【導(dǎo)讀】本文將深入解析光學(xué)雷達(dá)是如何被廣泛應(yīng)用到無(wú)人車的各項(xiàng)技術(shù)中。文章首先介紹光學(xué)雷達(dá)的工作原理，包括如何通過(guò)激光掃描出點(diǎn)云；然后詳細(xì)解釋光學(xué)雷達(dá)在無(wú)人駕駛技術(shù)中的應(yīng)用，包括地圖繪制、定位以及障礙物檢測(cè)；最后討論光學(xué)雷達(dá)技術(shù)目前面臨的挑戰(zhàn)，包括外部環(huán)境干擾、數(shù)據(jù)量大、成本高等問(wèn)題。
無(wú)人駕駛技術(shù)簡(jiǎn)介
無(wú)人駕駛技術(shù)是多個(gè)技術(shù)的集成，包括了傳感器、定位與深度學(xué)習(xí)、高精地圖、路徑規(guī)劃、障礙物檢測(cè)與規(guī)避、機(jī)械控制、系統(tǒng)集成與優(yōu)化、能耗與散熱管理等等。雖然現(xiàn)有的多種無(wú)人車在實(shí)現(xiàn)上有許多不同，但是在系統(tǒng)架構(gòu)上都大同小異。圖1顯示了無(wú)人車的通用系統(tǒng)架構(gòu)，系統(tǒng)的感知端（圖1左）由不同的傳感器組成，其中GPS用于定位，光學(xué)雷達(dá)（Light Detection And Ranging，簡(jiǎn)稱 LiDAR）用于定位以及障礙物檢測(cè)，照相機(jī)用于基于深度學(xué)習(xí)的物體識(shí)別以及定位輔助。
圖1 無(wú)人車通用系統(tǒng)架構(gòu)
在傳感器信息采集后，我們進(jìn)入了感知階段，主要是定位與物體識(shí)別（圖1中）。在這個(gè)階段，我們可以用數(shù)學(xué)的方法，比如Kalman Filter與 Particle Filter等算法，對(duì)各種傳感器信息進(jìn)行融合，得出當(dāng)前最大幾率的位置。如果使用LiDAR為主要的定位傳感器，我們可以通過(guò)LiDAR掃描回來(lái)的信息跟已知的高精地圖做對(duì)比，得出當(dāng)前的車輛位置。如果沒(méi)有地圖，我們甚至可以把當(dāng)前的LiDAR掃描信息與之前的掃描信息用ICP算法做對(duì)比，推算出當(dāng)前的車輛位置。在得出基于LiDAR的位置預(yù)測(cè)后，可以用數(shù)學(xué)方法與其它傳感器信息進(jìn)行融合，推算出更精準(zhǔn)的位置信息。
最后，我們進(jìn)入了計(jì)劃與控制階段（圖1右）。在這個(gè)階段，我們根據(jù)位置信息以及識(shí)別出的圖像信息（如紅綠燈）實(shí)時(shí)調(diào)節(jié)車輛的行車計(jì)劃，并把行車計(jì)劃轉(zhuǎn)化成控制信號(hào)操控車輛。全局的路徑規(guī)劃可以用類似A-Star的算法實(shí)現(xiàn)，本地的路徑規(guī)劃可以用DWA等算法實(shí)現(xiàn)。
光學(xué)雷達(dá)基礎(chǔ)知識(shí)
先來(lái)了解下光學(xué)雷達(dá)的工作原理，特別是產(chǎn)生點(diǎn)云的過(guò)程。
工作原理
光學(xué)雷達(dá)是一種光學(xué)遙感技術(shù)，它通過(guò)首先向目標(biāo)物體發(fā)射一束激光，再根據(jù)接收－反射的時(shí)間間隔來(lái)確定目標(biāo)物體的實(shí)際距離。然后根據(jù)距離及激光發(fā)射的角度，通過(guò)簡(jiǎn)單的幾何變化可以推導(dǎo)出物體的位置信息。由于激光的傳播受外界影響小，LiDAR能夠檢測(cè)的距離一般可達(dá)100m以上。與傳統(tǒng)雷達(dá)使用無(wú)線電波相比較，LiDAR使用激光射線，商用LiDAR使用的激光射線波長(zhǎng)一般在600nm到1000nm之間，遠(yuǎn)遠(yuǎn)低于傳統(tǒng)雷達(dá)所使用的波長(zhǎng)。因此LiDAR在測(cè)量物體距離和表面形狀上可達(dá)到更高的精準(zhǔn)度，一般可以達(dá)到厘米級(jí)。
