自動駕駛新驅動力：點雲演算法如何釋放激光雷達威力？

雷鋒網按：從6月開始，新智駕聯合雷鋒網· AI慕課學院、網易雲課堂企業版舉辦了智能駕駛系列講座，邀請業界、學界頂尖專家一起分享關於自動駕駛現在與未來的多樣見解。

今年 7 月，「未來汽車大講堂」邀請速騰聚創創始人兼 CEO 邱純鑫分享主題為《自動駕駛新驅動力：點雲演算法如何釋放激光雷達威力》的課程。

新智駕對課程內容進行了整理（有刪減），更多本文詳細的內容與精彩問答，請點擊慕課查看（http://www.mooc.ai/course/106）。

嘉賓介紹

邱純鑫，哈爾濱工業大學控制科學方向博士，移動機器人環境感知技術專家。曾在 JFR(Journal of Field Robotics) 等國際頂級機器人刊物上發表多篇論文，完成過包括國家自然科學基金在內的多個機器人相關項目的研發工作；

2014 年邱純鑫創辦深圳速騰聚創 (RoboSense)，開發用於自動駕駛領域的高端激光雷達技術，目前該公司已經成為國內激光雷達技術領域的先行者。

激光雷達是自動駕駛不可或缺的感測器

2015 年，當時業界還在爭論：無人駕駛是該用激光雷達還是用攝像頭。到 2016 年，事情發生很大的轉變，尤其某汽車公司 Autopilot 致死事故之後，業內漸漸覺得激光雷達是非常重要的。

上圖是無人駕駛的偏演算法層的系統框架。從左邊看，這是一個感測器的輸入，如激光雷達、攝像頭、毫米波、GPS、編碼器和 IMU。這些感測器的數據輸入到系統的感知演算法里，對於這個感知演算法，我們會將這些數據進行處理分析，如何將靜態的物體分離出來，並如何識別、分類與跟蹤動態物體。

高精度地圖的獲取很大程度依賴激光雷達以及攝像頭。我們獲取高精度地圖後，結合 GPS 和 IMU、編碼器、實時感知環境的特徵，進行地圖匹配進行定位。對於路徑規劃和運動控制，最終是結合車輛的 CAN 匯流排，對車進行控制。

在感知方面，我們普遍使用的是激光雷達、攝像頭、毫米波雷達三個是作為感知外界物體的感測器。其中，激光雷達可以做物體的識別、分類、跟蹤，攝像頭也可以做物體的分類和跟蹤。毫米波雷達主要用於對物體障礙物識別。

毫米波雷達、攝像頭和激光雷達這三個感測器，有一些重合點。這是由感測器本身的性質決定，他們有各自不可或缺的功能。

毫米波雷達主要用還是在障礙物檢測；攝像頭很難得到三維物體的模型，包括它對於環境的干擾也比較依賴這個光照的影響，但攝像頭對物體分類和跟蹤是非常好的；激光雷達普遍用於定位、障礙物檢測、物體分類、動態物體跟蹤等應用。

我個人感覺在 2016 年之前，激光雷達行業的發展還是比較緩慢的。但現在來看，包括上游供應商和下遊客戶的緊迫需求，我們極力希望推動實現激光雷達降成本化、可量產化。

我把激光雷達目前分成兩類：掃描式激光雷達和非掃描式激光雷達。

1、掃描式激光雷達

機械式旋轉激光雷達（發射、接收、共軸旋轉的激光雷達），這是目前比較成熟的，在下游無人駕駛使用比較多的方案。比較有代表性的有 Velodyen、Ibeo，包括我們現在在量產的也是這種機械式的激光雷達。混合固態也是機械式旋轉類的激光雷達。

另外一種是 MEMS。基於 MEMS 的掃描式雷達目前屬於在研狀態，它的原理是通過 MEMS 掃描鏡來改變光路。

還有一種是相控陣激光雷達（OPA），其實也屬於掃描式激光雷達，因為它是通過逐點掃描的方式，即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。

2、非掃描式激光雷達

Flash LiDAR 是發掃描式激光雷達，發射的就是一個面陣的光，如瑞士的 Ledder Tech 研發就是 Flash liDAR 這類產品。

目前來看，其實行業現在的推動力挺大的，包括我們自己，主要的研發精力也放在固態激光雷達上。我相信很快大家能看到這種低成本的激光雷達，從研發、樣品到商用，可能會比原來預想的周期更快。因為不是一家激光雷達公司在努力，而是整個產業鏈都在努力。

