无人驾驶汽车怎么实现自动驾驶的 自动驾驶关键技术是什么

无人驾驶汽车怎么实现自动驾驶呢？这背后一个关键技术就是LiDAR，即激光雷达传感器,俗称光达，它也被称为无人驾驶汽车的眼睛。

激光雷达，英文全称为Light Detection And Ranging，简称LiDAR，即光探测与测量，是一种集激光、全球定位系统（GPS）和IMU（Inertial Measurement Unit，惯性测量装置）三种技术于一身的系统，用于获得数据并生成精确的DEM（数字高程模型）。这三种技术的结合，可以高度准确地定位激光束打在物体上的光斑，测距精度可达厘米级，激光雷达最大的优势就是“精准”和“快速、高效作业”。它是一种用于精确获得三维位置信息的传感器，其在机器中的作用相当于人类的眼睛，能够确定物体的位置、大小、外部形貌甚至材质。

LiDAR通过测量激光信号的时间差、相位差确定距离，通过水平旋转扫描或相控扫描测角度，并根据这两个数据建立二维的极坐标系;再通过获取不同俯仰角度的信号获得第三维的高度信息。

高频激光可在一秒内获取大量(106-107数量级)的位置点信息(称为点云)，并根据这些信息进行三维建模。除了获得位置信息外，它还可通过激光信号的反射率初步区分不同材质。

激光雷达是自动驾驶的关键技术

Lidar大致分为机载和地面两大类应用，其中机载激光雷达是一种安装在飞机上的机载激光探测和测距系统，可以量测地面物体的三维坐标。早在上世纪七十年代，由美国航天局研发，LIDAR测绘技术空载激光扫瞄技术开始了发展，并且速度飞快，约在1995年开始商业化。

除了军事领域的应用，激光雷达也迅速向民用市场扩展。其中，无人驾驶可以说是最热门的一个应用。

将Lidar应用于自动驾驶，要追溯到美国的DARPA （美国国防高等研究计划署），它每年都会举办无人驾驶汽车挑战赛，在2007年的DARPA挑战赛上，7支参赛队伍中的6支都采用了Velodyne公司设计的Lidar，最终的第一二名就出自这六只参赛队。这引起了准备研发无人驾驶车的谷歌的注意，之后谷歌组建了队伍，据称，最初的人员就来自这些参赛队员。谷歌于2009年推出无人驾驶汽车项目，在其无人车原型中使用的就是Velodyne公司的Lida。

激光雷达在无人车市场的应用

近几年，无人驾驶汽车市场发展火热，谷歌之后，百度、Uber等主流无人驾驶汽车研发团队都在使用激光雷达作为传感器之一，与图像识别等技术搭配使用，使汽车实现对路况的判断。

传统的汽车厂商也纷纷开始研发无人驾驶汽车，包括大众、日产、丰田等公司都在研发和测试无人驾驶汽车技术，他们也都采用了激光雷达。

激光雷达的特点

Lidar系统测量3D空间中每个像素到发射器间的距离和方向，通过传感器创造出真实世界完整的3D模型。操作Lidar系统的基本方法是发射一束激光，然后测量光在物体表面反射而返回来的信号。Lidar模块接收到反射回来的信号所需的时间提供了一种直接测量Lidar系统与物体之间的距离的手段。关于物体的额外的信息，比如它的速率或材料成分，也可以通过测量反射回来的信号中的某些特性而得以确定，这些特性包括诱导多普勒频移（induced Doppler shift）。最后，通过操控发射出去的光，可以测量出环境中许多不同的点，从而创建出完整的3D模型。

激光雷达（LiDAR）类似于雷达（radar），但是分辨率更高，因为光的波长大约比无线电的波长小10万倍。它可以区分真实移动中的行人和人物海报、在三维立体的空间中建模、检测静态物体、精确测距。