LiDAR系統(tǒng)一般分為三個(gè)部分：第一是激光發(fā)射器，發(fā)射出波長(zhǎng)為600nm到1000nm之間的激光射線；第二部分是掃描與光學(xué)部件，主要用于收集反射點(diǎn)距離與該點(diǎn)發(fā)生的時(shí)間和水平角度（Azimuth）；第三個(gè)部分是感光部件，主要檢測(cè)返回光的強(qiáng)度。因此我們檢測(cè)到的每一個(gè)點(diǎn)都包括了空間坐標(biāo)信息（x, y, z）以及光強(qiáng)度信息（i）。光強(qiáng)度與物體的光反射度（reflectivity）直接相關(guān)，所以根據(jù)檢測(cè)到的光強(qiáng)度也可以對(duì)檢測(cè)到的物體有初步判斷。
什么是點(diǎn)云？
無(wú)人車所使用的LiDAR并不是靜止不動(dòng)的。在無(wú)人車行駛的過(guò)程中，LiDAR同時(shí)以一定的角速度勻速轉(zhuǎn)動(dòng)，在這個(gè)過(guò)程中不斷地發(fā)出激光并收集反射點(diǎn)的信息，以便得到全方位的環(huán)境信息。LiDAR在收集反射點(diǎn)距離的過(guò)程中也會(huì)同時(shí)記錄下該點(diǎn)發(fā)生的時(shí)間和水平角度（Azimuth），并且每個(gè)激光發(fā)射器都有編號(hào)和固定的垂直角度，根據(jù)這些數(shù)據(jù)我們就可以計(jì)算出所有反射點(diǎn)的坐標(biāo)。LiDAR每旋轉(zhuǎn)一周收集到的所有反射點(diǎn)坐標(biāo)的集合就形成了點(diǎn)云（point cloud）。
圖2 點(diǎn)云的產(chǎn)生
如圖2所示，LiDAR通過(guò)激光反射可以測(cè)出和物體的距離distance，因?yàn)榧す獾拇怪苯嵌仁枪潭ǖ?，記做a，這里我們可以直接求出z軸坐標(biāo)為sin(a)*distance。由cos(a)*distance我們可以得到distance在xy平面的投影，記做xy_dist。LiDAR在記錄反射點(diǎn)距離的同時(shí)也會(huì)記錄下當(dāng)前LiDAR轉(zhuǎn)動(dòng)的水平角度b，根據(jù)簡(jiǎn)單的集合轉(zhuǎn)換，可以得到該點(diǎn)的x軸坐標(biāo)和y軸坐標(biāo)分別為cos(b)*xy_dist和sin(b)*xy_dist。
LiDAR 在無(wú)人駕駛技術(shù)中的應(yīng)用領(lǐng)域
接下來(lái)介紹光學(xué)雷達(dá)如何應(yīng)用在無(wú)人駕駛技術(shù)中，特別是面向高精地圖的繪制、基于點(diǎn)云的定位以及障礙物檢測(cè)。
高清地圖的繪制
這里的高清地圖不同于我們?nèi)粘Ｓ玫降膶?dǎo)航地圖。高清地圖是由眾多的點(diǎn)云拼接而成，主要用于無(wú)人車的精準(zhǔn)定位。高清地圖的繪制也是通過(guò)LiDAR完成的。安裝LiDAR的地圖數(shù)據(jù)采集車在想要繪制高清地圖的路線上多次反復(fù)行駛并收集點(diǎn)云數(shù)據(jù)。后期經(jīng)過(guò)人工標(biāo)注，過(guò)濾一些點(diǎn)云圖中的錯(cuò)誤信息，例如由路上行駛的汽車和行人反射所形成的點(diǎn)，然后再對(duì)多次收集到的點(diǎn)云進(jìn)行對(duì)齊拼接形成最終的高清地圖。
基于點(diǎn)云的定位
首先介紹定位的重要性。很多人都有這樣的疑問(wèn)：如果有了精準(zhǔn)的GPS，不就知道了當(dāng)前的位置，還需要定位嗎？其實(shí)不然。目前高精度的軍用差分GPS在靜態(tài)的時(shí)候確實(shí)可以在“理想”的環(huán)境下達(dá)到厘米級(jí)的精度。這里的“理想”環(huán)境是指大氣中沒(méi)有過(guò)多的懸浮介質(zhì)而且測(cè)量時(shí)GPS有較強(qiáng)的接收信號(hào)。然而無(wú)人車是在復(fù)雜的動(dòng)態(tài)環(huán)境中行駛，尤其在大城市中，由于各種高大建筑物的阻攔，GPS多路徑反射（Multi-Path）的問(wèn)題會(huì)更加明顯。這樣得到的GPS定位信息很容易就有幾十厘米甚至幾米的誤差。對(duì)于在有限寬度上高速行駛的汽車來(lái)說(shuō)，這樣的誤差很有可能導(dǎo)致交通事故。因此必須要有GPS之外的手段來(lái)增強(qiáng)無(wú)人車定位的精度。
