激光雷達在無人駕駛汽車中的應用

白巧花

當今，人類文明的進程在不斷加快，毫無疑問，21世紀將是人工智能的天下，而無人駕駛汽車就是人工智能皇冠上的明珠，無人駕駛已成為未來最值得期待的汽車技術之一，世界級IT企業和汽車巨頭都在加速布局無人駕駛戰略，力圖在未來數百億的無人駕駛市場中分一塊蛋糕。

1 雷達是無人駕駛汽車的眼睛

汽車要實現無人駕駛，就跟人走路一樣，必須通過眼睛來感知外界的信息，通過大腦來控制我們雙腿該怎么走。眼睛之于汽車，可以是攝像頭、普通雷達、激光雷達。大腦之于汽車，那就是芯片了，它會根據“眼睛”所看到情景，通過嚴密的計算，也可以結合例如地圖等數據庫，最終控制車輪該怎么走。在這些“眼睛”之中：攝像頭精度高、可見范圍遠，但是害怕霧雨天；普通雷是以微波和毫米波段的電磁波作為載波，不怕霧雨天，但是精度低、可見范圍短。而激光雷達正好結合以上兩者的優點，它以光波波段電池輻射，波長比微波和毫米波短得多，因此，不僅精度高、可見范圍遠，也不怕霧雨天，自然成為無人駕駛汽車的首選。

據國外調研機構的分析預測，2015年全球汽車激光雷達市場規模約為六千兩百萬美元，預計2020年全球市場規模將達到2.7億美元左右，2017～2020年將以34%年復合成長率增長。

2 激光雷達的發展對無人駕駛汽車的影響

激光雷達能否大規模運用在無人駕駛汽車，主要取決于成本和效果。如果低成本的激光雷達方案能達到汽車業界期望的效果，將極大地推動無人駕駛汽車上市進度。目前，除了美國Velodyne公司，一些較為成規模也在做激光雷達的公司，以及一些處于創業階段公司都在為尋求降低激光雷達成本，而努力奮斗中。目前降低激光雷達成本的基本方向是，讓激光雷達從“機械式”往“固態式”的路線走。

3 激光雷達的原理與結構

與雷達原理相似，激光雷達使用的技術是飛行時間（TOF， Time of Flight）。具體而言，就是根據激光遇到障礙物后的折返時間，計算目標與自己的相對距離。激光光束可以準確測量視場中物體輪廓邊沿與設備間的相對距離，這些輪廓信息組成所謂的點云并繪制出3D環境地圖，精度可達到厘米級別，從而提高測量精度。

在ADAS系統中，激光雷達通過透鏡、激光發射及接收裝置，基于TOF飛行時間原理獲得目標物體位置、移動速度等特征數據并將其傳輸給數據處理器；同時，汽車的速度、加速度、方向等特征數據也將通過CAN總線傳輸到數據處理器；數據處理器對目標物體及汽車本身的信息數據進行綜合處理并根據處理結果發出相應的被動警告指令或主動控制指令，以此實現輔助駕駛功能。

4 機械雷達與固態雷達

激光雷達包括機械激光雷達和固態激光雷達。

機械激光雷達帶有控制激光發射角度的旋轉部件，而固態激光雷達則依靠電子部件來控制激光發射角度，無需機械旋轉部件。

由于內部結構有所差別，兩種激光雷達的體積大小也不盡相同。機械激光雷達體積較大、價格昂貴、測量精度相對較高，一般置于汽車外部。固態激光雷達尺寸較小、性價比較高、測量精度相對低一些，但可隱藏于汽車車體內，不會破壞外形美觀。

激光雷達的固態化、小型化、低成本化將是大勢所趨。有了低成本高精度的激光雷達，我們將會向無人駕駛的量產邁出一大步。

5 激光雷達在無人駕駛汽車上的基本運用

二維激光雷達和三維激光雷達在無人駕駛車輛上得到了廣泛應用。與三維測距雷達相比，二維激光雷達只在一個平面上掃描，結構簡單、測距速度快、系統穩定可靠，但是將二維激光雷達用于地形復雜、路面高低不平的環境時，無法完成地形的重建工作，且容易出現數據失真和虛報等現象；而三維激光雷達則可以獲得車輛環境的深度信息，準確發現障礙物，構建可行駛區域，在豐富的點云數據上可獲得包括車道、路沿等道路要素，還可獲得非結構化道路的障礙物和可行駛區域，行駛環境中行人和車輛，交通信號燈和交通標志等其他豐富信息。

1）動靜態障礙物檢測與分類

障礙物檢測時無人駕駛汽車自主導航的基本前提和安全保障。對于靜態障礙物，無人車需要通過激光雷達準確獲取障礙物的位置、寬度、長度、高度等信息以便進行防碰撞、避障等動作；對于動態障礙物，無人車需要通過激光雷達獲取障礙物的橫縱向移動速度、位置、長寬高、類別等信息，無人車可以基于移動障礙物的信息進行合理的動作規劃。

2）道路邊緣檢測與道路特征識別

道路邊緣檢測可以讓無人車更合理的規劃當前路徑的可行駛區域，在GPS導航失效時保障無人車繼續行駛；同時，不同顏色的道路區域反射率不同，基于此，激光雷達可以利用反射率進行車道線檢測；對于多線激光雷達，無人車可以利用每條線之間的關系進行坡度檢測。

3）激光雷達用于地圖構建和定位

在自主駕駛過程中需要一個厘米級的高精度地圖，結合環境模型和傳感器場景和交通狀況感知，最后進行駕駛決策。這其中，激光雷達起到了地圖采集、環境感知和輔助定位等功能。

通過采用激光雷達多次行駛獲取道路的三維點云數據，進行人工標注，過濾一些點云圖中的錯誤信息，對多次收集的點云數據進行對齊拼接最終形成高清地圖。所建立路面模型包含較全的交通標志和交通信號燈，車道線位置、數量和寬度等，道路坡度和斜率等，還包括車道限高、下水道口、障礙物以及其他道路細節。既提供當前道路的靜態環境模型，也可以通過預先存儲的點云和圖像特征數據來提供高精度定位。

參考文獻

[1]董輝. 谷歌無人駕駛汽車裝用的雷達傳感器 [J].汽車電器，2017（6）

[2]王世峰 戴祥. 無人駕駛汽車環境感知技術綜述.[J].長春理工大學學報（自然科學版） ， 2017，40（1）endprint