車載激光雷達發展研究綜述

程 川，宋春華，王 鵬

（西華大學 機械工程學院，四川 成都 611700）

0 引言

隨著人工智能技術的發展，科幻電影中的自動駕駛已成為一種現實。自動駕駛技術不僅能提高公路行駛安全，還可緩解城市交通擁堵，與當下共享經濟結合，更可減少環境污染和用車成本。傳統車企和科技公司，都非常重視自動駕駛相關技術的研發[1]。傳感器是自動駕駛汽車的眼睛。實現真正的無人駕駛，汽車上必須安裝多種感知環境的傳感器，幫助車體完整感知周遭環境。

自動駕駛汽車的車輛導航感知系統由攝像頭、毫米波雷達和激光雷達組成。激光雷達是一種通過發射激光，并接收返回激光，從而感知周圍環境的傳感器。其具有結構簡單、功耗低、抗干擾能力強、精度高等特點，在自動駕駛技術中具有重要地位[2]。2007 年DARPA Grand Challenge 展示了激光雷達感知系統的巨大潛力；冠亞季軍都配備了多個激光雷達，其中冠軍和亞軍都采用了64 線激光雷達。目前，高端自動駕駛汽車使用激光雷達作為其感知系統的一部分，其成本較高、穩定性較差。2010 年Google 無人駕駛汽車配備激光雷達在加州道路上試行，到2018 年寶馬7 系配備五顆固態激光雷達在上海地區開啟了面向L4 級（等級分類見表1[3]）的路試。從低端汽車到高端汽車，都配備了激光雷達，多家企業為自動駕駛車輛開發了獨特的激光雷達系統。另一方面，激光雷達的算法也進入快速發展的軌道。車輛的感知系統使用激光雷達時，激光雷達具備語義描述、語義分割、預測的功用（表2）。激光雷達擅長目標識別，獲得語義信息不如相機，但能提供高精度的測距信息。相機在測距方面性能較差，激光雷達在識別方面性能較差，激光雷達通常與相機相互配合使用。激光雷達精確的距離信息和語義信息以及地圖信息，是車輛自動駕駛不可缺少的器件。未來以激光雷達為中心，配合適應算法的感知系統將會更成熟，新興的深度學習方法正在加速改變這個領域。本文綜述了激光雷達原理、關鍵部件以及研究現狀，闡述了車載激光雷達各關鍵部件現狀以及未來研發方向；針對激光雷達感知環境信息，綜述了感知系統的算法，未來將繼續優化算法，直到開發出一種適用于激光雷達的算法，并且未來深度學習在提供語義信息方面具有非凡的潛力。

表1 國際汽車工程學會（SAE）提出自動駕駛分級方案

表2 車輛感知系統三個方面信息

1 激光雷達技術

傳統激光雷達通過獨特的波束控制系統來實現一束或多束激光掃描其視場角（Field of View，FoV）。激光二極管產生激光束，激光束經物體反射回到接收系統，返回的信號被光電探測器接收，經電子設備的濾波，并檢測發送和接收信號之間的差異，此差異與被測距離成正相關，距離檢測正是通過此差異來實現[4]。

激光雷達系統分為激光測距系統和掃描系統。激光測距系統包括：激光發射器、光電探測器、光學器件、信號處理電子設備。激光發射器中主要影響因素是激光波長；光電探測器中主要影響因素是光敏二極管；掃描系統主要影響因素是掃描機構的旋轉方式。

1.1 激光測距原理

激光測距系統按照測距方法可以分為飛行時間法（Time of Flight，ToF）測距法、基于相干探測的FMCW 測距法以及三角測距法等。飛行時間法激光雷達通過測量激光飛行時間，計算出距離，稱為直接檢測激光測距儀；調頻連續波激光雷達是通過多普勒效應，間接測量距離和速度，稱為相干探測激光測距儀[5]；三角測距法則通過相似三角形的原理，測算出物體的距離，三種測距方法原理如圖1 所示。3 種不同測距原理比較（表3）。

