摘要：本報告將自動駕駛領域最為(wei) 關(guan) 鍵的傳(chuan) 感器——激光雷達作為(wei) 中心，通過調研其所扮演重要角色的領域——自動駕駛，以及自動駕駛和激光雷達的國內(nei) 外發展現狀，深入了解激光雷達的技術背景。以目前智能車生產(chan) 廠家所采用的傳(chuan) 感層技術為(wei) 切入點，通過了解、掌握這些技術的特點、基本原理、適用場景、優(you) 缺點，來進一步深入激光雷達，了解其分類、基本工作原理、主要技術指標，對用於(yu) 智能車的車載激光雷達的主要廠家、產(chan) 品進行調研，獲得主流產(chan) 品的主要性能指標參數、測試數據等。

緒論

1.1 研究背景與(yu) 意義(yi)

早期激光雷達主要用於(yu) 軍(jun) 事和民用地理測繪(GIS)等領域，比如地質測繪、監測樹木生長、測量建築項目進度等。隨著自動駕駛的興(xing) 起，對於(yu) 環境感知要求日趨嚴(yan) 格，在自動駕駛架構中，傳(chuan) 感層被比作為(wei) 汽車的“眼睛”，包括車載攝像頭等視覺係傳(chuan) 感器和車載毫米波雷達、車載激光雷達和車載超聲波雷達等雷達係傳(chuan) 感器，其中激光雷達已經被廣泛認為(wei) 是實現自動駕駛的必要傳(chuan) 感器。相比於(yu) 其它類型的自動駕駛傳(chuan) 感器，如攝像頭，激光雷達探測的距離更遠，精度更高。相對於(yu) 攝像頭而言，激光雷達由於(yu) 為(wei) 主動發射光束，故比較不容易受周圍環境如弱光、雨雪煙塵的影響，而且攝像頭在進行圖像識別處理時需要消耗大量的處理器能力，而激光雷達產(chan) 生的三維地圖信息更容易被計算機解析。相比毫米波雷達，激光雷達的分辨率更高，並且毫米波雷達也不適用於(yu) 行人檢測和目標識別等工作。在自動駕駛領域，激光雷達與(yu) 其它傳(chuan) 感器互為(wei) 補充，可以有效提高車輛對於(yu) 周圍環境感知的準確度。

本文以目前智能車生產(chan) 廠家所采用的傳(chuan) 感層技術為(wei) 切入點，通過了解、掌握這些技術的特點、基本原理、適用場景、優(you) 缺點，來進一步深入研究其中對於(yu) 自動駕駛最為(wei) 關(guan) 鍵的傳(chuan) 感器——激光雷達，了解其分類、基本工作原理、主要性能指標，對用於(yu) 智能車的車載激光雷達的主要廠家、產(chan) 品進行調研，獲得主流產(chan) 品的主要性能指標參數、測試數據等。對車載激光雷達進行仿真，不僅(jin) 能節省大量的燃料和經費，而且不受天氣和場地的限製，因此具有巨大的經濟效益。在仿真軟件中，可以靈活地設置各種參數、模擬條件，同時也不存在安全隱患，因此具有巨大的社會(hui) 效益。由於(yu) 目前國內(nei) 外對於(yu) 車載激光雷達仿真係統的研究較少，本文拋磚引玉，嚐試歸納、分析上述內(nei) 容，最終得出車載激光雷達仿真係統的主要技術要求。

1.2 自動駕駛概述

SAE(國際汽車工程師協會(hui) )J3016 文件提出的五級自動駕駛分級方案是當前被普遍采用接受的標準，將自動駕駛技術分為(wei) L0 ~ L5 共六個(ge) 等級。L0 代表沒有自動駕駛加入的傳(chuan) 統人類駕駛，L1 ~ L5 則將自動駕駛的發展程度進行了分級：

表 1-1 SAE 自動駕駛定義(yi) 和分級標準

(注：參照[1]中表格修改整理)

無人駕駛專(zhuan) 指 L4、L5 階段，即駕駛員不介入的情況下汽車可以完成全自動駕駛的控製動作，指向自動駕駛汽車技術發展的最終形態。

自動駕駛覆蓋 L1 到 L5 整個(ge) 階段，在 L1、L2 階段，汽車的自動駕駛係統隻作為(wei) 駕駛員的輔助，但能夠持續地承擔汽車橫向或縱向某一方麵的自主控製完成感知、認知、決(jue) 策、控製、執行這一完整過程，其他如預警提示、短暫幹預的駕駛技術(ADAS, Advanced Driver Assistance Systems)不能完成這一完整的流程，不在自動駕駛技術範圍之內(nei) 。即汽車至少在某些具有關(guan) 鍵安全性的控製功能方麵(如轉向、油門或製動)無需駕駛員直接操作即可自動完成控製動作。自動駕駛汽車一般使用機載傳(chuan) 感器、GPS 和其他通信技術設備獲得信息，針對安全狀況進行決(jue) 策規劃，在某種程度上恰當地實施控製。自動駕駛包括無人駕駛。

智能駕駛指搭載先進的智能係統和多種傳(chuan) 感器設備(包括攝像頭、雷達、導航設備等)，具備複雜的環境感知、智能決(jue) 策、協同控製和執行等功能，可實現安全、舒適、節能、高效行駛，並最終可替代人來操作。智能駕駛包括自動駕駛以及無人駕駛。

