激光雷達在智能汽車上的應用

摘 要：隨著汽車制造業和智能技術的迅猛發展，智能汽車將主導汽車市場，文章主要分析激光雷達在智能汽車上的作用。

關鍵詞：障礙物預測;跟蹤和識別;建圖;匹配定位

0 ? 引言

節能環保、新能源汽車、智能汽車成為我國汽車發展方向，智能汽車主要是發展自主式智能汽車和網聯式智能汽車。自主式智能汽車和網聯式智能汽車要實現上述功能只裝配普通微波雷達是不能實現的，要實現上述功能，激光雷達是自主式智能汽車和網聯式智能汽車電氣系統控制系統中必不可少的元件。

1 激光雷達在智能汽車上的作用

1.1? 掃描式激光雷達

目前能在智能汽車上使用的掃描式激光雷達有機械式旋轉激光雷達、微機電系統掃描式雷達和相控陣激光雷達。

機械式旋轉激光雷達（發射、接收、共軸旋轉的激光雷達）是目前比較成熟的，已有無人駕駛概念汽車試用機械式旋轉激光雷達裝置。

基于微機電系統的掃描式雷達目前屬于技術研究狀態，它的原理是通過微機電系統掃描鏡來改變光路。

相控陣激光雷達是通過逐點掃描的方式，即通過多個小天線之間發射的激光的發射相位來改變光路而實現的。

1.2? 面陣式激光雷達

面陣式激光雷達發射的就是一個面陣的光，主要問題在于探測距離較近。

2 激光雷達在智能汽車上工作過程

2.1 飛行時間測量物體的距離

在飛行時間ToF LiDAR中，激光發出持續時間為τ的光脈沖，在發射的瞬間激活計時電路內部時鐘。從目標反射的光脈沖到達光電探測器時，會產生一種使時鐘失效的輸出電信號。這種電子測量往返ToFΔt可計算出目標到反射點的距離R。

若現實中激光和光電探測器位于同一位置，其距離R是由以下兩個因素影響：

c為光在真空中的速度，n為傳播介質的折射率（空氣中折射率接近1）。這兩個因素影響著距離分辨率ΔR：若激光點的直徑大于要解析的目標大小，則測量Δt和脈沖的空間寬度w（w=cτ）的不確定性為δΔt。

在典型汽車LiDAR系統中，激光產生的脈沖持續時間約為4 ns，因此最小光束發散角是必需的。

2.2 汽車激光雷達系統光的波長選擇

對汽車激光雷達系統設計者來說，最關鍵的就是選擇光的波長。目前最受歡迎的兩種波長是905 nm和1 550 nm，對于汽車LiDAR來說，由于天氣條件和反射表面類型可能性眾多，這是一個復雜的問題。在現實的環境中，由于1 550 nm的吸水率比905 nm的更強，其實905 nm的光損失更少。

3 激光雷達應用在智能汽車上的功能

3.1 分割和識別功能

分割器采用了caffe框架的深度完全卷積神經網絡（FCNN）對障礙物進行分割，有以下4步。

3.1.1 通道特征提取

計算以LiDar傳感器某一范圍內的各個單元格中與點有關的8個統計量，將其作為通道特征輸入到卷積神經網絡（FCNN）。

3.1.2 基于卷積神經網絡的障礙物預測

（1）卷積神經網絡的障礙物預測是智能汽車激光雷達感知的重要環節。完全卷積神經網絡由3層構成：下游編碼層（特征編碼器）、上游解碼層（特征解碼器）、障礙物屬性預測層（預測器）。

（2）特征編碼器將通道特征圖像作為輸入，并且隨著特征抽取的增加而連續下采樣其空間分辨率。然后特征解碼器逐漸對特征圖像上采樣到輸入2D網格的空間分辨率，可以恢復特征圖像的空間細節，以促進單元格方向的障礙物位置、速度屬性預測。根據具有非線性激活（即ReLu）層的堆疊卷積/分散層來實現下采樣和上采樣操作[1]。

（3）基于FCNN的預測，輸出每個單元格的4個預測信息，分別用于之后的障礙物聚類和后期處理（見表1）。

（4）障礙物集群（cluster2D）。基于單元格中心偏移預測構建有向圖，采用壓縮的聯合查找算法（Union Find algorithm）基于對象性預測有效查找連接組件。