Lidar是通过发射激光束来探测目标位置、速度等特征量的雷达系统，具有测量精度高、方向性好等优点，具体如下：

1、具有极高的分辨率

激光雷达工作于光学波段，频率比微波高2～3个数量级以上，因此，与微波雷达相比，激光雷达具有极高的距离分辨率、角分辨率和速度分辨率；

2、抗干扰能力强

激光波长短，可发射发散角非常小（μrad量级）的激光束，多路径效应小（不会形成定向发射，与微波或者毫米波产生多路径效应），可探测低空/超低空目标；

3、获取的信息量丰富

可直接获取目标的距离、角度、反射强度、速度等信息，生成目标多维度图像；

4、可全天时工作

激光主动探测，不依赖于外界光照条件或目标本身的辐射特性。它只需发射自己的激光束，通过探测发射激光束的回波信号来获取目标信息。

但是激光雷达最大的缺点——容易受到大气条件以及工作环境的烟尘的影响，要实现全天候的工作环境是非常困难的事情。

激光雷达的原理与结构

与雷达原理相似，激光雷达使用的技术是飞行时间（TOF， Time of Flight）。具体而言，就是根据激光遇到障碍物后的折返时间，计算目标与自己的相对距离。激光光束可以准确测量视场中物体轮廓边沿与设备间的相对距离，这些轮廓信息组成所谓的点云并绘制出3D环境地图，精度可达到厘米级别，从而提高测量精度。

想象一下，当发出光脉冲时启动秒表，然后当光脉冲（从遇到的第一个物体反射出来）返回时停止计时器。通过测量激光的“飞行时间”，并且知道脉冲行进的速度，就可以计算距离。光以每秒30万千米的速度传播，因此需要非常高精度的设备来产生关于距离的数据。

为了产生完整的点云，传感器必须能够非常快速地对整个环境进行采样。激光雷达能够做到这一点的一种方式是通过在单个发射器/接收器上使用非常高的采样率。每个发射器每秒发射数万或数十万个激光脉冲。这意味着，多达100000个激光脉冲在1秒内完成从激光器单元上的发射器到被测量的物体的往返行程，并返回到激光雷达单元上位于发射器附近的接收器。

然而，固定线不足以映射整个环境——它只是在非常集中的区域给出非常清晰的分辨率。因此，许多激光雷达系统使用旋转组件或旋转镜来使线围绕环境进行360度扫描。常见的策略包括使单个发射器和接收器向上或下偏转使激光器视野覆盖范围更大。例如，Velodyne的64线激光雷达系统具有26.8度的垂直视角（通过旋转使其拥有360的度水平视角）。这个激光雷达可以从50米开外看到一个12米高的物体的顶部。

下图中可以看到，距离激光雷达的远近不同，点云的疏密程度也不相同，这是由于数据保真度随着距离而下降。虽然它不是完美的，但是较高分辨率可用于较近的物体，因为随着到传感器的距离增加，发射器之间的角度（例如，2度）会导致这些点带之间的间隔更大。

在ADAS系统中，激光雷达通过透镜、激光发射及接收装置，基于TOF飞行时间原理获得目标物体位置、移动速度等特征数据并将其传输给数据处理器；同时，汽车的速度、加速度、方向等特征数据也将通过CAN总线传输到数据处理器；数据处理器对目标物体及汽车本身的信息数据进行综合处理并根据处理结果发出相应的被动警告指令或主动控制指令，以此实现辅助驾驶功能。

下图展现的是谷歌无人驾驶公司Waymo在汽车上使用的激光雷达的布局：

激光雷达的分类

激光雷达按有无机械旋转部件分类，包括机械激光雷达和固态激光雷达。机械激光雷达带有控制激光发射角度的旋转部件，而固态激光雷达则依靠电子部件来控制激光发射角度，无需机械旋转部件。

机械激光雷达由光电二极管、MEMS反射镜、激光发射接受装置等组成，其中机械旋转部件是指图中可360°控制激光发射角度的MEMS发射镜。

固态激光雷达与机械雷达不同，它通过光学相控阵列（OpticalPhasedArray）、光子集成电路（PhotonicIC）以及远场辐射方向图（FarFieldRadiationPattern）等电子部件代替机械旋转部件实现发射激光角度的调整。