以上三者的關(guan) 係可由下圖表示：

圖 1-1 無人駕駛、自動駕駛、智能駕駛關(guan) 係圖

1.3 智能車輛國內(nei) 外發展現狀及趨勢概述

自 1886 年汽車誕生以來，結構逐步成型;1913 年，汽車開始采用流水先生產(chan) ;1932 年，高速公路誕生;20 世紀 50 年代，被動安全係統，如安全帶、安全氣囊出現;至此，以底盤、傳(chuan) 動、輪胎、車身、機械為(wei) 核心技術的汽車逐漸開始規模化生產(chan) ，同時，國內(nei) 汽車工業(ye) 開始起步。1970 年，Ford 最早裝配防抱死製動係統(ABS, Anti-lock BrakingSystem)這一主動安全係統;1995年，Mercedes-Benz 率先配備電子穩定係統(ESP,Electronic Stability Program);至此，以發動機、早期汽車電子技術、安全係統和節能為(wei) 核心技術的汽車性能不斷優(you) 化，大量資金和技術被引入，同時，國內(nei) 汽車工業(ye) 全麵發展。2009 年，Google 開啟自動駕駛項目，以汽車電子技術、自動駕駛、新能源為(wei) 核心技術的汽車逐步向智能化、輕量化、電動化、網聯化、出行方式共享化等方向發展;自動駕駛作為(wei) 重要的發展趨勢之一，將再次徹底改變出行方式。我國汽車工業(ye) 起步較晚，但在新能源汽車等領域進展較快，並率先趕上自動駕駛研發熱潮，有望在汽車產(chan) 業(ye) 發揮引領作用。

美國在 20 世紀 80 年代初已經開始自動駕駛技術的軍(jun) 事化應用，歐洲從(cong) 80 年代中期開始研發自動駕駛車輛，更多強調單車自動化、智能化的研究，日本的自動駕駛研發略晚於(yu) 歐美，更多關(guan) 注於(yu) 采用智能安全係統降低事故發生率，以及采用車間通信方式輔助駕駛。在初期，自動駕駛研發在歐美日已呈現『產(chan) 學研』相結合的特點，開發測試了不同程度自動化、智能化的車輛，進入 21 世紀，美國國防高等研究計劃署(DARPA, Defense Advanced Research Projects Agency)舉(ju) 辦的挑戰賽進一步提高了自動駕駛的社會(hui) 關(guan) 注度，激發了相關(guan) 從(cong) 業(ye) 者的研發熱情。由於(yu) 深度學習(xi) 算法的引入，自動駕駛技術有了爆炸性的突破。2009 年，Google 布局自動駕駛，引發了新一輪的產(chan) 業(ye) 熱潮，更多的科技企業(ye) 加入市場爭(zheng) 奪中。2020 年前後，成為(wei) 主要汽車廠商和科技企業(ye) 承諾推出完全自動駕駛車輛的時間節點。

自上世紀 90 年代起，國內(nei) 各高校和研究機構已經陸續開展自動駕駛的研發工作，推出多個(ge) 測試車型，其中國防科技大學於(yu) 1992 年研製出第一款自動駕駛汽車CITAVT-Ⅰ 型。2009 年以來，國家自然科學基金委員會(hui) 舉(ju) 辦『中國智能車未來挑戰賽』，吸引多個(ge) 高校和研究機構參與(yu) ，為(wei) 自動駕駛技術的交流和發展起到了良好的促進作用，在此期間，一汽、北汽等傳(chuan) 統車企也逐步布局。自國務院在 2015 年發布《中國製造 2025》起，以自動駕駛技術為(wei) 重點的智能網聯汽車成為(wei) 未來汽車發展的重要戰略方向，大批初創企業(ye) 投身自動駕駛領域;2016 年，中國工信部裝備工業(ye) 司汽車處處長表示，正和警方合作起草自動化駕駛道路測試標準化的規定;北汽、上汽、長安等車企相繼公布自動駕駛戰略規劃，國內(nei) 自動駕駛集中爆發，多個(ge) 車企公布自動駕駛的戰略規劃;2017 年，《汽車產(chan) 業(ye) 中長期發展規劃》發布;籌建智能網聯汽車分技術委員會(hui) ，製定產(chan) 業(ye) 技術標準;百度公布 Apollo 計劃，還有更多的初創企業(ye) 脫穎而出，獲得巨額投資，可以說，自動駕駛產(chan) 業(ye) 已經進入新技術最為(wei) 火爆的中場階段。

