2021年04月15日 | 激光雷达迎来前装之夜 小鹏如何演绎新智能？

伴随着人类进入人工智能时代，一种机器「深度学习」的概念迈入一个新发展阶梯。

而当人工智能赋予汽车时，也正引发一场改变人类出行的新革命。

当前以特斯拉为首的智能驾驶梯队以视觉方案作为感知主力，凭借单目、三目视觉方案，利用深度学习算法，来赋予机器“眼睛”。

通过不断学习对物体进行分类、构建视觉特征，实现“不依赖性”的环境检测，赋予机器人理解周遭事物环境的能力。

而国内的智能驾驶发展正推向另一个风潮。

以激光雷达为代表的感知方案入列，国内霎时间爆发出一个激光雷达上车的关键节点。

让马斯克所意料不到的是，如摩尔定律所反应的，智能驾驶的传感器、处理芯片、算法等达到一个成熟且具规模化的爆发期。

小鹏与 Livox 、蔚来与图达通、上汽与 Lumanar 、北汽与华为等就是最为典型的案例。

一、为何激光雷达成为当前感知的「必须项」？

与数码相机的工作原理不同，数码相机是将三维视觉空间拆分为二维像素矩阵。

而激光雷达则是向周围散射出强烈的脉冲激光，测算出光束反射回来所用的时间，然后根据激光测距原理计算并建立周围环境的三维数字模型。

在三维信息下，感知层能与计算结合最终获得距离、物体形状、姿态、速度等关键信息。

激光雷达上车也就类似于在视觉基础上拿了一把“尺子”，「边看边量」着走。

而纯视觉方案则需要凭借庞大的 AI 体系，需仿真人类「看完思考」决定往哪走，而这个过程也需建立在快速响应的决策以及准确性上。

另外，这个「思考」完全取决于过去构建的「学习」体系。

视觉方案中物体必须识别后「思考」匹配的动作。虽然摄像头硬件成本降低，但其需要背靠强大的样本数量采集以及算力支持。此外摄像头本身在距离检测、极端环境下也都存在局限性。

而深度学习需要强依赖于数据的广度与深度，至少从当前来说，「寒武纪时代」才迎来爆发期，“视觉进化”的能力尚处于最初期。

在不讨论 AI 视觉体系的可行性下，当前对于处于「成长期」采集阶段而言，势必会漏检的行为，而这将会被「思考」直接过滤，后果不堪设想。

正如马斯克曾言把机器学习系统做到 99% 的准确率非常简单，但在这个基础上提升 0.99999% 是非常困难的，而后者才是问题的本质。

二、激光雷达是如何实现「边走边量」的呢？

激光雷光雷达工作路径是由激光发射、接收、计算以及扫描系统系统组成。

1、激光雷达测距

激光雷达通过二极管发射出红外脉冲光，并利用计时器记录时间，脉冲光照射到物体表面后发射回光束，激光雷达内的接收器接收并记录，最终计算出距离。

目前主流方案为飞行时间法，而另一 FMCW 方案则凭借低功率、测量速度信息等成为新秀，目前后者相比前者还具备较强的抗干扰能力。

但碍于部分高性能元器件的成本，仍处于起步阶段，但长期来看两种方法将并存。

另外激光雷达的探测距离与目标的反射率相关。目标的反射率越高则测量的距离越远，目标的反射率越低则测量的距离越近。

探测距离越远则能够识别识别更远的物体，也能够给予决策更长的时间。

2、点云信息

激光雷达「单个/多个」发射器扫描后所产生的信息，会形成「一条线/多线」，这就是「单线/多线」激光雷达的由来。

而激光雷达能够在一秒内发射可达百万级的脉冲光，在扫描后形成分布的点就是我们熟知的点云。从点云数据我们可以看到，每一个点都包含了三维坐标信息。

当前主流的 32 线、64 线、128 线以及 300 线的激光雷达产品，多线激光雷达能够对纵向密度覆盖，物体表面轮廓描绘精度越高，能实现不同级别的清晰度表现能力。

此外通过对路上的合法 3D 点云数据的采集信息，也需要对数据进行标定与解析，例如对点云障碍物识别、点云语义分割以及与摄像头融合等，随后利用点云信息进行存储、管理以及灵活调用以及定义。

例如高线数有更高的纵线角度分辨率，实现更高的清晰度，点云数量也会更为密集，也利于构建感兴趣区域 ROI（region of interest），通过训练点云特征对探测，可以对障碍物、道路、桥梁等特征和对象进行分类和提取，增强感知。

