1. 激光雷達在無人駕駛中的關鍵作用

無人駕駛技術“幾乎已被解決”是媒體夸大宣傳和業(yè)外人士的一種誤解。能適應各種道路環(huán)境和天氣情況的無人駕駛汽車仍然是有待研發(fā)攻關的終極目標。一些所謂的“自動駕駛汽車”引發(fā)了系列事故說明僅靠單類傳感器和單一技術難以實現(xiàn)安全的自主駕駛。提醒我們要在最基礎的感知方案上不能減配關鍵傳感器，而且還需要多類傳感器冗余配置和信息融合。

2016 年中國智能車未來挑戰(zhàn)賽特意設計了相應的環(huán)境感知考核場景，圖 1 所示是施工道路通行考核任務，沿圖中黃線將一個車道封閉并設置施工場景，路段末端設置通行社會車輛，參賽無人車輛在此施工路段欲借道行駛時，須檢測感知前方道路情況，如有通行車輛需先讓行。類似復雜場景，需要借助激光雷達傳感器進行環(huán)境感知描述，再進行規(guī)劃。比賽結果表明，沒有安裝多線激光雷達的無人駕駛車輛均表現(xiàn)不好。

激光雷達描繪周圍環(huán)境幾個主要參數(shù)，包括線數(shù)、點密度、水平垂直視角、檢測距離、掃描頻率、精度等。除了位置和距離信息，激光雷達還提供返回所掃描物體的密度信息，后續(xù)算法據(jù)此可以判斷掃描物體的反射率再進行下步處理。通過檢測目標物體的空間方位和距離，通過點云來描述 3D 環(huán)境模型，提供目標的激光反射強度信息，提供被檢測目標的詳細形狀描述，不僅在光照條件好的環(huán)境下表現(xiàn)優(yōu)秀，而且在黑夜和雨天等極端情況下也有較好表現(xiàn)?？偟膩碚f，激光雷達傳感器在精度、分辨率、靈敏度、動態(tài)范圍、傳感器視角、主動探測、低誤報率、溫度適應性、黑暗和不良天氣適應性、信號處理能力等指標方面表現(xiàn)優(yōu)秀。

2. 激光雷達在復雜交通環(huán)境下的適用性

2.1 激光雷達在環(huán)境感知中的重要作用

二維和三維激光雷達在無人駕駛中均有廣泛應用。與三維激光測距雷達相比，二維激光雷達只在平面上掃描，結構簡單、測距速度快、系統(tǒng)穩(wěn)定可靠。但二維激光雷達無法完成復雜路面地形環(huán)境，重建行駛環(huán)境時容易出現(xiàn)數(shù)據(jù)失真和虛報等現(xiàn)象。三維激光雷達則可以獲得環(huán)境的深度信息，準確發(fā)現(xiàn)障礙物，構建可行駛區(qū)域，在豐富的點云數(shù)據(jù)上可獲得包括車道、路沿等道路要素，還可獲得非結構化道路的障礙物和可行駛區(qū)域，行駛環(huán)境中行人和車輛，交通信號燈和交通標志等其他豐富信息。

1）激光雷達適用于道路環(huán)境檢測

向地面掃描的線激光雷達通過所獲得的信號強度處理和識別車道線信息。此外，通過三維激光雷達數(shù)據(jù)獲得路沿等信息，映射到 2D 網(wǎng)格與相機圖像信息融合處理，可以獲得路面的車道邊界。將激光雷達與相機視覺檢測的空間/時間數(shù)據(jù)融合，進行車道估計與跟蹤，結合從地圖數(shù)據(jù)生成的車道曲率約束和可參考的車道等信息，則可以獲得高可信的車道估計。

在接收到激光雷達輸出的原始點云數(shù)據(jù)之后，通過坐標轉換形成點云的柵格化表述，并從中區(qū)分地面點的集合以及地面以上障礙點的集合，完成地面和障礙物分離，形成地面估計與分割。在非結構化的越野環(huán)境中行駛，還需考慮包括地面起伏、凸起障礙、負障礙物、水體等多種環(huán)境要素，完成可行駛區(qū)域檢測。