1.4 車載激光雷達國內(nei) 外發展現狀及趨勢概述

目前，全球最大的車載激光雷達公司——Velodyne LiDAR 的前身是矽穀科技公司 Velodyne，它在 Google 布局無人駕駛汽車之前就開始在車載激光雷達產(chan) 業(ye) 發力，之後與(yu) Google 合作，成為(wei) 了車載激光雷達產(chan) 業(ye) 的龍頭。其包含了專(zhuan) 注於(yu) 音頻設備的 Velodyne Acoustics 公司和專(zhuan) 注於(yu) 海洋問題解決(jue) 方案的 Velodyne Marine 公司，同樣地，Velodyne 在 2016 年將 Velodyne LiDAR 作為(wei) 一家獨立的公司剝離出來，這時正處於(yu) 世界範圍內(nei) 車載激光雷達相關(guan) 技術飛速發展時期。其旗下的 HDL-64E 型機械激光雷達被廣泛采用於(yu) 自動駕駛車輛的測試中，不過其高昂的價(jia) 格和低生產(chan) 率也提醒各個(ge) 科技巨頭車載激光雷達的低成本化和量產(chan) 化相當關(guan) 鍵，這也正是 Tesla 一直不采用這種『3D 激光雷達』方案，而是堅持采用『毫米波雷達 + 攝像頭』方案的原因。目前 Velodyne LiDAR 已經推出成本更低、線數更多的 128 線的 VLS-128 型固態激光雷達，這意味著這款激光雷達有更高的分辨率、安全性以及更低的成本，並且可以實現量產(chan) 。然而，『3D 激光雷達 + 高精度導航地圖 + 雲(yun) 計算』被認為(wei) 是未來理想的綜合性解決(jue) 方案，也就是說，從(cong) 發展趨勢看，就汽車智能駕駛領域，『毫米波雷達 + 攝像頭』方案終將隨著車載激光雷達的成本下降而被逐漸取代。

不過，在 Velodyne 推出 VLS-128 之前，整體(ti) 車載激光雷達市場上的趨勢都是往低線束化、固態化發展，也就是往減少激光雷達線束發展，同時也從(cong) 機械型轉為(wei) 固態型，比如 Quanergy 公司就在 2016 年 CES 展會(hui) 上推出了與(yu) Delphi 公司共同研發的新產(chan) 品 S3，號稱全球首款固態激光雷達，就連 Velodyne 公司本身也在推出混合或固態的低線束激光雷達。因為(wei) 這樣做可以降低成本，但是需要用數量來彌補線數的不足，也體(ti) 現出未來的技術路線未定，產(chan) 業(ye) 龍頭 Velodyne LiDAR 也不能確定到底是多線束激光雷達還是多激光雷達耦合。Velodyne LiDAR 認為(wei) 對於(yu) 一輛在複雜環境中高速行駛的自動駕駛汽車來說，HDL-64 的性能還不夠保證安全，更高線程的激光雷達不僅(jin) 可以配合一些必要的設備保證安全，還可以讓自動駕駛汽車將不再需要任何其它探測障礙的傳(chuan) 感器。但是 Velodyne LiDAR 的競爭(zheng) 對手 Luminar 公司也在做低線束固態激光雷達，其認為(wei) 由於(yu) 激光擴散的原因，距離越遠，精準度越低。所以，絕大多數的自動駕駛公司在使用最先進的激光雷達的情況下，還是會(hui) 選擇添加其他種類的傳(chuan) 感器。各大車載激光雷達公司之間的爭(zheng) 論也是行業(ye) 的技術現狀之一，至於(yu) 車載激光雷達技術之後如何發展，還需要看各科技公司的研發情況以及實際測試的結果。

從(cong) 以上對國外車載激光雷達技術現狀的分析中能夠得到的統一趨勢有低成本化、固態化、量產(chan) 化，但是 Velodyne LiDAR 推出更高線束的激光雷達和其他科技廠商推出低線束激光雷達的行為(wei) 並不矛盾，他們(men) 的整體(ti) 方向依然是要實現激光雷達的更高分辨率和精準度，進一步保證無人駕駛的安全性，隻不過前者傾(qing) 向於(yu) 使用更強大的設備，後者傾(qing) 向於(yu) 使用多激光雷達耦合並降低成本。同時，低線束激光雷達對高線束激光雷達可以起到補充的作用。

實際上國內(nei) 車載激光雷達的發展不比國外起步晚，北科天繪於(yu) 2005 年成立於(yu) 北京，和 Velodyne 的激光雷達計劃幾乎同時開始，然而目前來看，國外的車載激光雷達水平較高。盡管自動駕駛市場需求量極大，激光雷達仍麵臨(lin) 著成本高、量產(chan) 難的問題。製造門檻高，且應用領域較窄(汽車、資源勘測)，使該類產(chan) 品供應商相對較少，缺乏針對車規級的成熟量產(chan) 方案。要推動激光雷達解決(jue) 方案落地，供應商勢必要完整掌握硬件的核心技術，以便控製成本，並以配套的算法推動市場接受其方案。目前，實現激光雷達低成本的路線有：犧牲一定的精度，使用全固態、低線束激光雷達降低製作成本;提高生產(chan) 率，通過量產(chan) 帶來的規模效益攤薄產(chan) 品成本。速騰聚創、禾賽科技等公司均提供自動駕駛的『硬件 + 算法』一體(ti) 化解決(jue) 方案，希望以低線束、低成本、量產(chan) 化的激光雷達產(chan) 品打通市場;用於(yu) 機器人、無人機的激光雷達產(chan) 商北醒光子、思嵐科技也在向自動駕駛布局。盡管部分廠商已有成品，並與(yu) 其它初創公司達成合作，但能否打通主機廠和 Tier1(一級供應商)尚存疑。相較而言，在2016年，全球頂尖廠商Velodyne-LiDAR在中國的銷售額已達到 1500 萬(wan) 美元。

1.5 本章小結

本章將自動駕駛領域最為(wei) 關(guan) 鍵的傳(chuan) 感器——激光雷達作為(wei) 切入點，通過調研其所扮演重要角色的領域——自動駕駛，以及自動駕駛和激光雷達的國內(nei) 外發展現狀，從(cong) 行業(ye) 和科研等多方麵了解激光雷達的技術背景。

