[分享] 《智能驾驶之激光雷达算法详解》1、什么是激光雷达

基本原理：

        激光雷达，即Light Detection and Ranging（LiDAR），其核心理念在于光探测与测距。以车载机械式激光雷达为例，其运作机制简明而高效：激光器发射脉冲激光，这些光束精准地触及地面、植被、车辆、道路设施及建筑物等目标表面，随后发生散射，部分光波反射回归至激光雷达的接收器。利用激光测距原理，瞬间计算出激光雷达与目标点之间的精确距离。随着激光器的水平旋转，这一测量过程持续进行，全面捕捉车辆周遭所有目标物的激光点数据。通过先进的数据成像处理技术，这些激光点数据被转化为周围环境的三维立体点云图，实现了对周围环境的精确描绘与感知。

        自1960年第一台激光器诞生后，激光雷达被广泛应用于军事领域，随后进入科研测绘、气象预测、工业测量和机器人行业。随着无人驾驶技术的发展，激光雷达在无人车感知方案中得到推动。中国、美国和欧洲推动智能驾驶技术，激光雷达行业进入高速发展期，已在多个商业领域得到应用。

        机械扫描式激光雷达技术成熟，有多种线数的产品可供选择，但成本高、体积大，难满足量产车辆需求。MEMS振镜式、透射棱镜式和转镜式激光雷达逐步被汽车厂商采用。Flash和OPA式激光雷达被认为是未来车载激光雷达的技术趋势，但目前应用较少。

不同感知传感器的特点：

        依据智能驾驶系统内部算法的多元化功能，该系统可精炼地划分为感知、即时定位与建图（SLAM）、预测、决策、规划及控制等关键子系统。激光雷达，以其卓越的三维环境探测能力及对目标材质差异的高灵敏度反射强度识别，成为智能车感知与定位系统不可或缺的组成部分。在感知领域，激光雷达展现出了其无与伦比的实力。它无缝融入图1-7所示的各项功能模块中，精准识别道路布局、障碍物位置、动态目标及可安全行驶区域，为智能车提供了全面且细致的周围环境感知能力。

        在工程实践中，3D目标检测模块专注于识别车辆、行人、骑行者等核心目标，而小障碍物则依赖聚类功能有效识别，此举旨在缩减标注成本并简化深度神经网络的检测复杂度。融合聚类与3D检测功能，显著增强了感知算法的稳健性，有效应对奇异物体引发的漏检问题，确保智能车安全行驶。鉴于驾驶环境的复杂性，如目标遮挡与点云噪声，单帧检测常难以精准捕捉目标信息。因此，我们采用多帧融合策略，优化目标信息的估计精度。同时，为实现高效的目标管理，系统为检测到的行人、车辆等分配唯一ID，并估算其速度，为后续轨迹预测奠定基础。这一过程由先进的多目标跟踪模块精准执行，如图1-10所示，在高速场景下，通过连续三帧点云实现了目标跟踪与ID精准分配。驾驶过程中的道路感知同样重要，包括道路边界与车道线信息的准确获取，这依赖于路沿检测与车道线检测模块的高效协作。值得注意的是，早期由于激光雷达线数限制及数据稀疏性，相关公开研究较为有限。但随着技术进步，这一领域正逐步拓展，为智能驾驶提供更为全面、精准的感知支持。

        车载激光雷达的应用功能包含对目标的激光点云、聚类算法、实例/全景分割模型和 L-Shape Fitting 算法，实现目标尺寸、朝向、跟踪、目标管理和速度估计。同时可进行背景点云的车道线、路沿和可行驶区域的分割计算。在智能驾驶领域，激光雷达在SLAM功能中的应用包括记忆泊车、自动辅助导航驾驶等智能驾驶功能，实现车辆的全天候、高精度、实时定位。为弥补GPS的缺点，许多研发团队使用高精地图和高精定位组合的方式，通过激光雷达点云和图像与高精地图匹配，结合GPS信号，实现车辆的绝对位置估计。

        车载激光雷达在Robotaxi和无人驾驶卡车中被广泛使用。Robotaxi通常配备激光雷达，TuSimple的无人驾驶卡车也是如此。车辆厂商的感知技术路线主要分为以视觉和激光雷达为主导两个方向。特斯拉使用以视觉为主导的感知方案，采用“摄像头+毫米波雷达”的组合。特斯拉的AutoPilot HW2.0系统配备了8个相机、1个毫米波雷达和12个超声波雷达。激光雷达在智能驾驶中的应用越来越广泛，许多车企都开始使用激光雷达作为主要传感器。激光雷达的价格逐渐下降，未来可能会更便宜。一些车型如前来ET7、M7、小鹏P5、理想L9等都搭载了激光雷达。随着激光雷达在汽车行业的应用增多，对激光雷达算法工程师的需求也在增加。