2）激光雷達可用于行駛環(huán)境中的目標檢測與跟蹤

通過對行駛環(huán)境中車輛周圍的各類目標進行有效檢測、跟蹤和預測，才能實現(xiàn)跟車、換道和交叉口通行等復雜場景下的安全自主駕駛。由于行駛環(huán)境的復雜性，特別是道路中交通擁擠等情況下，車輛間容易互相遮擋以及行人目標較多且行走較難預測等，實現(xiàn)可靠的各類目標檢測與跟蹤存在較大挑戰(zhàn)。

在接收到原始點云數(shù)據(jù)并進行點云柵格化描述、完成地面和障礙物分離以及地面估計與分割的基礎上，采用目標聚類方法，通過柵格網(wǎng)疊加以及表面特征匹配，結合目標尺度比較，可確認跟蹤列表并進行目標跟蹤。其中，采用幾何模型和運動模型假設結合的方法進行目標檢測跟蹤，可以有效地處理目標幾何特征不明顯的情況下多目標檢測與跟蹤，結合目標位置、速度以及速度方向的最優(yōu)估計，容易獲得周邊車輛和行人的可靠檢測。

3）激光雷達用于地圖構建和定位

在自主駕駛過程中需要一個厘米級的高精度地圖，結合環(huán)境模型和傳感器場景和交通狀況感知，最后進行駕駛決策。這其中，激光雷達起到了地圖采集、環(huán)境感知和輔助定位等功能。

通過采用激光雷達多次行駛獲取道路的三維點云數(shù)據(jù)，進行人工標注，過濾一些點云圖中的錯誤信息，對多次收集的點云數(shù)據(jù)進行對齊拼接最終形成高清地圖。所建立路面模型包含較全的交通標志和交通信號燈，車道線位置、數(shù)量和寬度等，道路坡度和斜率等，還包括車道限高、下水道口、障礙物以及其他道路細節(jié)。既提供當前道路的靜態(tài)環(huán)境模型，也可以通過預先存儲的點云和圖像特征數(shù)據(jù)來提供高精度定位。

通過局部點云匹配和全局點云匹配的位置估計方式，獲得給定的當前位置情況下觀測到點云信息的概率分布，結合對當前位置預測的概率分布，就可以提高無人車定位的準確度。在點云匹配過程中，采用事先獲得的 3D 地圖和獲得的局部 3D 點云，通過頂視圖的正交投影，轉換為一個柵格化的 2D 反射率和高度網(wǎng)格圖，進行兩者之間的地圖特征匹配計算，可獲得高置信率的位置估計。

2.2 面向無人駕駛應用的激光雷達適用挑戰(zhàn)

1）影響激光雷達精度的外部因素

要想通過激光雷達精確獲得環(huán)境描述并不容易，影響其感知精度的外部因素包括天氣，車輛自身的運動狀態(tài)，隨機擾動和傳感器安裝位置等。其中，雨雪天氣容易對激光雷達產(chǎn)生影響，同時周邊物體的反射率也影響其正常工作。車輛速度也對所獲得的激光點云數(shù)據(jù)質(zhì)量有一定影響，特別是高速行駛狀態(tài)下對激光雷達信息處理實時性要求較高。此外，由于車輛轉彎引起側傾等運動軌跡的變化，車輛輪胎的滑移及地面顛簸抖動引起的一定隨機擾動等，也對激光雷達傳感器形成的點云數(shù)據(jù)精度上有一定的影響。激光雷達的安裝位置及其俯仰角等，使之可能受到不同的環(huán)境干擾。

2）面向極端駕駛環(huán)境下的適用性

由于激光雷達主要依靠激光的漫反射來實現(xiàn)的測距，決定了其在環(huán)境感知方面也不是萬能的。霧霾天、大雨、大雪等極端天氣對激光雷達的檢測范圍、識別時間等都有較大影響，雖然少量雨或雪可以通過算法的優(yōu)化來進行信息過濾處理。在雨雪和霧天等情況下，空氣中懸浮物會對激光發(fā)射和激光的反射檢測等環(huán)節(jié)產(chǎn)生影響，從而影響其檢測精度。雨或霧分布密度決定激光與之相撞概率，如圖 6 所示，隨著實驗雨量增大，其最遠探測距離線性下降。