智能車輛的傳(chuan) 感層技術分析

2.1 傳(chuan) 感器介紹

在自動駕駛技術來臨(lin) 之前，車用傳(chuan) 感器即用於(yu) 汽車電子技術、作為(wei) 車載電腦(ECU)的輸入裝置，能夠將發動機、底盤、車身各個(ge) 部分的運作工況信息以信號方式傳(chuan) 輸給車載電腦，從(cong) 而使汽車運行達到最佳狀態。ADAS(高級輔助駕駛係統)的廣泛應用，使攝像頭等用於(yu) 環境感知的傳(chuan) 感器進入公眾(zhong) 視野，作為(wei) 輔助，這些傳(chuan) 感器將汽車周邊的環境信息輸入到相應的係統模塊中，進行判斷，提前給駕駛員預警或提供緊急防護，但不同係統的傳(chuan) 感器間關(guan) 係孤立，數據單獨處理，信息尚未形成融合。在自動駕駛汽車中，定位、雷達、視覺等傳(chuan) 感器協作融合，能夠以圖像、點雲(yun) 等形式輸入收集到的環境數據，並通過算法的提取、處理和融合，進一步形成完整的汽車周邊駕駛態勢圖，為(wei) 駕駛行為(wei) 決(jue) 策提供依據。

除了激光雷達之外，本文再對攝像頭、毫米波雷達、超聲波傳(chuan) 感器、定位傳(chuan) 感器這部分重要傳(chuan) 感器作簡要介紹：

攝像頭：

用攝像頭代替人眼對目標(車輛、行人、交通標誌)進行識別、跟蹤和測量，感知到汽車周邊的障礙物以及可駕駛區域，理解道路標誌的語義(yi) ，從(cong) 而對當下的駕駛場景進行完整描述。攝像頭必須先識別再測距，如果無法識別則無法測距。相對於(yu) 其它傳(chuan) 感器，攝像頭的價(jia) 格相對低廉，有著識別車道線、車輛等物體(ti) 的基礎能力，在汽車高級輔助駕駛市場已被規模使用。依據不同的圖像檢測原理，可分為(wei) 單目攝像頭和雙目攝像頭，根據芯片類型又可分為(wei) CCD 攝像頭和 CMOS 攝像頭，等等。其優(you) 點在於(yu) 攝像頭是目前唯一能夠辨別物體(ti) 的傳(chuan) 感器。

但是攝像頭同時具有三個(ge) 缺點：缺點一是逆光或光影複雜的地方難以使用;缺點二在於(yu) 依賴於(yu) 算法，能否辨別物體(ti) 完全依賴樣本的訓練，樣本未覆蓋的物體(ti) 將無法辨別，比如 mobilesye 在中國道路上應用，識別超載運貨車的成功率不超過 80%;缺點三在於(yu) 攝像頭對於(yu) 行人的識別具有不穩定性，因為(wei) 行人不同於(yu) 車輛，動作、服裝、身體(ti) 各部分變化要素很多，而且還要與(yu) 街上的建築、汽車、樹木等背景圖案區分開來，比如 mobilesye 在日本、德國、美國、以色列等國市區的測試結果顯示，行人的成功檢測率為(wei) 93.5%，距離實現完全無人駕駛還有很大差距，再如穿著吉祥物套裝或著裝顏色與(yu) 背景相似的人或搬運東(dong) 西的人極有可能無法識別。因此，攝像頭的物體(ti) 識別功能無可比擬，但由於(yu) 依賴樣本識別物體(ti) ，以及識別行人具有不穩定性，攝像頭應用於(yu) 測距領域無法保障 100% 的穩定性，在自動駕駛領域脫離激光雷達使用隻能應用於(yu) ADAS 而不能應用於(yu) 完全的無人駕駛。

從(cong) 硬件方麵看，計算機視覺所需的工業(ye) 攝像頭在技術層麵相對成熟，具有較高的圖像穩定性、高傳(chuan) 輸能力和抗幹擾能力，且單個(ge) 攝像頭成本已降到 200 元以下，因此單車可以配備 6~8 個(ge) 攝像頭覆蓋不同角度，天風證券預測，2020 年國內(nei) 前後裝攝像頭需求量為(wei) 4184 萬(wan) 個(ge) 。

毫米波雷達

發射 1~10 毫米的電磁波，根據反射波的時間差及強度等來測量距離，汽車毫米波雷達的頻段主要在 24 GHz 和 77 GHz。其優(you) 點在於(yu) 性價(jia) 比較高，探測距離遠，精度較高，穿透霧、灰塵的能力強，能夠全天候全天時工作，在很多高檔轎車裏都有應用;缺點是行人的反射波容易被其他物體(ti) 反射波埋沒，難以分辨，無法識別行人，例如采用毫米波雷達和攝像頭的感知係統實現自動駕駛的 Tesla，在行人較多的鬧市區會(hui) 自動鎖定自動駕駛功能。因此，毫米波雷達在測距領域具有較高性價(jia) 比，但是其無法探測行人是一個(ge) 致命弱點，隻能應用於(yu) 自適應巡航係統等 ADAS 係統。目前毫米波雷達市場由國外廠商壟斷，國內(nei) 主要的零部件供應商正在致力於(yu) 車載毫米波雷達的國產(chan) 化。79 GHz 毫米波雷達作為(wei) 未來發展趨勢，能更有效地發揮自動駕駛傳(chuan) 感器所需的性能。

