊迫需求，我們極力希望推動實現(xiàn)激光雷達(dá)降成本化、可量產(chǎn)化。
我把激光雷達(dá)目前分成兩類：掃描式激光雷達(dá)和非掃描式激光雷達(dá)。
1、掃描式激光雷達(dá)
機(jī)械式旋轉(zhuǎn)激光雷達(dá)（發(fā)射、接收、共軸旋轉(zhuǎn)的激光雷達(dá)），這是目前比較成熟的，在下游無人駕駛使用比較多的方案。比較有代表性的有 Velodyen、Ibeo，包括我們現(xiàn)在在量產(chǎn)的也是這種機(jī)械式的激光雷達(dá)?；旌瞎虘B(tài)也是機(jī)械式旋轉(zhuǎn)類的激光雷達(dá)。
另外一種是 MEMS。基于 MEMS 的掃描式雷達(dá)目前屬于在研狀態(tài)，它的原理是通過 MEMS 掃描鏡來改變光路。
還有一種是相控陣激光雷達(dá)（OPA），其實也屬于掃描式激光雷達(dá)，因為它是通過逐點(diǎn)掃描的方式，即多個小天線之間發(fā)射的激光的發(fā)射相位來改變光路而實現(xiàn)的。
2、非掃描式激光雷達(dá)
Flash LiDAR 是發(fā)掃描式激光雷達(dá)，發(fā)射的就是一個面陣的光，如瑞士的 Ledder Tech 研發(fā)就是 Flash liDAR 這類產(chǎn)品。
目前來看，其實行業(yè)現(xiàn)在的推動力挺大的，包括我們自己，主要的研發(fā)精力也放在固態(tài)激光雷達(dá)上。我相信很快大家能看到這種低成本的激光雷達(dá)，從研發(fā)、樣品到商用，可能會比原來預(yù)想的周期更快。因為不是一家激光雷達(dá)公司在努力，而是整個產(chǎn)業(yè)鏈都在努力。
點(diǎn)云是在同一空間倡導(dǎo)系下表達(dá)目標(biāo)空間分布和目標(biāo)表面特性的海量點(diǎn)云數(shù)據(jù)。
點(diǎn)云數(shù)據(jù)生成設(shè)備可以由激光雷達(dá)或者深度相機(jī)產(chǎn)生。根據(jù)激光雷達(dá)得到的點(diǎn)云，包括三維坐標(biāo)（XYZ）和激光反射強(qiáng)度（Intensity）。
激光雷達(dá)在自動駕駛中的應(yīng)用：定位
激光雷達(dá)在自動駕駛中的應(yīng)用，最重要部分還是定位：位置確定了，無人車才知道要去哪里、以及怎么去。所以，確定“我在哪里”是第一步，也是非常關(guān)鍵的一步。
現(xiàn)在定位用 RTK，差分 GPS ，也有用激光雷達(dá)或者視覺去做。但 RTK 還是會受信號的干擾。特別是在一些城市、建筑和樹比較多的地方，以及進(jìn)隧道、出隧道，它的信號容易中斷。
還有一個是基于視覺定位，它其實對于跟他視覺本身的特性有關(guān)，對環(huán)境的依賴比較強(qiáng)，比如逆光或雨雪天氣下，這種定位容易失效。
激光雷達(dá)的定位，我們通過 IMU、慣性導(dǎo)航系統(tǒng)、編碼器和 GPS，得到一個預(yù)測的全局位置。當(dāng)激光雷達(dá)實時掃描單次的點(diǎn)云數(shù)據(jù)后，我們會去結(jié)合單次的點(diǎn)云數(shù)據(jù)進(jìn)行匹配，并進(jìn)行特征提取。
這些特征包括路沿、車道線等周圍點(diǎn)線面的特征。對于高精度地圖，提取過特征與實時提取的特征進(jìn)行匹配，最終得到精準(zhǔn)的車本體速度，這是激光雷達(dá)的定位過程。
激光雷達(dá)的第二個應(yīng)用：障礙物的檢測和分類。