圖1 三種測距方法原理

表3 三種不同測距原理比較

ToF 測距技術目前發展成熟，商用激光雷達基本都采用此技術。相比于三角測距法，ToF 測距具有測量距離遠、采樣率高、響應速度快和探測精度高等優勢；三角測距法具有成本低和近距離探測精度高等優勢。FMCW 測距法在理論上發展成熟，在實際應用中不如ToF 測距技術，其復雜的電路系統設計，體積大，高質量激光光源使得FMCW 測距法在車載激光雷達應用受到阻礙；但是FMCW 測距法具有極強抗干擾能力、較長探測距離、兼容固態掃描并能測量速度信息，FMCW 測距法具有光明應用前景[6]。

1.2 激光波長

選擇合適的激光波長需要考慮大氣環境、人眼安全和成本。850 ～ 950 nm 的近紅外和1550 nm 短波紅外具有較好的穿透性和抗干擾性，普遍在工業場所使用。市場上很容易購買到低廉、峰值功率較大，波長在850 ～ 950 nm 和1550 nm 的二極管激光器和光纖激光器。

激光雷達在惡劣天氣情況下表現都較差。根據激光雷達回波功率式1[7]，惡劣天氣情況下增加了傳輸損耗（Tr），并削弱了物體的反射率（β），從而使得接收到的能量變小。激光發射器發射波長較長的激光，獲得較大的回波功率（Pr），長波的激光雷達在惡劣天氣情況下具有較好的性能。簡單地增加激光波長，無法滿足眼睛安全標準。為了克服這個問題，在復雜環境下使用毫米波雷達等技術來暫時性替代激光雷達，或提升光電探測器和使用更先進的信號處理算法等來提高整體效率。

1.3 光電探測器

光電探測器利用光電效應將光能轉為電能。核心元件是光敏元件，它描述了光電探測器在接收光子時，其電阻值的變化。激光雷達系統光電探測器選擇與激光波長密切相關，其光敏元件的光敏性主要取決于光的波長。常見的光電探測器有半導體光電二極管、雪崩光電二極管（Avalanche Photon Diode，APD）、單光子雪崩光電二極管（Single Photon Avalanche Diode，SPAD）、硅光電倍增管（Silicon Photon Multiplier，SiPM），具體性能見表4。

表4 光電探測器類別

APD 光電二極管通過雪崩效應增加反向電壓以倍增光電流，與半導體二極管相比，提高激光接收能力和內部電流增益以及信噪比，并且硅基和銦鎵砷APD 對可見光譜區域也更為敏感，成本也會更高。隨著APD 接收激光能力增加，也會增加噪聲。SPAD 在蓋革模式下會獲得較高的增益、靈敏度和低誤碼率，使得SAPD 能檢測到遠距離極弱的光。SiPM 基于SPAD 并支持光子計數，克服了單個SPAD 不能同時測量多個光子的不足，SiPM 集成了密集的SPAD。SiPM 攜帶超高速輸出信號和高光子檢測效率，且噪聲小，溫敏小。

1.4 激光掃描機構

激光掃描機構旨在使發射的激光能快速探測大面積區域。現有的掃描方式有機械旋轉和固態兩種。機械式激光雷達帶有控制激光發射角度的旋轉部件；固態式激光雷達則無需機械旋轉部件，主要依靠電子部件來控制激光發射角度。固態式激光雷達通過光學相控陣列、光子集成電路以及遠場輻射方向圖等電子部件代替機械轉部件，實現發射激光角度的調整，具體性能見表5。

表5 按掃描機構分類的激光雷達系統

目前，車規級激光雷達的掃描機構以機械旋轉式為主，能實現垂直和水平360°視場角（Field of View，FoV），具有高信噪比和寬視場的優勢，但旋轉機構相對車輛內部來說體積較大，測量精度受車輛振動影響較大。MEMS 取消了傳統機械旋轉結構，部件集成到單個芯片上，具有小體積、高工作頻率等優勢，在成熟集成電路的背景下，這種近乎固態的技術很有前景。OPA 和Flash 是真正的固態激光雷達，完全取消旋轉機構減小振動，OPA 采用CMOS 硅生產工藝支持大規模生產，盡管OPA 被認為是一項很有前途的技術，目前還沒有商業化。Flash 激光雷達類似于相機，空間分辨率取決于相機的分辨率；Flash 能測量視場角內所有目標，避免平臺引起的運動補償問題，其關鍵問題是探測距離較近（通常小于100 m），容易受到其它不相干光的干擾。