超聲波傳(chuan) 感器

發射振動頻率高於(yu) 聲波的機械波，根據反射波測量距離。其優(you) 點在於(yu) 探測物體(ti) 範圍極廣，能夠探測絕大部分物體(ti) ，且有較高穩定性;缺點是一般隻能探測 10 米以內(nei) 的距離，無法進行遠距離探測。因此，超聲波雷達廣泛應用於(yu) 倒車雷達，在自動駕駛領域常常作為(wei) 短距離雷達，應用如自動泊車輔助係統。

定位傳(chuan) 感器

可以獲得自身相對於(yu) 全局的位置信息。其優(you) 點在於(yu) 技術較為(wei) 成熟，能夠實現在全局視角的定位功能;缺點在於(yu) 無法獲得周圍障礙物的位置信息。往往需要與(yu) 前幾個(ge) 探障類傳(chuan) 感器搭配使用。

2.2 傳(chuan) 感器分類

智能車輛的傳(chuan) 感器可以分為(wei) 視覺傳(chuan) 感器、定位傳(chuan) 感器、雷達傳(chuan) 感器、聽覺傳(chuan) 感器和姿態傳(chuan) 感器。其中視覺傳(chuan) 感器可以分為(wei) 單目攝像頭、雙目攝像頭、夜視紅外攝像頭;定位傳(chuan) 感器可以分為(wei) 慣性導航係統、衛星導航係統(GNSS)、高精度地圖、實時動態(RTK)差分係統;雷達傳(chuan) 感器可以分為(wei) 激光雷達和毫米波雷達;聽覺傳(chuan) 感器可以分為(wei) 語音識別、聲音定位入口;姿態傳(chuan) 感器可以分為(wei) 車載診斷係統(OBD)、CAN 總線、慣性測量單元(IMU)、發動機等汽車工況傳(chuan) 感器。主要的傳(chuan) 感器為(wei) 激光雷達、毫米波雷達、攝像頭、超聲波雷達、GNSS 輔助傳(chuan) 感器，其中 GNSS 輔助傳(chuan) 感器包括慣性導航係統和 RTK 差分係統。

傳(chuan) 感器分類圖如下：

圖 2-1 智能車輛傳(chuan) 感器分類圖

需要說明的是，以上提到的智能車傳(chuan) 感器並不一定會(hui) 同時出現在一輛車上。某種傳(chuan) 感器存在與(yu) 否，取決(jue) 於(yu) 這輛車需要完成什麽(me) 樣的任務。如果隻需要完成高速公路的自動駕駛，比如 Tesla 在 Model S 裏使用的 Autopilot 自動輔助駕駛功能是不需要使用激光雷達的;但如果需要完成城區路段的自動駕駛，沒有激光雷達，僅(jin) 靠視覺傳(chuan) 感器是很困難的。

2.3 傳(chuan) 感器比較

不同傳(chuan) 感器各有優(you) 劣。無論是『毫米波雷達 + 攝像頭』方案還是『3D 激光雷達』方案都不具備獨當一麵的能力。前者距離實現需要解決(jue) 的問題是如何達到識別車輛、識別人體(ti) 100% 的成功率以及如何達到識別任何物體(ti) 並測量距離 100% 的成功率;而後者距離實現需要解決(jue) 的問題是大雨和大雪等惡劣條件下的調試以及逐漸擺脫對於(yu) 高精度地圖的依賴。兩(liang) 種方案看似競爭(zheng) ，實則互補。技術上的不同方向很有可能形成兩(liang) 種方案的互相啟發與(yu) 互相補充。可見，自動駕駛汽車要安全運作，必須保證多傳(chuan) 感器協同工作和信息冗餘(yu) 。因此，多種傳(chuan) 感器往往需要協同工作，優(you) 勢互補，共同組成自動駕駛的環境感知解決(jue) 方案。

表 2-1 智能車輛主要傳(chuan) 感器比較

2.4 本章小結

本章以目前智能車生產(chan) 廠家所采用的傳(chuan) 感層技術為(wei) 切入點，通過了解、掌握這些技術的特點、基本原理、適用場景、優(you) 缺點並進行比較，進一步說明激光雷達在自動駕駛領域中為(wei) 何了扮演不可替代的角色。

激光雷達技術分析

3.1 激光雷達分類

對於(yu) 激光雷達，可以分別按照探測體(ti) 係、應用方向、線束、基於(yu) 機械/電子部件分類如下：

圖 3-1 激光雷達分類圖

3.2 激光雷達工作原理

LiDAR，是英文 Light Detection And Ranging 的縮寫(xie) ，中文名稱為(wei) 激光雷達。激光雷達作為(wei) 在激光測距雷達基礎上發展起來的一項主動成像雷達技術，如圖3-2 所示，通過發射和接收激光束，分析激光遇到目標對象後的折返時間，計算出到目標對象的相對距離，並利用此過程中收集到的目標對象表麵大量密集的點的三維坐標、反射率和紋理等信息，快速得到出被測目標的三維模型以及線、麵、體(ti) 等各種相關(guan) 數據，建立三維點雲(yun) (Point Cloud)圖，繪製出環境地圖，以達到環境感知的目的。由於(yu) 光速非常快，飛行時間可能非常短，因此要求測量設備具備非常高的精度。從(cong) 效果上來講，激光雷達維度(線束)越多，測量精度越高，安全性就越高。

