【光电智造】自动驾驶激光雷达：原理、类型与应用梳理

3.激光雷达种类

传统机械扫描; AT128，有机械结构，体积比较大。

使用机械部件旋转来改变发射角度，水平360度扫描

EE了激光器堆叠工艺复杂，体积过大，垂直线数受限，难以通过

MEMS(Micro‐Electro‐Mechanical System) 半固态激光雷达

MEMS在硅基芯片上集成了体积十分精巧的微振镜，其核心结构是尺寸很小的悬臂梁——通过控制微小的镜面平动和扭转往复运动，将激光管反射到不同的角度完成扫描，而激光发生器本身固定不动。

优点：运动部件减少，体积小，成本相对较低。

缺点：MEMS可转角受限，限制扫描视野，存在成像拼接的问题

FLASH 泛光面阵式, 纯固态激光雷达,

FLASH工作原理类似于摄像头, 只不过摄像头是被动接受光信息, 而FLASH是主动发射面激光并接受反射激光， Flash激光雷达的成像原理是发射大面积激光一次照亮整个场景，然后使用多个传感器接收检测和反射光。但最大的问题是这种工作模式需

要非常高的激光功率。而在体积限制下，Flash激光雷达的功率密度不能很高。因此Flash激光雷达由于功率密度的限制，无法考虑三个参数：视场角、检测距离和分辨率，即如果检测距离较远，则需要牺牲视场角或分辨率；如果需要高分辨率，则需要牺牲视场角或检测距离。

OPA(Optical Phased Array) 光学相控阵，全固态激光雷达;

光学相控阵技术的原理是利用光源相干技术实现光线角度偏转，从而达到扫描测距的目的。OPA激光雷达发射的是光，而光和电磁波一样也表现出波的特性。波与波之间会产生干

涉现象，通过控制相控阵雷达平面阵列各个阵元的电流相位，利用相位差可以让不同的位置的波源会产生干涉（类似的是两圈水波

相互叠加后，有的方向会相互抵消，有的会相互增强），从而指向特定的方向，往复控制便得以实现扫描效果。

优点：OPA是纯固态器件，无需要活动的机械结构，

缺点：激光雷达对激光调试、信号处理的运算力要求很高。

前沿性探索阶段

4.自动驾驶感知传感器

下图是传感器感知的视野图，从图中可以看到，传感器的视野比人的视野更加宽广深远且盲区更小，基本能够涵盖车辆360度范围。
感知主要的传感器：Lidar、Radar(长距、短距)、Camera。

视觉传感器一般用于障碍物、车道线、交通灯检测、目标检测和跟踪功能。基本原理是首先获取图像并将图片转化为二维数据，然后通过深度学习方法做目标识别，再根据相机的内外参计算目标物体和主车的相对距离和相对速度。毫米波雷达主要用于目标检测、换道辅助、自适应巡航控制、停车辅助等，激光雷达一般应用于障碍物检测、定位等。

激光雷达检测用于 3D 目标检测，它的输入是激光雷达点云，输出为检测到的物体的类型和坐标。

pointcloud_preprocess：点云预处理模块对输出的点云数据进行预处理。删除超值点、太远的点、扫描到自身车辆上的点、太高的点。

pointcloud_map_based_roi：过滤  ROI 之外的点云。感兴趣区域 (ROI) 指定可行驶区域，包括从高精地图检索到的路面和路口。HDMap ROI 过滤器处理 ROI  外部的lidar点，去除背景物体，例如道路周围的建筑物和树木。剩下的就是ROI中的点云以供后续处理。给定HDMap，每个 LiDAR  点的隶属关系指示它是在 ROI 内部还是外部。

pointcloud_ground_detection：点云地面检测，检测地面点，并保存所有非地面点的索引。

lidar_detection：基于点云进行3D物体检测，并输出检测到的物体的位置、大小和方向。Apollo提供了4种激光雷达检测模型：centerpoint、maskpillars、pointpillars、cnnseg。

lidar_detection_filter：根据对象属性、车道线、ROI 等过滤前景和背景对象。

lidar_tracking：跟踪模块用于跟踪障碍物的运动轨迹，更新障碍物的运动状态和几何形状，并分配跟踪id。

multi_sensor_fusion ：多传感器融合模块融合Lidar、Camera、Radar多个传感器的输出结果，使检测结果更加可靠。该模块采用后处理技术，采用的算法是概率融合

5.1 pointcloud_preprocess

点云预处理模块对点云做过滤，删除异常的、感知不需要的点云。

删除空值，超限值点云；

删除过远（超过1000m）的点云；

删除过高的点云；

点云转化到主车自身坐标系，删除扫描到主车身上的点云。

5.2 pointcloud_map_based_roi

点云基于地图计算兴趣区域（roi，region of interest），根据高精度地图的road和junction边界判断点云是否在高精度地图内，获得

在高精地图内的点的索引。

下图是基于地图roi过滤的效果图。红色的是roi内的点云，白色的是roi外的点云。

5.3 pointcloud_ground_detection

地面点检测功能是检测出地面点，获得所有非地面点的索引，即non_ground_indices。

下图是地面点云检测的示例图，红色的点云是非地面点云，白色的是地面点云。分割出地面点云后，去除前景目标点云。然后用

剩余的非地面点云做聚类，检测当前场景下的所有目标，保证自动驾驶的安全性。

5.4 lidar_detection

检测模型完成目标检测功能，获得目标的如下结果：cx, cy, cz, length, width, height, heading, type

其中，(cx, cy, cz)是中心点，(length, width, height)是长宽高，heading是朝向，type是目标类别。示例如下

除了获取目标，还根据目标的3d bounding box，得到每个目标的所有点云。

5.5 lidar_detection_filter

完成激光雷达目标检测后，对检测目标做过滤。object_filter_bank可以同时使用多个过滤器，针对roi_boundary_filter做介绍，

roi_boundary_filter只用来处理前景目标（即妨碍车辆行驶的目标）。roi_boundary_filter过滤规则如下图。

5.6 lidar_tracking

多目标跟踪，获取目标运动的历史轨迹，得到更加稳定的朝向、速度、位置等信息，得到跟踪id。多目标跟踪的结果可进一步用于障碍物轨迹预测。

detections 来自最新检测的结果，tracks 表示历史的匹配结果。Match 是目标匹配算法，最终得到三种匹配结果：

unassigned tracks：历史的目标没有和最新的检测结果匹配上，这种情况会更新历史 tracks，并删除过老的 tracks

assignment：表示已经匹配上，根据dets和tracks更新tracks。

unassignement detections：最新检测的结果没有匹配上，添加到历史tracks中。这时会赋予一个新的track‐id。