激光傳感器在夜間表現(xiàn)良好，可在光線較弱情況下的自主行駛中發(fā)揮重要作用。福特搭載 4 個 Velodyne32 線激光雷達的智能車在亞利桑那州沙漠測試區(qū)開展過測試，模擬自動駕駛汽車在夜間車燈突然失靈的極限狀況下自動駕駛的安全情況。而冰雪天氣，則是激光雷達感知的挑戰(zhàn)，道路因結冰或積雪而導致反射特性發(fā)生變化，導致激光雷達的檢測效果受到影響，從而影響到三維地圖的構建；此外，由于積雪覆蓋也引起了道路環(huán)境的形狀和邊界發(fā)生變化。需要從算法層面對良好天氣下構造的精準地圖加以利用，在冰雪天氣結合已有的地圖完成順利的感知與規(guī)劃也很重要。

3. 面向無人駕駛的激光雷達產(chǎn)品集成化與智能化挑戰(zhàn)

現(xiàn)有的無人駕駛傳感器配置方案中一般都包括多個 2D 和 3D 的激光雷達，這些激光雷達大部分都不是專門針對車載應用進行開發(fā)，體積較大且價格昂貴。未來量產(chǎn)應用的車載傳感器則要求小型化、集成化和智能化，便于安裝、便于標定和使用、提供現(xiàn)有車載總線集成等功能，提高了了應用適用性?？偟膩碚f，針對無人駕駛的應用需求，現(xiàn)有激光雷達在產(chǎn)品設計和供應鏈、小型化和集成化、智能化與算法服務等方面還有待于加強。

3.1 現(xiàn)有激光雷達面臨產(chǎn)品設計和供應鏈的挑戰(zhàn)

國外激光雷達傳感器廠商主要有 Velodyne、Ibeo 和 Quanergy 等。與 Velodyne 進行競爭的初創(chuàng)公司有德國 Ibeo，美國 Quanergy，以色列 Innoviz，美國 Aerostar，加拿大 LeddarTech，加拿大 Phantom Intelligence, 美國 TriLumina 等。

國內(nèi)也出現(xiàn)了車載激光雷達產(chǎn)品研究熱潮。北科天繪公司在今年 5 月就推出首款 16 線智能車用激光雷達（R-Fans16），有效探測距離大于 50m（ρ≥20%），掃描視場 360°，測距誤差優(yōu)于 5cm，并將在年底推出 32 線升級版本。隨后，禾賽科技、速騰聚創(chuàng)等國內(nèi)初創(chuàng)企業(yè)也推出類似激光雷達產(chǎn)品與樣機。

現(xiàn)有激光雷達在產(chǎn)品設計上面臨車規(guī)應用嚴格要求，在供應鏈上面臨規(guī)模量產(chǎn)的挑戰(zhàn)。需要通過改進設計和核心器件的供應，使得傳感器滿足規(guī)格且價格得到控制。在產(chǎn)品設計方面，要求激光雷達傳感器尺寸越小并且容易安裝在無人駕駛車上，需要將機械旋轉部件做到最小甚至不用旋轉器件。例如 Velodyne 和福特一起發(fā)布的 32 線半固態(tài)激光雷達 Ultra Puck Auto，將旋轉部件做到內(nèi)部隱藏。Quanergy 的全固態(tài) S3 產(chǎn)品，使用相位矩陣技術，不存在旋轉部件。

在傳感器性能指標方面，除了要求視場角覆蓋、角分辨率、檢測精度和距離等指標之外，還要求信息采集處理的實時性。此外，要改變現(xiàn)有激光雷達生產(chǎn)中的緊密光學器件的校準等繁瑣環(huán)節(jié)，減少標定過程的人工介入，從而降低人工和器件的成本。

3.2 激光雷達傳感器的集成化和智能化挑戰(zhàn)

1）面向無人駕駛的激光雷達配置與安裝

如圖 10 所示，參加 2007 年 DARPA Urban Challenge 比賽的 Stanford 大學“Junior”無人車輛配備 2 個側向的 SICK LMS 291-S14 激光雷達和 1 個前向的 RIEGL LMS-Q120 激光雷達提供 3D 道路結構和車道標線檢測，并進行車輛高精度定位。1 個車頂 64 線 Velodyne HDL-64E 激光雷達用于障礙物和移動車輛檢測，形成水平方向 360 度和垂直方向 30 度視域的掃描數(shù)據(jù)，由車尾的 2 個 SICK LDLRS 激光雷達和前保險杠 2 個 IBEO ALASCA XT 激光雷達進行視野補充。5 個安裝在前格柵的 BOSCH 長距離雷達（LRR2）提供周圍移動車輛的檢測信息。Junior 無人駕駛方案中，充分體現(xiàn)了激光雷達傳感器的重要性。