相比於(yu) 可見光、紅外線等傳(chuan) 統被動成像技術，激光雷達技術具有如下顯著特點：一方麵，它顛覆傳(chuan) 統了二維投影成像模式，可采集目標表麵深度信息，得到目標相對完整的空間信息，經數據處理重構目標三維表麵，獲得更能反映目標幾何外形的三維圖形，同時還能獲取目標表麵反射特性、運動速度等豐(feng) 富的特征信息，為(wei) 目標探測、識別、跟蹤等數據處理提供充分的信息支持、降低算法難度;另一方麵，主動激光技術的應用，使得其具有測量分辨率高，抗幹擾能力強、抗隱身能力強、穿透能力強和全天候工作的特點。

圖 3-2 激光測距原理

大多數激光雷達係統主要包括四部分：激光器、光學掃描器，光電檢測器，導航係統。本節將簡單說明各部分的原理、功能以及技術指標。

3.2.1 激光器

激光和發光二極管都起源於(yu) 20 世紀 60 年代，激光是受激輻射的光放大而來，兩(liang) 者都使用二極管產(chan) 生不同形式的光，當電通過發光二極管時，發出非相幹的可見光，光射向所有的方向;激光器使用高度專(zhuan) 業(ye) 化的二極管，其在電磁光譜的光學部分處或附近產(chan) 生能量。當這種能量對人眼可見時，我們(men) 將其稱為(wei) “光”，當不可見時，我們(men) 將其稱為(wei) “輻射”，這與(yu) 放射性物質的輻射不同。來自激光器的能量通過稱為(wei) 受激發射的原子過程被放大到極高的強度，最後將能量變成高度定向的波束，意味著所有的單個(ge) 能量波被對齊，變為(wei) “同相”並且沿相同的方向移動。舉(ju) 個(ge) 例子的話，發光二極管的能量就像在遊樂(le) 場的保險杠車;而激光的能量就像賽車，並且它們(men) 會(hui) 同時向同一方向衝(chong) 出去。發光二極管照明廣泛，而激光精確定位，最適合需要聚焦和精確度的任務。

根據激光輸出功率和波長、脈衝(chong) 持續時間的不同，國際電工委員會(hui) (IEC)將激光分為(wei) 4 類：

Category 4 是最高強度的激光，可以造成火災以及對皮膚造成傷(shang) 害，同時存在漫反射危險，也就是說激光表麵的脈衝(chong) 反射也是危險

Category 3 同樣對人類有危害，但是在長時間直射眼睛的情況下才是有危害的，一般人眨眼的頻率會(hui) 保證眼睛在短時間內(nei) 直射不會(hui) 受害。但是不會(hui) 造成火災以及對皮膚造成傷(shang) 害。

Category 2 肉眼可見，但是通常直射眼睛會(hui) 不舒服，長時間直射也不安全。

Category 1m 是第二安全的類型，如果觀察者使用望遠鏡等光學放大裝置直接觀察到直徑為(wei) 1m 的光束就不安全了。

Category 1 最安全的激光類型，這個(ge) 類別包括所有的激光或激光係統，它們(men) 的光輻射水平在任何曝光條件下都不會(hui) 高於(yu) 眼睛的暴露極限。

3.2.2 光學掃描器

激光雷達成像的速度取決(jue) 於(yu) 外部反射的光子經光學掃描部件進入係統的速度。市場上存在許多掃描的方法以改變方位角和仰角，如雙振蕩平麵鏡、雙軸掃描鏡、多麵鏡等。光學掃描器決(jue) 定了激光雷達的分辨率和檢測範圍(角度)[2]。圖 3-3 表示 HDL-64E 的光學掃描部件的結構。

注：本圖參照[3]中圖片

圖 3-3 激光雷達光學掃描器部分

3.2.3 光電檢測器

光電檢測器即讀取和記錄反射回到激光雷達的信號的設備。主要有兩(liang) 種光電檢測技術，分別為(wei) 固態檢測器(Solid State Detector)和光電倍增管[2]。

3.2.4 導航係統

當激光雷達安裝在移動的平台，如衛星和飛機上時，它需要其它設備的協助以確定設備當前的位置和轉向信息，這樣才能保證激光雷達測量數據的可用性。衛星導航係統(GNSS, Global Navigation Satellite System)可以提供準確的地理位置信息，慣性測量單元(IMU, Inertial Measurement Unit )則記錄當前位置激光雷達的姿態和轉向信息。GNSS 和 IMU 配合使用，可以將激光雷達測量點由相對坐標係轉換為(wei) 絕對坐標係上的位置點，從(cong) 而應用於(yu) 不同的係統中[2]。

3.3 激光雷達技術指標

3.3.1 線束

為(wei) 獲得盡量詳細的點雲(yun) 圖，激光雷達必須要快速采集周圍環境的數據。一種方式是提高發射機/接收機的采集速度，每個(ge) 發射機在每秒內(nei) 可以發送十萬(wan) 以上組脈衝(chong) ，也就是說在 1 秒內(nei) ，有 100,000 組脈衝(chong) 完成一次發射/返回的循環。複雜的激光雷達有高達 64 組發射機/接收機，組就是線(Channel)的意思，線表示激光雷達係統包含獨立的發射機/接收機的數目。多線的配置使得激光雷達在每秒內(nei) 可構建高達百萬(wan) 的數據點。