2 自動駕駛汽車激光雷達現狀

機械旋轉式激光雷達是第一款車規級的激光雷達。2017 年，奧迪發布的A8 豪華轎車，使用了Valeo集團的SCALA 激光雷達用于實現L3 自動駕駛，這是全球首款商用機械激光雷達；2018 年，Innoviz 宣布與麥格納達成合作，為寶馬提供L3 級自動駕駛的InnovizOne 固態激光雷達。為了擴大激光雷達的最大探測范圍，采用了單光子探測模式（蓋革模式）下的SPAD 陣列。Ouster 公司生產的OS1-64 激光雷達，采用基于互補金屬氧化物半導體（Complementary Metal Oxide Semiconductor，CMOS）的SPAD 來檢測VCSEL陣列發射的850 nm 激光。豐田中央研發實驗室制造了基于CMOS 的SPAD 陣列的激光雷達原型，這款激光雷達采用905 nm 激光。SensL 制造了一款采用SiPM 探測器的激光雷達原型，是一款極具商業價值的車規級激光雷達。國外機械式激光雷達具有獨特的優勢現已有達到商用級別，但由于效率低、體積大、成本高等因素，企業將會持續研發以SiPM 探測器為代表的固態激光雷達，未來固態式激光雷達會占據市場主導地位。

國內車規級激光雷達還在初步發展的階段，相關研究正逐年增加；國內激光雷達的相關研究以理論和實驗居多，自主產品在自動駕駛汽車的商業化仍在高速發展階段。北科天繪面向自動駕駛汽車研發了R-Fans 系列車載激光雷達，采用機械旋轉式掃描機構，實現360°全景掃描視場，具有較高的測距精度，是史上最小的32 線激光雷達；北科天繪C-Fans系列采用微機電系統掃描機構，可以嵌入車身，使得激光雷達與車身融為一體。禾賽科技與國內多家互聯網頭部企業合作，為其提供車規級的固態激光雷達，其QT 系列產品采用VCSEL 加單光子探測器，以及正在研發FMCW 激光雷達樣機系統和VCSEL 及單光子器件專用芯片，以增強可靠性和降低成本，實現關鍵元器件的自主可控。國內自主研發的激光雷達主要以固態激光雷達的理論和實驗為主，未來以FMCW為原理的固態激光雷達在商用層面有望國際領先。

3 激光雷達感知系統

自動駕駛車輛的感知系統將環境感知分為傳感器輸出點云數據、定位數據和地圖數據三方面的描述。如圖2 所示是激光雷達處理數據的流程。近年來隨著深度學習的發展，感知系統的流程也發生了改變。

物體檢測算法提取物體和物理信息，即檢測物體的位置和輪廓。在絕大多數情況下，物體都是垂直于地面，所以檢測算法常通過地面濾波將點云數據標記為地面或非地面，然后使用聚類將非地面點分到不同的目標中。深度學習在物體檢測中主要依靠算法輸出多個3D 邊界框與人工標注的數據進行對比，若重合度達到一定的閾值則被認為是成功的檢測。文獻[8]將3D 點云轉換到與圖像相似的正視圖，用R-CNN、YOLO 檢測物體圖像上目標，此種方法存在多個點可能被投影圖像的同一坐標，造成信息丟失且對3D 信息提取較為困難。文獻[9]提出將3D 點云同時投影到兩張圖，本質上是點云投影成圖像，仍存在信息丟失。由于點云稀疏性和無規則性。文獻[10]提出體素化檢測方法，體素化后的數據有利于進行空間卷積，提取多尺度、多層次的特征信息。文獻[10]量化之后，中間層3D 卷積運算量較大，運行速度較慢，實時性較低，文獻[11]則有效地解決此類問題。