點雲是在同一空間倡導系下表達目標空間分布和目標表面特性的海量點雲數據。

點雲數據生成設備可以由激光雷達或者深度相機產生。根據激光雷達得到的點雲，包括三維坐標（XYZ）和激光反射強度（Intensity）。

激光雷達在自動駕駛中的應用：定位

激光雷達在自動駕駛中的應用，最重要部分還是定位：位置確定了，無人車才知道要去哪裡、以及怎麼去。所以，確定「我在哪裡」是第一步，也是非常關鍵的一步。

現在定位用 RTK，差分 GPS ，也有用激光雷達或者視覺去做。但 RTK 還是會受信號的干擾。特別是在一些城市、建築和樹比較多的地方，以及進隧道、出隧道，它的信號容易中斷。

還有一個是基於視覺定位，它其實對於跟他視覺本身的特性有關，對環境的依賴比較強，比如逆光或雨雪天氣下，這種定位容易失效。

激光雷達的定位，我們通過 IMU、慣性導航系統、編碼器和 GPS，得到一個預測的全局位置。當激光雷達實時掃描單次的點雲數據後，我們會去結合單次的點雲數據進行匹配，並進行特徵提取。

這些特徵包括路沿、車道線等周圍點線面的特徵。對於高精度地圖，提取過特徵與實時提取的特徵進行匹配，最終得到精準的車本體速度，這是激光雷達的定位過程。

激光雷達的第二個應用：障礙物的檢測和分類。

對於障礙物檢測和分類來講，目前有應用視覺和激光雷達，這兩者並沒有衝突。激光雷達不依賴光照，它的視角是 360 度，計算量比較小，可以實時掃描，目前普遍用的是 100 毫秒以內的。激光雷達在掃描的過程中，先識別障礙物，知道這個障礙物在空間中的位置，再根據存在的障礙物做分類。

如上圖，我們先拿到一個原始點雲數據，對地面點進行提取，對非地面點進行障礙物分割。

比如車、人，我們將這些障礙物分割成為獨立的個體，通過分割出來獨立的個體再去匹配，從而進行障礙物的分類和物體的跟蹤。

簡單言之，我們先去除地面點，得到障礙物，分割出障礙物，然後把障礙物分割出來從而進行分類跟蹤。

而跟蹤的過程，首先是分割點雲，通過點雲做關聯目標，我們知道上一楨和下一楨是否屬於同一個物體，再進行目標跟蹤，輸出目標跟蹤信息。

激光雷達的應用現狀

今年 4 月份我們開始供貨，目前也了解到行業激光雷達在應用上現狀。

首先就是感測器缺乏，一方面是現在的激光雷達比較貴，供貨周期也非常長，能夠普遍用起激光雷達的公司並不多。而感測器的缺乏，解決方案的不成熟、點雲演算法人才積累太少，激光雷達無法發揮最大威力。

對於無人駕駛團隊，他們可能除了激光雷達的點雲演算法以外，還做攝像頭演算法、毫米波雷達演算法以及多感測器的融合，包括定位、路徑規劃、決策控制和改車等等。他們做的技術點非常多，無法聚焦，這導致他們被迫拉長戰線。

所以在今年 4 月，我們針對激光雷達的解決方案提出了普爾米修斯計劃。我們希望這個計劃的本質是一個負責開放共享的態度，加快整個無人駕駛商業化落地。

整個普羅米修斯計劃的模塊還是基於激光雷達能夠做什麼事來進行的，包括：定位、車道線檢測、路沿檢測、障礙物識別、障礙物分類與跟蹤的演算法模塊。

不管是低速車，園區車還是物流車或是在高速公路上行駛的車輛，我們都希望自己能夠貢獻出一份力量。

上圖是基於激光雷達車道線檢測和路沿檢測。基於激光雷達的車道線檢測還是比較不錯的，路面上車道線一般是白色和黃色兩種，所以我們提前把反射強度的方式先做出來，這樣激光雷達就很容易將提取車道線出來，不會因為白天和晚上受到干擾。

而路沿檢測可以根據路沿的幾何形狀來做一些訓練，現在路沿十幾厘米的高度都能夠提取出來。

我們可以看上圖的有半部分：紅色表示提取的車道線，淺色是提取的路沿，中間是虛線，兩邊是實線。這個準確性還是不錯的，包括路面的左轉、右轉這些指示也能做出來。如果後續有多幀迭代的話，其實效果會更好。

激光雷達做物體的跟蹤，相當於對每一個識別到的物體，都會計算，並且分割到底是自行車、卡車、行人還是私家車。

識別之後，除了我們知道自動駕駛本體車的速度以外，也可以跟蹤出前車的速度，以及前車距離本車的橫向和縱向距離。激光雷達輸出的已經不是原始點雲數據，還有每個障礙物空間的位置和分類，到底是哪種類型，以及速度信息。

激光雷達能做的事情有很多，包括定位、障礙物的檢測、分類和跟蹤、車道線的檢測、路沿檢測等等。在感知的工作里，激光雷達扮演了非常重要的角色。

雷鋒網註：更多本文詳細內容與精彩問答，請點擊慕課查看（http://www.mooc.ai/course/106）。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！