圖 3-4 示例多線激光雷達掃描的點雲(yun) ，圖中每個(ge) 同心圓表示一組激光器掃描的點雲(yun) 。對於(yu) 兩(liang) 組相鄰的激光器而言，其垂直間隔角為(wei) 常量(下文“垂直角分辨率”將介紹到)。因此距離越遠，相鄰激光器掃描的點雲(yun) 同心圓間隔越大。也就是說，距離越遠，數據的保真度越低。激光雷達對於(yu) 近處的物體(ti) 有更高的分辨率[2]。

注：本圖參照[4]中圖片

圖 3-4 Velodyne HDL-64 激光雷達係統掃描的點雲(yun) 圖

3.3.2 方位角

方位角(Field of View, FOV)包括水平方位角和垂直方位角，指的是激光雷達在水平和垂直方向的檢測角度。

上麵提到線的概念，然而在實際應用中，64 線對於(yu) 構建周圍環境精確的點雲(yun) 是遠遠不夠的，它隻能在有限範圍內(nei) 達到足夠的精度。但是在製造工藝上，把線數提高到 64 組以上，將大大提高設備的成本，因此不少激光雷達係統采用旋轉鏡頭，如圖 3-5，激光雷達的主體(ti) 部分固定在旋轉馬達的基座上，工作時不斷旋轉，即可對周圍 360°進行掃描，也就是說這些激光雷達的水平方位角為(wei) 360°。

垂直方位角指的是激光雷達垂直方向的檢測角度，一般在40°以內(nei) [2]。VelodyneHDL-64E 幾個(ge) 激光發射單元之間有一定間隙，如圖 3-6 所示。

注：本圖參照[5]中圖 4.2

圖 3-5 Velodyne HDL-64E 水平掃描示意圖

注：本圖參照[5]中圖 4.1

圖 3-6 Velodyne HDL-64E 垂直掃描示意圖

3.3.3 掃描幀頻

激光雷達點雲(yun) 數據更新的頻率。對於(yu) 混合固態激光雷達來說，也就是旋轉鏡每秒鍾旋轉的圈數，單位 Hz 。例如，10 Hz 即旋轉鏡每秒轉 10 圈，同一方位的數據點更新 10 次[2]。

3.3.4 角分辨率

角分辨率分為(wei) 水平角分辨率和垂直角分辨率。水平角分辨率是指水平方向上掃描線間的最小間隔度數。它是隨掃描幀頻的變化而變化，轉速越快，則水平方向上掃描線的間隔越大，水平角分辨率越大。垂直角分辨率指的是垂直方向上兩(liang) 條掃描線的間隔度數[2]。

3.3.5 測量精度

激光雷達的數據手冊(ce) 中的測量精度(Accuracy)常表示為(wei) ，例如 ±2 cm 的形式。精度表示設備測量位置與(yu) 實際位置偏差的範圍[2]。

3.3.6 探測距離

激光雷達的最大測量距離。在自動駕駛領域應用的激光雷達的測距範圍普遍在100~200 m 左右[2]。

3.3.7 數據率

激光雷達每秒鍾生成的激光點數，例如：40 線掃描幀頻為(wei) 20 Hz 的激光雷達，水平角分辨率是 0.45°(每一圈每束激光掃描 800 次)。因此每秒鍾生成的激光點數和為(wei) ：4020800 = 640, 000 points/sec[2]。

3.4 激光雷達測試分析

市場上車載激光雷達種類、型號繁雜，其中 Velodyne HDL-64E 是最受歡迎的激光雷達之一，其所使用的激光是 Category 1 類型，以大約 10 赫茲(zi) 的頻率快速旋轉。同時，每個(ge) 激光脈衝(chong) 的波長為(wei) 905 納米，平均功率為(wei) 2 毫瓦，相當於(yu) 是標準 10 瓦 LED 大燈泡在近光燈設置下的功率輸出的 0.02%。這意味著任何單個(ge) 激光束將在大約 1 毫秒內(nei) 掃過眼睛，平均功率小於(yu) 普通的激光指示器。並且由於(yu) 每個(ge) 單獨的激光器以不同的方向和角度安裝，所以多個(ge) 激光器不能一次同時直射眼睛並增加功率。即使行人有意盯著 Velodyne 傳(chuan) 感器，低功耗和快速旋轉的組合情況下也是 Category 1 級，十分安全。

另外，它由激光發射機、光學接收機、轉台和信息處理係統等組成，激光器將電脈衝(chong) 變成光脈衝(chong) 發射出去，光接收機再把從(cong) 目標反射回來的光脈衝(chong) 還原成電脈衝(chong) ，送到顯示器。

其基本參數、實際輸出數據格式和結構如表 3-1、表3-2 和圖 3-7 所示：

表 3-1 Velodyne HDL-64E型激光雷達參數

表 3-2 激光雷達輸出數據格式表

圖 3-7 Velodyne HDL-64E 激光雷達組成示意圖

利用有幸從(cong) 別處取得的 HDL-64E 的數據，繪製得到點雲(yun) 圖的其中一幅如下：

圖 3-8 HDL-64E 實際數據所繪製的點雲(yun) 圖

根據表 3-2 可得，HDL-64E 所輸出的數據為(wei) 點的 X，Y，Z 坐標，激光強度以及激光器的編號，由於(yu) 對激光雷達的仿真不需要模擬出激光強度的效果，所以隻需要對其他四個(ge) 數據進行獲取。