對于障礙物檢測和分類來講，目前有應(yīng)用視覺和激光雷達(dá)，這兩者并沒有沖突。激光雷達(dá)不依賴光照，它的視角是 360 度，計算量比較小，可以實時掃描，目前普遍用的是 100 毫秒以內(nèi)的。激光雷達(dá)在掃描的過程中，先識別障礙物，知道這個障礙物在空間中的位置，再根據(jù)存在的障礙物做分類。
如上圖，我們先拿到一個原始點(diǎn)云數(shù)據(jù)，對地面點(diǎn)進(jìn)行提取，對非地面點(diǎn)進(jìn)行障礙物分割。
比如車、人，我們將這些障礙物分割成為獨(dú)立的個體，通過分割出來獨(dú)立的個體再去匹配，從而進(jìn)行障礙物的分類和物體的跟蹤。
簡單言之，我們先去除地面點(diǎn)，得到障礙物，分割出障礙物，然后把障礙物分割出來從而進(jìn)行分類跟蹤。
而跟蹤的過程，首先是分割點(diǎn)云，通過點(diǎn)云做關(guān)聯(lián)目標(biāo)，我們知道上一楨和下一楨是否屬于同一個物體，再進(jìn)行目標(biāo)跟蹤，輸出目標(biāo)跟蹤信息。
激光雷達(dá)的應(yīng)用現(xiàn)狀
今年 4 月份我們開始供貨，目前也了解到行業(yè)激光雷達(dá)在應(yīng)用上現(xiàn)狀。
首先就是傳感器缺乏，一方面是現(xiàn)在的激光雷達(dá)比較貴，供貨周期也非常長，能夠普遍用起激光雷達(dá)的公司并不多。而傳感器的缺乏，解決方案的不成熟、點(diǎn)云算法人才積累太少，激光雷達(dá)無法發(fā)揮最大威力。
對于無人駕駛團(tuán)隊，他們可能除了激光雷達(dá)的點(diǎn)云算法以外，還做攝像頭算法、毫米波雷達(dá)算法以及多傳感器的融合，包括定位、路徑規(guī)劃、決策控制和改車等等。他們做的技術(shù)點(diǎn)非常多，無法聚焦，這導(dǎo)致他們被迫拉長戰(zhàn)線。
所以在今年 4 月，我們針對激光雷達(dá)的解決方案提出了普爾米修斯計劃。我們希望這個計劃的本質(zhì)是一個負(fù)責(zé)開放共享的態(tài)度，加快整個無人駕駛商業(yè)化落地。
整個普羅米修斯計劃的模塊還是基于激光雷達(dá)能夠做什么事來進(jìn)行的，包括：定位、車道線檢測、路沿檢測、障礙物識別、障礙物分類與跟蹤的算法模塊。
不管是低速車，園區(qū)車還是物流車或是在高速公路上行駛的車輛，我們都希望自己能夠貢獻(xiàn)出一份力量。
上圖是基于激光雷達(dá)車道線檢測和路沿檢測。基于激光雷達(dá)的車道線檢測還是比較不錯的，路面上車道線一般是白色和黃色兩種，所以我們提前把反射強(qiáng)度的方式先做出來，這樣激光雷達(dá)就很容易將提取車道線出來，不會因為白天和晚上受到干擾。
而路沿檢測可以根據(jù)路沿的幾何形狀來做一些訓(xùn)練，現(xiàn)在路沿十幾厘米的高度都能夠提取出來。
我們可以看上圖的有半部分：紅色表示提取的車道線，淺色是提取的路沿，中間是虛線，兩邊是實線。這個準(zhǔn)確性還是不錯的，包括路面的左轉(zhuǎn)、右轉(zhuǎn)這些指示也能做出來。如果后續(xù)有多幀迭代的話，其實效果會更好。
激光雷達(dá)做物體的跟蹤，相當(dāng)于對每一個識別到的物體，都會計算，并且分割到底是自行車、卡車、行人還是私家車。
識別之后，除了我們知道自動駕駛本體車的速度以外，也可以跟蹤出前車的速度，以及前車距離本車的橫向和縱向距離。激光雷達(dá)輸出的已經(jīng)不是原始點(diǎn)云數(shù)據(jù)，還有每個障礙物空間的位置和分類，到底是哪種類型，以及速度信息。
激光雷達(dá)能做的事情有很多，包括定位、障礙物的檢測、分類和跟蹤、車道線的檢測、路沿檢測等等。在感知的工作里，激光雷達(dá)扮演了非常重要的角色。
轉(zhuǎn)載請注明出處。
相關(guān)文章
熱門資訊
精彩導(dǎo)讀
關(guān)注我們