（5）構建障礙物集群（見圖1）。（a）a圖中箭頭表示每個單元格對象中心偏移預測;陰影填充部分對應于物體概率不小于0.5的對象單元。（b）b圖中固體多邊形內的單元格組成候選對象集群。

（6）后期處理。聚類后獲得一組包括若干單元格的候選對象集，每個候選對象集包括若干單元格。根據每個候選群體的檢測置信度分數和物體高度，來確定最終輸出的障礙物集群/分類。分類包括：小機動車、大機動車、非機動車和行人。

（7）障礙物邊框檢測。邊界框的主要目的還是預估障礙物（例如車輛）的邊界和方向。同樣地，邊框也用于可視化障礙物。

3.2 障礙物追蹤

3.2.1 數據關聯

找出當前對象和歷史軌跡的一一對應關系。基于匈牙利算法的過程是確定傳感器接收到的量測信息和目標源對應關系的過程，是多傳感多目標跟蹤系統最核心且最重要的過程。計算關聯距離時，要考慮5個關聯特征（見表2），用以評估對象和軌跡的運動及外觀一致性，并為其分配了不同的權重[2]。

從表2可以看出，在計算關聯距離時，重點考慮的還是幾何距離和兩者的形狀相似度。計算得到類似的關聯距離矩陣后，使用匈牙利算法將對象與軌跡做匹配。

3.2.2 跟蹤動態預估

估計當前軌跡的速度。使用卡爾曼濾波來對軌跡的狀態進行估計，使用魯棒統計技術來剔除異常數據帶來的影響。

在一系列重復觀測中選擇速度測量，即濾波算法的輸入，包括錨點移位、邊界框中心偏移、邊界框角點移位等。冗余觀測將為濾波測量帶來額外的魯棒性。

卡爾曼更新的觀測值為速度。每次觀測3個速度值：錨點移位速度、邊界框中心偏移速度和邊界框角點位移速度。從3個速度中，根據運動的一致性，選出與之前觀測速度偏差最小的速度為最終的觀測值。根據最近3次的速度觀測值，計算出加速度的觀測值[3]。

3.3 激光雷達在智能汽車上定位功能

激光雷達在智能汽車上定位功能主要包括建圖和匹配定位兩個主要模塊：一是建圖：SLAM（Simultaneous Localization and Mapping），同步定位與地圖構建。二是匹配定位：通過當前點云和點云地圖進行匹配，可以完成定位。常用的方法有基于Delaunay三角剖分的曲面重建與基于區域生長法的曲面重建。

4 結語

本文主要對激光雷達在智能汽車上使用的優點進行了全面的闡述，對激光雷達在智能汽車上使用優勢、工作原理、分割、檢測、跟蹤和識別、建圖和匹配定位等方面進行技術分析，充分考慮到了智能汽車應具備遠近程環境感知、智能決策與自主控制功能，以及智能控制復雜的特點，激光雷達在智能汽車上使用，可保證新一代智能汽車安全、節能、舒適行駛。

[參考文獻]

[1]宛東，羅建，王洪廣. 車置新能源汽車光伏充電裝置：201820292245.X[P].2018-07-06.

[2]宛東，羅建，王洪廣，等.一種新能源汽車充電放電裝置：201810168792.1[P].2018-06-19.

[3]趙汗青，韓寶亮，王珂珂.基于擺動式單線激光雷達的障礙物檢測算法[J].裝甲兵工程學院學報，2010（4）：5.

（編輯 何 琳）

Application of LiDAR in intelligent vehicle

Wan Dong

（Liuzhou Railway Vocational and technical college， Liuzhou 545616， China）

Abstract：With the rapid development of automobile manufacturing industry and intelligent technology， intelligent vehicles will dominate the automobile market. This paper mainly analyzes the role of LiDAR in intelligent vehicles.

Key words：obstacle prediction; tracking and identification; mapping; matching positioning

基金項目：2021年度柳州鐵道職業技術學院課題項目;項目名稱：新型激光雷達（微機電系統式掃描式雷達）在智能無人駕駛汽車上的研究與應用;項目編號：2021KJB10。

作者簡介：宛東（1985— ），男，廣西三江人，副教授，學士;研究方向：汽車電氣與電子技術，新能源汽車技術。