同樣，在 2016 年參加中國智能車未來挑戰(zhàn)賽的無人車，也大多安裝了高精度的多線激光雷達。車頂 64 或 32 線的 Velodyne 激光雷達，前向不同角度的攝像頭分別負責車道線、行人、紅綠燈。前臉保險杠處增加 4 線或 8 線激光雷達以及毫米波雷達，車尾配置毫米波雷達用于變道輔助。百度在本月的烏鎮(zhèn)互聯(lián)網(wǎng)大會上展示最新的無人駕駛車輛，在車輛頂部有 64 線激光雷達、3 個環(huán)繞車頂?shù)?16 線激光雷達、位于車頂前方的兩個視覺識別攝像頭、以及車前方的毫米波雷達組成，輔以 GPS 高精度地圖在車載計算中心的控制下，實現(xiàn)無需人類操作決策的機器自動駕駛。

激光雷達的嵌入式安裝方式容易導致的傳感器檢測范圍受到遮擋，需要采用多點布置的方式進行檢測視角覆蓋。車頂安裝的 64 線激光雷達可以形成 60 米左右 360 度視角覆蓋，車輛正前方、正后方、左前方和右前方安裝的 4 線、8 線激光雷達。安裝在險杠附近的前向方低線束 4～8 線的長距激光雷達，用于檢測遠距的前方車輛和障礙物等信息。安裝在車輛左右兩側（車頂側或車尾側）的激光雷達，可以對側向車輛、障礙物、車道和路沿等路面進行檢測，形成視角的覆蓋與冗余。在現(xiàn)有技術基礎上，如能將激光雷達與車載其他傳感器進一步集成，則可簡化方案，如圖 12 所示。

2）面向無人駕駛的激光雷達智能化挑戰(zhàn)

激光雷達傳感器如果能夠結合傳感器特點進行原始數(shù)據(jù)的預處理，提供云數(shù)據(jù)處理結果，提供從硬件到處理軟件的一體化方案，有效降低用戶門檻，提高應用廣度。Velodyne 輸出的原始數(shù)據(jù)中，除了位置和距離信息，還包括目標反射密度信息。如果廠家能提供進一步的算法，判斷出目標的反射率信息，用于輔助目標的識別，例如確定眾多檢測目標中的交通標志牌。再結合相機有針對性地識別標志牌內(nèi)容，則可以減少算法成本。Ibeo 的軟件方案則包括算法端設計，可直接輸出周圍車輛、行人、障礙物、路面等檢測到的環(huán)境信息。

4. 激光雷達傳感器的標定與測試

4.1 ?激光雷達參數(shù)與繁瑣的標定過程

大部分激光雷達中，通過電控掃描方式控制線陣中每個激光二極管（Laser Diode – LD）發(fā)射脈沖激光，經(jīng)發(fā)射光路整形，激光脈沖到達目標表面并返回，經(jīng)接收光路接收，聚焦到對應光電傳感器（APD）并轉換為電信號，電信號處理，測距、測灰度；激光探測模塊中 32 元通過電控掃描在豎直方向次第測量，同時圍繞豎直軸做 360°旋轉掃描；所采集原始數(shù)據(jù)計算生成激光三維點云，數(shù)據(jù)上傳并實現(xiàn)對激光點云數(shù)據(jù)同步處理。其中，多個步驟涉及精密光學器件的調(diào)校，光學收發(fā)透鏡需要精確設計，這些環(huán)節(jié)比較費時費力。

1）車載激光雷達的標定

激光雷達與車體為剛性連接，兩者間的相對姿態(tài)和位移固定不變，為了建立各個激光雷達之間的相對坐標關系，需要對激光雷達的安裝進行標定，并使激光雷達數(shù)據(jù)從激光雷達坐標統(tǒng)一轉換至車體坐標上。通過建立車輛質(zhì)心坐標系、雷達基準坐標系以及車載激光雷達坐標系，將激光雷達的數(shù)據(jù)轉換到基準坐標系中，結合雷達的俯仰角和側傾角，再將其統(tǒng)一轉換到車輛坐標系下。如果有多個車載激光雷達，為了能夠得到統(tǒng)一形式的環(huán)境信息，需要確立統(tǒng)一的車輛坐標系，并把所有激光雷達的數(shù)據(jù)轉換到該坐標系下。