光学相控阵和微波相控阵是一个原理，利用的是光的相干干涉，出现了相位差，也就出现了干涉峰。所以如何让通过器件后光产生相位差是研究的重点，这就需要找到合适的材料和激发方法。现在的激发方法主要是电光扫描，也就是通过加电使材料产生相位差。现在两种比较热，一个是光波导阵列，一个是MEMS器件的，MEMS器件这个优点是扫描的速度快，但是感觉不是那么必要，因为瓶颈还是在扫描角度这儿，所以现在MEMS原理的商业产品还没有看到。

光波导阵列通过加电方式来实现光束扫描，利用光波导电光效应，对波导芯层加载电压，使每个波导芯层具有不同的附加折射率，波束得以在波导阵元输出截面光场具有不同的附加相位差，相位差按一定规律分布可引起输出光速的偏转。通过相位差按照一定规律分布输出，从而实现光束的扫描。

固态激光雷达优势：响应速度快，控制电压低，扫描角度大，价格低。

由于内部结构有所差别，两种激光雷达的体积大小也不尽相同。机械激光雷达体积较大、价格昂贵、测量精度相对较高，一般置于汽车外部。固态激光雷达尺寸较小、性价比较高、测量精度相对低一些，但可隐藏于汽车车体内，不会破坏外形美观。

根据线束数量的多少，激光雷达又可分为单线束激光雷达与多线束激光雷达。

顾名思义，单线束激光雷达扫描一次只产生一条扫描线， 其所获得的数据为2D数据，因此无法区别有关目标物体的3D信息。不过， 由于单线束激光雷达具有测量速度快、数据处理量少等特点， 多被应用于安全防护、地形测绘等领域。

传统的激光雷达扫描视场非常小，如果想360度的观察周围，怎么办？最自然的办法就是多搞几束激光，线数越多覆盖的角度越大。

多线束激光雷达扫描一次可产生多条扫描线，目前市场上多线束产品包括4线束、8线束、16线束、32线束、64线束等，其细分可分为2.5D激光雷达及3D激光雷达。2.5D激光雷达与3D激光雷达最大的区别在于激光雷达垂直视野的范围，前者垂直视野范围一般不超过10°，而后者可达到30°甚至40°以上，这也就导致两者对于激光雷达在汽车上的安装位置要求有所不同。

激光雷达的参数指标

测量距离、测量精度、测量速率、角度分辨率是决定三维激光雷达性能的几个重要指标。

例如，在无人驾驶汽车这个应用领域，对激光雷达的探测距离是有要求的。比如说高速公路上要能够检测到前方车辆，还有在十字路口上，要能够观测马路对面的汽车。

有趣的是，精度不是越高越好。激光雷达获取的的数据可以进行障碍物识别、动态物体检测及定位，如果精度太差就无法达到以上目的；但是，精度太好也有问题，高精度对激光雷达的硬件提出很大的要求，计算量会非常大，成本也会非常高。所以精度应该是适中就好。

还有一点不能忽视的是角分辨率，角分辨率决定打出去后的两个激光点之间的距离。单点测距精度达到后，如果打到物体表面两点间距离（点位）太远，测距精度也就失去意义了。

激光雷达的机遇和挑战

机遇

激光雷达在智能机器生态系统中有很多机遇。与使用二维图像相比，点云能够更容易的被计算机使用，用于构建物理环境的三维形象——二维图像是人脑最容易理解的数据，而对于计算机来说，点云是最容易理解的。

二维激光雷达扫描器可在户外使用，并专为移动、低功耗应用而设计。它只用了竞争对手近四分之一的成本，这将给这类传感器带来全新的应用（我们在很多其他类型的传感器中已经看到过这样的现象）。 二维激光雷达也可以被搭载到另一个旋转的元件上以产生环境中完整的三维点云。