3、类混合固态迎来前装量产前夜 固态成未来主流

机械式激光雷达已发展到较为成熟的阶段，但目前主要应用在于高阶自动驾驶以及测绘领域。

而从短期来看，类混合固态发展将迎来前装量产的爆发期。

目前 MEMS、转镜等都成为类混合固态的主要技术路线，并且相对较为成熟。其中转镜式较早通过车规，也成为当前最早上车的最佳方案。

转镜式是利用电机带动转镜运动并将光束反射至空间的一定范围，从而实现扫描探测，而收发模块不动，无需多次校准，其当前能够实现较长距、角度大、成本低的优势。

但其需要应对高功耗等带来的稳定性问题。

当前另一派厂商也正在布局 MEMS 微振镜式方案，其主要通过高速振动的二维振镜来实现扫描测量。

由于它的集成与成熟度较高，取消了激光器等器件能够带来小尺寸、高分辨率、高集成、低成本等优势。但其收光孔径非常小，其受限于探测距离、视场角度以及信噪比等。

而作为无任何机械器件的固态激光雷达则将成为未来的主流方向。

目前有 OPA 光学相控阵技术、Flash 两大主流方向。

前者利用利用相干原理，实现发射光束的偏转，从而完成扫描测量，后者则是通过时间顺序对不同视场的收单元实现扫描，并利用探测器完成图像绘制。

纯固态式激光雷达具扫描效率高、稳定性好、精度高、体积小等特点被认为是是未来激光雷达的主流方向，相信解决技术难题是时间难题。

三、拿着「尺子」上车的 P5，能够实现什么？

作为首款量产激光雷达的车型，P5 则引来众多思考。

在激光雷达上车后，能够为 P5 带来什么呢？

1、结合视觉感知，实现「测距」能力。

在布局方式上，车企对于需求以及目的的不同，对于激光雷达的布局方案以及性能参数也会不同。据小鹏透露其将在今年第四季度实现城市 NGP ，而激光雷达则成为感知的重要之“眼”。

但当前，P5遵循视觉与雷达等多种传感器相互配合的感知方案，以实际路况进行算法调整。

P5 搭载的是大疆孵化的 Livox 旗下的 HAP（Horizon Automotive Platform），这也是前装后的正式命名。

HAP 采用的是转镜的方案，性能上对 10% 低反射率目标物下实现探测距离 150 米、拥有等效 144 线点云密度以及采用 905nm 激光。

另外横向 FOV 拥有横向 120°，在双激光雷达加持下可以达到最高 150° ，以及可以实现以及 0.16°角分辨率。

而此次搭载与底部两侧也将能够实现厘米级的测距能力，150° 能够带来更广的探测区域，配合视觉感知硬件能够更为精准分析动静态物体、低反射率目标等。

例如对行人、小物体以及在黑夜、逆光等环境下增强感知，与摄像头相互冗余，应对更为复杂的中国路况。

2、 HAP 独特的“花瓣式”扫描 构建 ROI

而 HAP 特殊的地方是采取了三棱镜扫描器。

三棱镜也就意味着需要三个电机协同工作，其中两个棱镜的转速较快，另外棱镜可以同轴独立旋转，光束可实现大角度偏转，并且可以通过棱镜的角度差来实现不同的扫描效果。

Livox 最为经典的花瓣式点云，配合 HAP 的双激光雷达组合以及实现中央高刷新率 20Hz（5毫秒刷新一次），时间迭代中央点云信息密度越密集，而花瓣式的效果类似于人眼的视觉，能够完美构建起 「ROI」。

提升“集中力”，实现探测的「最大值」，以此降低「功率消耗」。

在识别车辆上，视觉感知系统所遇到一个「棘手」问题并不是「识别」，而是应对行人、车辆等具体类别的「分类」，特别是基于「中国的复杂场景」。

而「城市」相比「高速」场景下更为复杂，例如十字路口、障碍物、转弯、环岛、低速等多元复杂场景。

而如何分摊视觉算法的压力以及避免激光雷达的注意力分散呢？

P5 利用激光雷达 ROI 集中在一定范围的区域，并在高速与城市路况下，增强对行人、宠物等微小物体的识别，以此来应对缓慢加塞、道路异物的动静态识别等，并基于此也需要做相应的预判与决策。

相反，基于视觉训练场景下，庞大且复杂的道路环境，仅仅依赖「机器学习」来解决复杂的道路场景当前依旧是一个不现实问题。

而在机器学习实现革命性突破之前，利用激光雷达之「眼」解决感知难题成为当前最佳的方案。

3、实现高精地位

P5 同样利用「尺子」来提升高精定位能力。

在步入更为高阶的辅助驾驶领域，在视觉图像中分析后完成「道路分割」以及「高精定位」是重点也是难点。

前者基于高级驾驶辅助地图来提升道路信息解析能力，最终降低算力负担。例如我们在 NOA 与 NGP 对比场景下遇到的国内复杂的车道线、限速信息、隧道以及复杂匝道等，高级辅助驾驶地图显然能够带来更为稳定的表现。

而亚米级的高精定位则直接影响了整个行车安全。

所以通过 GNSS、IMU 和轮速等感知硬件为初始定位，并利用激光雷达的点云信息对特征进行捕捉匹配，结合初始位置获得全局坐标系下精准定位。

当前利用 GNSS/IMU、高级辅助驾驶地图及传感器的融合是未来实现精确定位的理想方案。 

四、总结

与特斯拉不同的是，国内车企正享受着智能驾驶硬件红利，而在基于中国特殊的环境下，车企也从利用激光雷达的感知方案中获得很多的基础信息，最终来辅佐整个感知体系。

而特斯拉通过自研芯片、开发超算 Dojo 以及打通机器学习闭环，特斯拉正在视觉方向上“一路狂奔”。而国内的智能驾驶团队正高举激光雷达的前装成熟期弯道超车，这一场技术较量也逐步迎来「正面对决」。