2）多線激光雷達的外部參數(shù)

理想狀態(tài)下，激光雷達多線束激光從坐標系原點射出，且每束激光的起始位置都為坐標系原點。但實際上，每個激光傳感器安裝位置不同，光束的水平方位角也有差異，光束并不在同一個垂直平面內(nèi)。因此，對應每個激光器都有一組校準標定參數(shù)，通過標定方法對參數(shù)進行標定，即每個激光束的位置和方向的參數(shù)估計 [3]。以 Velodyne HDL – 64E 激光雷達為例，出廠時對每束激光校準參數(shù)都已進行標定，但在使用時一般還需對該校準參數(shù)進行重新標定。獲取 64 束激光的標定參數(shù)后，可將每條激光束返回的距離值 和當前激光雷達的旋轉角度 轉化為激光雷達坐標系中的笛卡爾坐標 。

為了將激光雷達返回的距離和角度信息轉換為激光雷達坐標系中的笛卡爾坐標，需要對每一條激光束采用 5 個參數(shù)進行建模。然后通過 5 個參數(shù)將每條激光返回的距離值轉換為 3D 點坐標 [11]，包括距離校正因子 ，垂直偏移量 ，水平偏移量 ，垂直校正角 和旋轉校正角 。

3）多線激光雷達的標定

激光雷達外部參數(shù)包括激光雷達的俯仰角與側傾角等，通?？刹捎玫妊苯侨菢硕ò?、正方形標定板、標定箱等工具結合標定程序完成外部參數(shù)確定。但是，這類外部參數(shù)標定方法還依賴于標定板等工具，最好能夠?qū)崿F(xiàn)自動標定方法，例如已有研究中的交互信息最大化外部自動標定法；激光攝像頭融合的邊緣對齊聯(lián)合自動標定法和測距與圖像融合的基于線段外部參數(shù)標定法等 [9]。如圖 7 所示的測距與圖像融合的基于線段外部參數(shù)標定法，無需特殊的人工標定目標，通過自然線性特征獲取來確定精確線段變換。通過一組點云形成的 3D 線段以及一組從圖像獲得的 2D 線段之間的對應關系，以及兩者相對平移和旋轉的聯(lián)合估計的優(yōu)化解，來獲得外部標定參數(shù)。

4）攝像機和激光雷達聯(lián)合標定

通過提取標定物在單線激光雷達和圖像上的對應特征點來進行攝像機外部參數(shù)的標定，從而完成單線激光雷達坐標、攝像機坐標、圖像像素坐標等多個傳感器坐標的統(tǒng)一，實現(xiàn)激光雷達與攝像機的空間對準。

激光雷達、攝像機與無人駕駛汽車為剛性連接，因此在同一空間內(nèi)，每個激光雷達的掃描數(shù)據(jù)點都在圖像空間中存在唯一對應點。通過建立合理的激光雷達坐標系與攝像機坐標系，利用激光雷達掃描點與攝像機圖像的空間約束關系，即可求解兩坐標系的空間變換關系，從而完成激光雷達與攝像機的空間對準，實現(xiàn)激光雷達數(shù)據(jù)與可見光圖像的關聯(lián)。在此，激光雷達與攝像機的空間對準問題就轉變?yōu)樵诮o定雷達圖像對應點的情況下的函數(shù)擬合問題。

利用標定箱，通過對掃描形狀的判斷，可手工選取出其掃描到標定箱邊界的激光點并提取出該點坐標。標定箱的棱角在攝像機中成像清晰，容易獲取。通過多次改變標定箱的遠近和方位，使其位置盡可能地均勻分布在圖像分辨率范圍內(nèi)的各個位置，而通過采集多幀同步后的圖像和激光雷達掃描數(shù)據(jù)，即可獲得多組圖像雷達對應點對。

