自动驾驶新驱动力：点云算法如何释放激光雷达威力？

　　还是用摄像头。到 2016 年，事情发生很大的转变，尤其某汽车公司 Autopilot 致死事故之后，业内渐渐觉得

　　下图是无人驾驶的偏算法层的系统框架。从左边看，这是一个传感器的输入，如激光雷达、摄像头、毫米波沐鸣2平台、GPS、编码器和 IMU。这些传感器的数据输入到系统的感知算法里，对于这个感知算法，我们会将这些数据进行处理分析，如何将静态的物体分离出来，并如何识别沐鸣2平台、分类与跟踪动态物体。

　　高精度地图的获取很大程度依赖激光雷达以及摄像头。我们获取高精度地图后，结合 GPS 和 IMU、编码器、实时感知环境的特征，进行地图匹配进行定位。对于路径规划和运动控制，最终是结合车辆的 CAN 总线，对车进行控制沐鸣2平台。

　　在感知方面，我们普遍使用的是激光雷达、摄像头、毫米波雷达三个是作为感知外界物体的传感器沐鸣2平台。其中，激光雷达可以做物体的识别、分类沐鸣2平台、跟踪，摄像头也可以做物体的分类和跟踪沐鸣2平台沐鸣2平台。毫米波雷达主要用于对物体障碍物识别。

　　毫米波雷达、摄像头和激光雷达这三个传感器，有一些重合点。这是由传感器本身的性质决定，他们有各自不可或缺的功能。

　　毫米波雷达主要用还是在障碍物检测;摄像头很难得到三维物体的模型，包括它对于环境的干扰也比较依赖这个光照的影响，但摄像头对物体分类和跟踪是非常好的;激光雷达普遍用于定位、障碍物检测、物体分类、动态物体跟踪等应用。

　　其实在 2016 年之前，激光雷达行业的发展还是比较缓慢的。但现在来看，包括上游供应商和下游客户的紧迫需求，我们极力希望推动实现激光雷达降成本化、可量产化。

　　机械式旋转激光雷达(发射、接收、共轴旋转的激光雷达)，这是目前比较成熟的沐鸣2平台，在下游无人驾驶使用比较多的方案。比较有代表性的有 Velodyen、Ibeo，包括我们现在在量产的也是这种机械式的激光雷达。混合固态也是机械式旋转类的激光雷达沐鸣2平台。

　　另外一种是 MEMS沐鸣2平台。基于 MEMS 的扫描式雷达目前属于在研状态沐鸣2平台，它的原理是通过 MEMS 扫描镜来改变光路。

　　还有一种是相控阵激光雷达(OPA)，其实也属于扫描式激光雷达沐鸣2平台，因为它是通过逐点扫描的方式沐鸣2平台，即多个小天线之间发射的激光的发射相位来改变光路而实现的。

　　目前来看，其实行业现在的推动力挺大的，包括我们自己，主要的研发精力也放在固态激光雷达上。我相信很快大家能看到这种低成本的激光雷达，从研发、样品到商用，可能会比原来预想的周期更快。因为不是一家激光雷达公司在努力，而是整个产业链都在努力。

　　点云数据生成设备可以由激光雷达或者深度相机产生。根据激光雷达得到的点云，包括三维坐标(XYZ)和激光反射强度(Intensity)。

　　激光雷达在自动驾驶中的应用，最重要部分还是定位：位置确定了，无人车才知道要去哪里、以及怎么去。所以，确定“我在哪里”是第一步沐鸣2平台，也是非常关键的一步。

　　现在定位用 RTK，差分 GPS ，也有用激光雷达或者视觉去做。但 RTK 还是会受信号的干扰。特别是在一些城市、建筑和树比较多的地方，以及进隧道、出隧道沐鸣2平台，它的信号容易中断沐鸣2平台。

　　还有一个是基于视觉定位，它其实对于跟他视觉本身的特性有关，对环境的依赖比较强，比如逆光或雨雪天气下，这种定位容易失效沐鸣2平台。

　　激光雷达的定位，我们通过 IMU、惯性导航系统、编码器和 GPS，得到一个预测的全局位置。当激光雷达实时扫描单次的点云数据后，我们会去结合单次的点云数据进行匹配，并进行特征提取。

