0. 前言
本文将對雷射雷達在自動駕駛領域的應用做一個整體的介紹, 是以每一部分不會特别深, 但是争取囊括雷射雷達的所有"知識點".
1. 硬體及工作原理
首先對雷射雷達工作原理, 可以根據下圖某廠商的雷射雷達性能參數分别介紹一下:
1.1 測距原理
常見的測距原理有如下幾種:
1.三角法測距;
2.tof(time of flight) 飛行時間測量法;
3.FMCW(Frequency Modulated Continuous Wave) 調頻連續波, 這是毫米波雷達的主要測距方法, 是以除了測距還可以測速;
4.AMCW(Amplitude Modulated Continuous Wave)調幅連續波;
由于測距較遠, 目前自動駕駛領域的雷射雷達基本都采用 tof 的方法, 幾個月前了解到目前有廠家在研究FMCW測距方法的雷射雷達, tof 具體的測距原理很簡單:
1.2 掃描原理
常見的掃描原理有以下幾種:
1.傳統機械掃描,下圖是一個2d雷射雷達,也就是線數為1;
2. OPA(Optical Phased Array) 光學相控陣; 光學相控陣技術的原理是利用光源相幹技術實作光線角度偏轉，進而達到掃描測距的目的;
3. MEMS(Micro-Electro-Mechanical System) 微機電系統, 半固态雷射雷達, 由于内部有可旋轉的MEMS微振鏡,依然沒有擺脫機械結構;
4. FLASH 泛光面陣式, 純固态雷射雷達, 工作原理類似于攝像頭, 隻不過攝像頭是被動接受光資訊, 而FLASH是主動發射面雷射并接受反射雷射;
由于機械式雷射雷達的損耗嚴重, 很難長時間使用, 故将會是雷射雷達發展曆史的過度産物, FLASH由于測距距離很近也很難應用到自動駕駛領域, OPA對加工工藝要求很高, 故筆者認為未來短期内是MEMS将會迎來較大發展.
1.3 其他參數
線數: 對于機械雷射雷達來說, 一般多少線就需要多少個雷射器;
反射率: 雷射雷達傳回值除了三維點坐标 (x, y, z)之外, 還有反射率, 反射率和距離, 入射角度, 物體表面反射率相關, 不同廠家對于反射率的計算也不一樣, 有的範圍在[0, 1], 有的範圍在[0, 255];
探測距離: 一般要求都是200m, 以達到最遠刹車距離的要求;
回波模式: 單回波和多回波,為什麼會産生多回波呢, 雷射雷達發出的雷射點是有一定面積的, 有時可能會出現1個雷射點發出後, 打在2個物體上(如同一束雷射打在兩片樹葉上), 此時可以選擇是接受最後一次回波的值還是反射強度最強的回波的值.
掃描頻率和水準角視場角&角分辨率: 10Hz就代表每秒掃描10次(轉10圈), 水準視場角也就是水準FOV, 機械旋轉式常為360°, 因為每100ms(10Hz)轉360度, 水準角分辨率為0.2°的話, 轉一圈就産生360/0.2=1800個點, 如果每50ms(20Hz) 轉一圈的話, 就轉一圈就産生360/0.4=900個點, 是以通常自動駕駛領域為了點更密集, 常采取10Hz.
垂直角視場角&角分辨率: 垂直視場角常常不是和水準線對稱的, 而是略微朝下傾斜的,這也是為了掃描到更多的障礙物, 充分利用點雲, 可以看到某家的自動駕駛雷射雷達部署的時候還故意向下傾斜來彌補近處的盲區.
保護等級: IP6K7 6和7分别代表防塵霧等級,越高越好;
波長: 常見的雷射雷達波長為 905nm, 1550nm兩種, 1550nm 距離可見光波段更遠, 是以對人眼更安全, 理論上可以通過增加功率提高測距距離, 同時波長更長穿透度更好,更有利于在雨霧天氣使用, 但由于成本較高, 還未成為主流.
2. 在自動駕駛領域的應用
2.1 物體檢測(object detection)
物體檢測在深度學習沒有快速發展之前常用聚類的方式(參考 https://zhuanlan.zhihu.com/p/79044872), 但是很難做動靜态分離, 随着深度學習技術的發展, 點雲物體識别也更多的使用深度學習 , 這裡可以參考[https://zhuanlan.zhihu.com/p/111435045, 更有甚者在室内機器人領域還有人做基于點雲的執行個體分割(instance segmentation);
2.2 SLAM(simultaneous localization and mapping)
SLAM和物體檢測是雷射雷達在自動駕駛領域最重要的兩個應用, 而SLAM的主要作用就是建圖和定位, 目前來看自動駕駛很難脫離高精地圖工作, 建圖過程又有很多的點雲拼接, 動态補償等等工作, 是建spare/dense還是多層次的圖也值得考慮, 定位過程又包括特征比對等工作; SLAM 主要也分為視覺SLAM 和雷射SLAM, 有時建圖的過程同時包含了視覺和點雲的特征, 下圖是地圖服務公司DeepMap的一個demo：
2.3 多傳感器标定(calibration)
傳感器标定的意義主要是讓車體本身知道障礙物的位置在哪裡, 因為雷射雷達識别出來的物體是在雷射雷達坐标系下的位置, 是以需要标定的外參來得到障礙物在車體坐标系下的位置, 以便規劃子產品做出決策;
傳感器标定又分為線上和離線, 常見的标定屋就是離線标定, 因為車在行駛過程中常常出現颠簸導緻車體和傳感器之間的位置發生變化, 是以每行駛一段時間最好做一次線上标定, 下圖是常見的标定屋;
線上标定也可以分為傳統算法和基于深度學習的方法(參考,[基于深度學習的多傳感器标定]https://zhuanlan.zhihu.com/p/73073753);
2.4 可通行空間檢測
freespace 也就是可通行空間, 這是規劃子產品一個比較重要的輸入，下圖綠色區域就是典型的可通行空間；
2.5 仿真(simulator)
我們都知道深度學習是資料驅動(data driven)和模型驅動的, 是以有大量的資料對DL來說是非常必要的, 但是很多公司受限于沒有大量實車去采集, 仿真就顯得很有必要(商機啊!!!),
目前感覺還沒有很好的雷射雷達仿真器, 因為入射角度, 距離, 天氣, 材質,濕度等等因素都會影響到點雲的反射率, 很多仿真器采用的是基于真實資料去構造.
3. 總結
除了自動駕駛領域, 雷射雷達在家居機器人,智能手機(Iphone12), 測繪等等領域都有廣泛應用;
其實自動駕駛裡的應用每一個部分都可以深耕, 尤其是SLAM應該是雷射雷達的大坑…, 跳進去的話還是很酸爽的;
未來雷射雷達能否在自動駕駛車上量産還是各方的博弈, 筆者還是比較樂觀的;
國内的雷射雷達的品質逐漸提高這點也讓我很欣慰
參考資料
https://zhuanlan.zhihu.com/p/134059056
https://link.zhihu.com/?target=https%3A//www.sohu.com/a/233592199_100144710
https://zhuanlan.zhihu.com/p/139350599