同樣，現(xiàn)有的研究也集中在解決參數(shù)的自動標定問題。例如，基于邊緣對齊的外部參數(shù)聯(lián)合自動校準和融合的激光雷達與相機自動標定技術，以及其他相機與激光雷達的在線標定技術，還有助于克服傳感器漂移和擾動校正等。

4.2 ?激光雷達測試技術：突破應用場景限制

1）車載激光雷達的測試

在車載激光雷達的評測中，需要針對測試指標構建車用激光雷達測試場景，建立標定場、控制點和檢測點，通過設置標靶，結合已有的高精度、高置信度測試儀器進行激光雷達標定，通過控制點進行測評指標精度分析，結合檢測點進行指標精度對比分析，最后形成指標參數(shù)精度的置信描述。

車載激光雷達的測試包括：

（1）車用激光雷達設備性能測試，包括振動測試、溫度測試、環(huán)境測試、計量精度測試、回波強度測試、數(shù)據(jù)一致性及完整性測試等。

（2）車用激光雷達常用指標測試，包括設備的測量幀率、點頻率穩(wěn)定性；水平角視場大小，水平角分辨率；垂直角視場大小，垂直角分辨率；距離分辨率、測距誤差和不同反射率的固定大小目標的探測距離等。測試設備系統(tǒng)啟動時間，目標的檢出時間等。除了上述常用指標之外，還將就激光雷達工作的自車速度范圍，檢測對象目標大小，目標反射率、目標檢出率等指標進行測試。此外，還將一級指標細化為二級評測指標，例如檢測距離的二級指標包括目標最大測距，目標有效檢測距離，目標分類距離，目標最佳分類距離等。

（3）車用激光雷達檢測信息豐度測試，包括車用激光雷達檢測信息豐度測試，涵蓋目標檢測完整度和精確度測試。目標列表包括可行駛區(qū)域內(nèi)的結構化和非結構化路面、路沿，周邊其他車輛和非機動車輛，行人，動態(tài)和靜態(tài)障礙物目標等。

2）車載激光雷達的測試方法

針對測試指標構建車用激光雷達測試場景，建立標定場、控制點和檢測點，通過設置標靶，結合已有的高精度、高置信度測試儀器進行激光雷達標定，通過控制點進行測評指標精度分析，結合檢測點進行指標精度對比分析，最后形成指標參數(shù)精度的置信描述。

在自主駕駛模擬器中建立激光雷達傳感器接口，將激光雷達采集的測試環(huán)境數(shù)據(jù)或者仿真軟件生成的測試數(shù)據(jù)，輸入自主駕駛仿真器中，在仿真軟件中還原真實或者仿真的測試場景，從而開展激光雷達傳感器的平行測試。結合仿真模擬測試與實際環(huán)境測試虛實聯(lián)動的測評方法，對激光雷達進行完整評測。

3）智能車中心開展的車載激光雷達測試工作

中國智能車綜合技術研發(fā)與測試中心匯聚了多家智能車研發(fā)單位，致力于開展智能車輛設計、標準制定和功能測試等工作。此外，結合智能車中心的基礎設施，結合仿真環(huán)境、在環(huán)測試技術和實際模擬環(huán)境，針對激光雷達、毫米波雷達、相機視覺感知、慣性導航等各類車載傳感器開展平行測試工作，提供傳感器的適用邊界確定和驅(qū)動功能集成，通過與各類傳感器產(chǎn)商保持密切合作，可快速加快傳感器成熟應用進程，有助于加速智能車輛開發(fā)。

5. 總結

激光雷達是實現(xiàn)無人駕駛的重要傳感器，由于其功能特性可以在復雜交通環(huán)境的感知中起到關鍵作用，越來越受高度重視，國內(nèi)外紛紛投入研發(fā)。通過與其他車載傳感器實現(xiàn)信息融合，可適用于復雜交通環(huán)境感知。此外，激光雷達還廣泛用于 3 維地圖建立和輔助定位中。本文通過現(xiàn)有激光雷達的技術描述，介紹它在環(huán)境感知中的關鍵作用，分析了激光雷達在無人駕駛應用中的適用性和需要突破之處，介紹了激光雷達標定和測試等技術，后續(xù)將陸續(xù)綜述毫米波雷達、相機視覺和慣性導航等傳感器在無人駕駛中的應用，文章可以作為相關技術應用有益參考。