至於(yu) 點雲(yun) 圖的繪製，是對實際數據處理之後按照 Z 軸坐標的不同顯示，不過實際數據和仿真采集數據的不同在於(yu) ，實際數據中的點的坐標都是符合激光雷達數據規範的，仿真需要考慮的是將采集到的點篩選出符合規範的，再顯示出來。下一節將會(hui) 分別對模塊仿真、數據處理、數據仿真進行詳細說明。

3.5 本章小結

本章通過了解激光雷達的分類、基本工作原理、主要技術指標，對用於(yu) 智能車的車載激光雷達的主要產(chan) 品進行調研，獲得主流產(chan) 品的主要性能指標參數、測試數據等。

4.1 模塊仿真

本文第 3.2 節詳細說明了激光雷達的主要組成模塊，在對激光雷達仿真時，可以考慮按模塊分類並仿真。

實際的激光雷達是先發射激光束再接收返回的激光束而獲取到點的坐標，並且其中還要依靠光學掃描器和光學檢測器才能完成這一複雜的過程，而仿真的激光雷達隻需要模擬激光器，也就是激光發射裝置，進而獲取到點的坐標，最後繪製成圖即可。根據仿真經驗，可以考慮使用 OpenGL 中透視投影的一點透視的方式設置相機視角，然後通過編寫(xie) shader 從(cong) 相機中獲取點數據。如圖 3-1 所示，透視投影的視線(投影線)是從(cong) 視點(觀察點)出發，所有視線從(cong) 視點出發，視線是不平行的。所以可以用 OpenGL 的配置透視投影的相機來充當激光雷達的觀察方式，然後從(cong) 相機中設法取出在該視角下觀察場景的位置信息即可完成激光雷達的模擬。那麽(me) 如何設置相機呢?首先，在使用 OpenGL 的透視投影的方式獲取點的數據時，根據 HDL-64E 的水平方位角為(wei) 360°，垂直方位角為(wei) 26.8°，掃描最長距離為(wei) 120 m，考慮使用四個(ge) 相機拚合的方式實現，其中每個(ge) 相機上仰角度為(wei) 2°，下俯角度為(wei) 24.9°，水平張角為(wei) 90°，遠處裁剪處為(wei) 120，然後獲取數據。

圖 4-1 透視投影原理

根據以上的分析，大致可以將激光雷達的仿真分為(wei) 兩(liang) 個(ge) 模塊，一是激光發射模塊，其中包括了對獲取到的數據的處理過程(篩選過程);二是建模模塊，用於(yu) 對激光雷達仿真的精度測試和算法驗證。

4.2 數據處理

由於(yu) 本文隻對於(yu) 仿真激光雷達提供一個(ge) 方向，具體(ti) 的實現方法是多元的，接下來隻對其中一種方法在仿真 HDL-64E 時的實現過程作大致說明。由於(yu) 我們(men) 需要取出點的位置信息，而在 shader 關(guan) 於(yu) 頂點信息的隻有 gl_Vertex 這個(ge) 內(nei) 置變量。經過用例檢測後，發現 gl_Vertex 的頂點信息是該點相對於(yu) 當前模型的相對坐標，若想將其變化為(wei) 我們(men) 需要的位置信息還需進行矩陣變換。根據公式

相對位置 = 相機的模型矩陣 × 模型的模擬矩陣 × 目標點相對模型的相對坐標

將模型的投影矩陣右乘 gl_Vertex，再右乘傳(chuan) 進的相機的投影矩陣，便得出此點相對於(yu) 相機視點(即激光雷達的位置)的相對坐標。值得注意的是，由於(yu) 本算法是在 OSG 中運行的，因為(wei) OSG 中矩陣的右乘等於(yu) OpenGL 的左乘，故造成這裏的公式和上文提到的公式不同。

4.3 數據傳(chuan) 輸

數據傳(chuan) 輸的方法有很多種，比如共享內(nei) 存、以文件形式輸出、利用網絡傳(chuan) 輸等，本節隻對實現數據傳(chuan) 輸的其中一種的實現過程加以說明。一般來說，激光雷達仿真需要實現動態的實時場景顯示和點雲(yun) 圖顯示。動態的實時場景顯示，可以考慮多加一個(ge) 相機進行顯示。而點雲(yun) 圖的繪製可以根據四個(ge) 相機取到的數據，不以文件形式輸出，而是將數據寫(xie) 進內(nei) 存，直接從(cong) 內(nei) 存裏獲得點數據信息並利用 OpenGL 繪製出來。從(cong) 內(nei) 存裏直接取數據則需要做到共享內(nei) 存，也就是要滿足進程間的通信，在渲染場景時將數據寫(xie) 在一個(ge) 內(nei) 存地址裏，繪製點雲(yun) 圖時利用這個(ge) 內(nei) 存地址找到點數據的存儲(chu) 地址並取出數據，這樣的方式可以使得渲染和繪製的效率都提高，要做到動態繪製時也更為(wei) 方便，但進程間的先後關(guan) 係需要做一定的控製，否則容易出現繪製時內(nei) 存地址裏沒有數據或者是錯誤數據的情況。

4.4 本章小結

經過歸納、分析前文中的內(nei) 容，最終得出智能車輛車載激光雷達仿真係統的主要技術要求以及針對於(yu) 主流產(chan) 品 Velodyne HDL-64E 的一種基本的仿真思路。