上文提到過(guò)，LiDAR會(huì)在車輛行駛的過(guò)程中不斷收集點(diǎn)云來(lái)了解周圍的環(huán)境。我們可以很自然想到利用這些環(huán)境信息來(lái)定位。這里我們可以把這個(gè)問(wèn)題用一個(gè)簡(jiǎn)化的概率問(wèn)題來(lái)表示：已知t0時(shí)刻的GPS信息，t0時(shí)刻的點(diǎn)云信息，以及t1時(shí)刻無(wú)人車可能所在的三個(gè)位置：P1、P2和P3（這里為了簡(jiǎn)化問(wèn)題，假設(shè)無(wú)人車會(huì)在這三個(gè)位置中的某一個(gè)）。求t1時(shí)刻車在這三點(diǎn)的概率。根據(jù)貝葉斯法則，無(wú)人車的定位問(wèn)題可以簡(jiǎn)化為如下概率公式：
圖片描述
右側(cè)第一項(xiàng)表示給定當(dāng)前位置，觀測(cè)到點(diǎn)云信息的概率分布。其計(jì)算方式一般分局部估計(jì)和全局估計(jì)兩種。局部估計(jì)較簡(jiǎn)單的做法就是通過(guò)當(dāng)前時(shí)刻點(diǎn)云和上一時(shí)刻點(diǎn)云的匹配，借助幾何推導(dǎo)，可以估計(jì)出無(wú)人車在當(dāng)前位置的可能性。全局估計(jì)就是利用當(dāng)前時(shí)刻的點(diǎn)云和上面提到過(guò)的高清地圖做匹配，可以得到當(dāng)前車相對(duì)地圖上某一位置的可能性。在實(shí)際中一般會(huì)兩種定位方法結(jié)合使用。右側(cè)第二項(xiàng)表示對(duì)當(dāng)前位置預(yù)測(cè)的概率分布，這里可以簡(jiǎn)單的用GPS給出的位置信息作為預(yù)測(cè)。通過(guò)計(jì)算P1、P2和P3這三個(gè)點(diǎn)的后驗(yàn)概率，就可以估算出無(wú)人車在哪一個(gè)位置的可能性最高。通過(guò)對(duì)兩個(gè)概率分布的相乘，可以很大程度上提高無(wú)人車定位的準(zhǔn)確度，如圖3所示。
圖3 基于點(diǎn)云的定位
障礙物檢測(cè)
眾所周知，在機(jī)器視覺(jué)中一個(gè)比較難解決的問(wèn)題就是判斷物體的遠(yuǎn)近，基于單一攝像頭所抓取的2D圖像無(wú)法得到準(zhǔn)確的距離信息。而基于多攝像頭生成深度圖的方法又需要很大的計(jì)算量，不能很好地滿足無(wú)人車在實(shí)時(shí)性上的要求。另一個(gè)棘手的問(wèn)題就是光學(xué)攝像頭受光照條件的影響巨大，物體的識(shí)別準(zhǔn)確度很不穩(wěn)定。圖4展示了光線不好的情況下圖像特征匹配的問(wèn)題：由于相機(jī)曝光不充分，左側(cè)圖中的特征點(diǎn)在右側(cè)圖中沒(méi)有匹配成功。圖5左側(cè)展示了2D物體特征匹配成功的例子：啤酒瓶的模板可以在2D圖像中成功識(shí)別。但是如果將鏡頭拉遠(yuǎn)，如圖5右所示，我們只能識(shí)別出右側(cè)的啤酒瓶只是附著在另一個(gè)3D物體的表面而已。2D物體由于維度缺失的問(wèn)題很難在這個(gè)情境下做出正確的識(shí)別。
圖4 暗光條件下圖像特征匹配的挑戰(zhàn)
圖5 2D圖像識(shí)別的問(wèn)題
利用LiDAR所生成的點(diǎn)云可以很大程度上解決上述兩個(gè)問(wèn)題，借助LiDAR的特性，我們可以對(duì)反射障礙物的遠(yuǎn)近、高低甚至是表面形狀有較為準(zhǔn)確的估計(jì)，從而大大提高障礙物檢測(cè)的準(zhǔn)確度，而且這種方法在算法的復(fù)雜度上低于基于攝像頭的視覺(jué)算法，因此更能滿足無(wú)人車的實(shí)時(shí)性需求。
LiDAR技術(shù)面臨的挑戰(zhàn)