基于機器學習的目標識別為自動駕駛車輛系統提供行人、車輛、樹木、建筑等信息。傳統的目標識別過程包括：特征提取、模型訓練和目標分類，其中，目標分類主要是根據提取的特征來進行預測分類。特征提取大致可分兩類：一類是整個目標的全局特征提取，代表某個目標的特點；另一類是每個點的局部特征提取，代表圖像局部特點。在3D 點云中應用主成分分析（Principal Component Analysis，PCA）是一種獲取全局形狀特征的方法。文獻[12]通過PCA 獲得三個全局特征值。文獻[13]描述一個全局傅里葉直方圖描述符，但計算量較大，實時性較低。特征提取后的目標分類屬于機器學習中監督學習過程，即由數據集訓練的分類器進行預測分類輸入目標的類別。常見的機器學習工具有：支持向量機（Support Vector Machine，SVM）、樸素貝葉斯分類算法等，其中具有徑向基函數的SVM 具有高速、高準確率，其應用廣泛。

移動目標跟蹤也稱為多目標跟蹤，主要是跟蹤自動駕駛車輛周圍移動障礙物的姿勢、軌跡、速度等，算法通過時空一致性關聯和定位檢測識別的目標。多目標跟蹤按設計方法分為：基于檢測的跟蹤和融合檢測的跟蹤，前者占據多目標跟蹤的大多數，其步驟可分為：狀態預測、數據關聯、狀態更新；文獻[14]使用恒定速度模型的卡爾曼濾波器（Kalman Filteri，KF）來跟蹤激光雷達檢測，只能跟蹤單個目標；IMM 濾波器采用多個KF 并行處理，每個KF 使用不同的運動模型進行多目標追蹤。2017 年DARPA 挑戰賽首次應用粒子濾波器（Particle Filter，PF），PF 用于不滿足高斯線性假設的情況，因此KF 系列在感知系統中應用更多。

目標檢測、目標識別和多目標追蹤提供了自動駕駛車輛過去和當前的狀態信息，盡管自動駕駛系統可以依據這些信息能做出下一步的決策和路徑規劃，但由于模型和算法的理想化，不適用于長期預測，深度學習方法應用解決了這個缺點。文獻[15]通過變分高斯混合模型預測了車輛的運動。隨著遞歸神經網絡在時間序列數據建模上的應用，基于長短期記憶網絡（Long Short-Term Memory，LSTM）使用的越來越多，文獻[16]在十字路口使用LSTM 對自動駕駛車輛進行仿真建模，其預測結果優于傳統機器學習。激光雷達雖然目標檢測和識別方面精確度高，但檢測和識別行人的精度較低。文獻[17]提出一種基于檢測的多目標跟蹤深度學習模型，通過處理點云數據生成檢測目標，然后通過數據關聯實現軌跡預測。

深度學習在激光雷達數據處理方面具有重大意義。深度學習是機器學習的一個分支，主要是使用多層神經網絡，相比于SVM 等傳統機器學習，深度學習可以自動獲取輸入數據的特征。感知系統中地面分割、目標檢測和追蹤都能通過深度學習模型來實現。

4 未來發展

綜上所述，目前車載激光雷達面臨以下問題：（1）激光雷達成本較高；（2）國際安全標準限制了波長的使用；（3）有限的探測距離；（4）惡劣的天氣條件影響激光雷達性能；（5）體積較大，集成度較低。這些問題從激光光源波長、激光掃描機構、測距原理都可得到一定程度的解決，激光雷達正在走出實驗室，走向自動駕駛汽車市場，未來固態激光雷達將會占領市場。激光雷達相比于相機，能精準的測距距離，但目標識別不如相機精準，特別是對行人的識別，與相機配合使用即可彌補這方面的缺陷；多傳感器融合使用亦是未來發展方向之一。

激光雷達數據中應用深度學習是未來重要方向，面臨的主要問題是點云數據缺乏標注。這一問題也正向好的方向發展，KITTI 數據集、nuScenes 數據集、SemanticPOSS 數據集有大量已標注數據集。未來從點云數據獲取更精確目標信息和提高目標追蹤能力的算法是一主要方向。隨著激光雷達的快速發展，適用于特定激光雷達的新算法也會出現。