其他公司正在寻求降低系统成本的其他策略，例如Quanergy的固态激光雷达。该系统大体与上文已介绍的系统相同，然而，与使用旋转光学器件来移动光束不同的是，它们使用 “相控阵列光学系统”来引导激光脉冲的方向，它可以在某一方向上释放一个激光脉冲，而让下一个脉冲（1微秒之后）瞄准视野中的其它地方。

它能够实时关注视野范围内看似移动的物体，这是对人类驾驶员的模仿——后者能及时注意到即将进入汽车所行驶的道路的障碍物。Quanergy系统被设计为能在没有机械移动的情况下做到这一点，并且每秒采样大约100万个数据点——这与64线旋转激光雷达的速度相当，却能显著降低成本。它另一个优势是更容易被集成在反光镜和保险杠等其他汽车部件上。

另外，更大和功率更高的系统也正在开发中，它可以从在3万英尺高度飞行的飞机上对地面成像，其分辨率足以能够看到地面上的车辆。虽然这些系统的市场需求更小，且成本更高，但其发展将继续降低传感器技术的整体成本。

挑战

1、材质

由于激光雷达基于对激光脉冲返回传感器所需时间的测量，因此高反射率的表面会带来问题。大多数材料从微观水平上看表面粗糙，并且向所有方向散射光；这类散射光的一小部分返回到传感器，并且足以产生距离数据。然而，如果表面反射率非常高，光就会向远离传感器的方向散射，那么这一区域的点云就会不完整。

2、环境

空气中的环境也可以对激光雷达读数造成影响。记录显示，大雾和大雨会减弱发射的激光脉冲而对激光雷达造成影响。为了解决这些问题，较大功率的激光器投入使用，但它对于较小的、移动或对功率敏感的应用来说并不是一个好的解决方案。

3、行驶速度

激光雷达系统面临的另一个挑战是旋转时的刷新率相对较慢。系统的刷新速率受复杂的光学器件旋转速度的限制。激光雷达系统最快的旋转速率大约是10Hz，这限制了数据流的刷新速率。当传感器旋转时，以60英里/小时行驶的汽车在1/10秒内行进8.8英尺，因此传感器对于在汽车驶过期间在这8.8英尺内发生的变化基本上是看不清的。更重要的是，激光雷达覆盖的范围（在完美条件下）为100-120米，这对于以60英里/小时行驶的汽车来说仅相当于不到4.5秒的行驶时间。

4、成本

也许对于激光雷达来说，高昂的设备成本是它需要克服的最大挑战。尽管自该技术得到应用以来其成本已大幅降低，但仍然是它被大范围采用的一个重要障碍。对于主流汽车工业来说，一个价值2万美元的传感器将无法被市场接受。伊隆·马斯克说：“我不认为它对于汽车的发展是有意义的，我认为它不是必须的。”

5、属性识别

虽然我们将激光雷达视为计算机视觉的一个组件，但点云却是完全基于几何呈现的。相反，人眼除了形状之外还能识别物体的其他物理属性，比如颜色和纹理。现在的激光雷达系统不能区分纸袋和岩石之间的差别，而这本应是传感器理解和试图避开障碍物时考虑的因素。

6、黑客攻击

激光雷达发出去的激光本身是没有编码的。所以接收器自己本身是没办法识别到底这束光线是它隔壁发射器发射出去的还是干扰信号。黑客攻击指的是采取模拟车辆、行人的信号，反馈给激光雷达造成周围存在障碍物假象的攻击手法。最终会导致汽车被强制减速或者刹车。

对激光雷达厂商而言，可以从两个角度去抵御黑客的攻击：如提高激光发射频率，高速激光发射频率在几个微秒，黑客的模拟信号就很难选择什么时候去发射干扰信号为接收器接收。另外，通过算法做一些错误判断，参考之前几频数据过滤掉干扰数据。

激光雷达只是用于给计算机提供物理环境数据的众多传感器之一，但是生成的数据是计算机最容易理解的，并且它也将变得更便宜。Velodyne销售和市场总监Wolfgang Juchmann称，激光雷达的成本在过去7年里下降了10倍。得益于成本的降低，我们将不断看到新的潜在应用领域。