前文我們專注于LiDAR對(duì)無(wú)人駕駛系統(tǒng)的幫助，但是在實(shí)際應(yīng)用中，LiDAR也面臨著許多挑戰(zhàn)，包括技術(shù)、計(jì)算性能以及價(jià)格挑戰(zhàn)。要想把無(wú)人車系統(tǒng)產(chǎn)品化，我們必須解決這些問(wèn)題。
技術(shù)挑戰(zhàn)：空氣中懸浮物
LiDAR的精度也會(huì)受到天氣的影響?？諝庵袘腋∥飼?huì)對(duì)光速產(chǎn)生影響。大霧及雨天都會(huì)影響LiDAR的精度，如圖6所示。
圖6 外部環(huán)境對(duì)LiDAR測(cè)量的影響
圖7 雨量對(duì)LiDAR測(cè)量影響的量化
圖7測(cè)試中使用了A和B兩個(gè)來(lái)自不同制造廠的LiDAR，可以看到隨著實(shí)驗(yàn)雨量的增大，兩種LiDAR的最遠(yuǎn)探測(cè)距離都線性下降。雨中或霧中的傳播特性最近幾年隨著激光技術(shù)的廣泛應(yīng)用越來(lái)越受到學(xué)術(shù)界的重視。研究表明：雨和霧都是由小水滴構(gòu)成的，雨滴的半徑直接和其在空中的分布密度直接決定了激光在傳播的過(guò)程中與之相撞的概率。相撞概率越高，激光的傳播速度受影響越大。
計(jì)算性能挑戰(zhàn)：計(jì)算量大
從表1可以看到，即使是16線的LiDAR每秒鐘要處理的點(diǎn)也達(dá)到了30萬(wàn)。要保證無(wú)人車定位算法和障礙物檢測(cè)算法的實(shí)時(shí)性，如此大量的數(shù)據(jù)處理是面臨的一大挑戰(zhàn)。例如，之前所說(shuō)的LiDAR給出的原始數(shù)據(jù)只是反射物體的距離信息，需要對(duì)所有產(chǎn)生的點(diǎn)進(jìn)行幾何變換，將其轉(zhuǎn)化為位置坐標(biāo)，這其中至少涉及4次浮點(diǎn)運(yùn)算和3次三角函數(shù)運(yùn)算，而且點(diǎn)云在后期的處理中還有大量坐標(biāo)系轉(zhuǎn)換等更復(fù)雜的運(yùn)算，這些都對(duì)計(jì)算資源 (CPU、GPU、FPGA) 提出了很大的需求。
成本挑戰(zhàn)：造價(jià)昂貴
LiDAR的造價(jià)也是要考慮的重要因素之一。上面提到的Velodyne VLP-16 LiDAR官網(wǎng)報(bào)價(jià)為稅前7999美元，而Velodyne HDL-64E LiDAR預(yù)售價(jià)在10萬(wàn)美元以上。這樣的成本要加在本來(lái)就沒(méi)有很高利潤(rùn)的汽車價(jià)格中，無(wú)疑會(huì)大大阻礙無(wú)人車的商業(yè)化。
展望未來(lái)
盡管無(wú)人駕駛技術(shù)漸趨成熟，但LiDAR始終是一個(gè)繞不過(guò)去的坎。純視覺(jué)與GPS/IMU的定位以及避障方案雖然價(jià)格低，卻還不成熟，很難應(yīng)用到室外場(chǎng)景中；但同時(shí)LiDAR價(jià)格高居不下，消費(fèi)者很難承受動(dòng)輒幾十萬(wàn)美元定價(jià)的無(wú)人車。因此，當(dāng)務(wù)之急就是快速把系統(tǒng)成本特別是LiDAR的成本大幅降低。其中一個(gè)較有希望的方法是使用較低價(jià)的LiDAR，雖然會(huì)損失一些精確度，但可以使用其它的低價(jià)傳感器與LiDAR做信息混合，較精準(zhǔn)地推算出車輛的位置。換言之，就是通過(guò)更好的算法去彌補(bǔ)硬件傳感器的不足，我們相信這是無(wú)人車近期的發(fā)展方向。而高精度LiDAR的價(jià)格由于市場(chǎng)需求大增也將會(huì)在未來(lái)的一兩年內(nèi)出現(xiàn)降幅，為無(wú)人車的進(jìn)一步普及鋪路。
【推薦閱讀】
低壓低功耗CMOS電流反饋運(yùn)算放大器設(shè)計(jì)
節(jié)能燈和電子整流器三極管參數(shù)的選擇指南
小功率三極管自動(dòng)判斷管腳的電路設(shè)計(jì)方案
工程師教你如何設(shè)計(jì)一個(gè)“優(yōu)質(zhì)”D類音頻放大器！
變壓器對(duì)于電路的重要性毋庸置疑，選擇時(shí)應(yīng)注意什么呢？