　　这些特征包括路沿、车道线等周围点线面的特征。对于高精度地图沐鸣2平台，提取过特征与实时提取的特征进行匹配沐鸣2平台，最终得到精准的车本体速度沐鸣2平台，这是激光雷达的定位过程。

　　对于障碍物检测和分类来讲，目前有应用视觉和激光雷达，这两者并没有冲突沐鸣2平台。激光雷达不依赖光照，它的视角是 360 度，计算量比较小沐鸣2平台，可以实时扫描，目前普遍用的是 100 毫秒以内的。激光雷达在扫描的过程中，先识别障碍物，知道这个障碍物在空间中的位置，再根据存在的障碍物做分类。

　　如上图，我们先拿到一个原始点云数据，对地面点进行提取，对非地面点进行障碍物分割。

　　比如车、人，我们将这些障碍物分割成为独立的个体沐鸣2平台，通过分割出来独立的个体再去匹配，从而进行障碍物的分类和物体的跟踪沐鸣2平台沐鸣2平台。

　　简单言之，我们先去除地面点，得到障碍物，分割出障碍物，然后把障碍物分割出来从而进行分类跟踪沐鸣2平台。

　　而跟踪的过程，首先是分割点云，通过点云做关联目标沐鸣2平台，我们知道上一桢和下一桢是否属于同一个物体，再进行目标跟踪，输出目标跟踪信息。

　　首先就是传感器缺乏，一方面是现在的激光雷达比较贵，供货周期也非常长，能够普遍用起激光雷达的公司并不多。而传感器的缺乏沐鸣2平台，解决方案的不成熟、点云算法人才积累太少，激光雷达无法发挥最大威力沐鸣2平台沐鸣2平台。

　　对于无人驾驶团队，他们可能除了激光雷达的点云算法以外，还做摄像头算法、毫米波雷达算法以及多传感器的融合，包括定位、路径规划、决策控制和改车等等。他们做的技术点非常多，无法聚焦，这导致他们被迫拉长战线 月，我们针对激光雷达的解决方案提出了普尔米修斯计划沐鸣2平台。我们希望这个计划的本质是一个负责开放共享的态度，加快整个无人驾驶商业化落地。

　　不管是低速车，园区车还是物流车或是在高速公路上行驶的车辆沐鸣2平台沐鸣2平台，我们都希望自己能够贡献出一份力量。

　　上图是基于激光雷达车道线检测和路沿检测。基于激光雷达的车道线检测还是比较不错的，路面上车道线一般是白色和黄色两种，所以我们提前把反射强度的方式先做出来，这样激光雷达就很容易将提取车道线出来，不会因为白天和晚上受到干扰沐鸣2平台沐鸣2平台。

　　而路沿检测可以根据路沿的几何形状来做一些训练，现在路沿十几厘米的高度都能够提取出来。

　　我们可以看上图的有半部分：红色表示提取的车道线沐鸣2平台，浅色是提取的路沿，中间是虚线沐鸣2平台沐鸣2平台，两边是实线。这个准确性还是不错的，包括路面的左转、右转这些指示也能做出来。如果后续有多帧迭代的话，其实效果会更好。

　　激光雷达做物体的跟踪，相当于对每一个识别到的物体，都会计算沐鸣2平台，并且分割到底是自行车沐鸣2平台、卡车、行人还是私家车。

　　识别之后，除了我们知道自动驾驶本体车的速度以外，也可以跟踪出前车的速度沐鸣2平台，以及前车距离本车的横向和纵向距离。激光雷达输出的已经不是原始点云数据沐鸣2平台，还有每个障碍物空间的位置和分类，到底是哪种类型，以及速度信息沐鸣2平台。

　　激光雷达能做的事情有很多，包括定位、障碍物的检测、分类和跟踪、车道线的检测、路沿检测等等。在感知的工作里，激光雷达扮演了非常重要的角色。

　　特斯拉汽车有望正式推出 FSD“城市街道自动巡航功能”，官网移除“即将到来”字样

　　ROSCon2018：ROS 2，自动驾驶汽车和ROS在Windows上的可用性

　　白皮书《车载毫米波雷达如何增强先进驾驶辅助系统（ADAS）和自动驾驶》