自動駕駛感測器「一哥之爭」，這事兒你怎麼看？

最新 04-21

自動駕駛現已成為人工智慧技術應用落地的熱門領域，但隨著無人車邁出的步伐越大，面臨的安全性方面的挑戰也越大。而近期不斷發生的自動駕駛車輛事故也將自動駕駛安全性的問題再次推向風口浪尖。自動駕駛車輛的安全性問題成為當前社會各界，包括研究領域最關心的課題之一。其中，作為自動駕駛車輛的眼睛——感測器就很重要了。

如今，車載感測器的種類五花八門，無論是攝像頭、雷達、還是利用光脈衝測距的光達(Lidar)組件，均是各有所長。其中，以車載攝像頭與激光雷達為代表的感測器「一哥之爭」最為引人注目。

一個是感測器「新晉小生」激光雷達，時刻發揚著高效、精準的探測精神；另一個是入行多年、以成本低廉、技術成熟著稱的「老大哥」攝像頭，誰將為未來自動駕駛的核心感測器代言？

通過為期一個月的觀點PK活動【激光雷達與攝像頭，未來哪種會成為自動駕駛的核心感測器】，我們收集了兩種陣營的不同觀點看法，究竟是用攝像頭還是激光雷達？大家一起來看看。

觀點 1效果不錯，但太貴怎麼辦？

「從仿生學角度來看，人類只依靠眼睛和耳朵就能夠準確判斷交通中出現的各種問題。在實際商業化過程中，激光雷達雖然效果不錯，但過於昂貴，不適合落地。」

這是攝像頭陣營中發出的第一種聲音：太貴，用不起！

據了解，目前美國Velodyne64線激光雷達在10萬美金左右，即使是16線雷達的售價也在8000美金左右。

試想一下，如果換成最新出爐的128線激光雷達，也夠商用車廠「捏一把冷汗」的。相比之下攝像頭的成本就低了不止一點點，足夠讓自動駕駛研發領域「心動許久」。

觀點 2沒有用到極致，就是浪費，太不光榮！

「都知道攝像頭便宜，如果再加上毫米波雷達、超聲波雷達等，完全可以將效果提升到很好的狀態。現在很多廠商太過於看重激光雷達的「潮流性」，而並沒有好好想辦法將廉價的感測器性能發揮到極致，這就是一種跟風形勢下的浪費！」

其實業界關於將攝像頭技術發揮到極致的探索，一直在持續。

很長一段時間裡，關於自動駕駛的路況判斷，多數以單目攝像頭的方案為主，但在測距範圍與距離上，就會不可避免出現一個難以平衡的問題。

因為攝像頭的技術原理類似於人類的眼睛，視覺越寬，探測到的精準距離的長度越短；當距離變長時，視角就相應地變窄了，很大程度上為路況判斷帶來障礙。

如何解決？業內很快出現了雙目甚至多目攝像頭。

雙目攝像頭所涉及的雙目視覺測距原理，不同於單目，要先將目標障礙物與資料庫樣本建立起對應關係、然後才能進行距離估算。

其採用的是基於視差的三角測距原理，僅通過計算左右「兩眼」獲取的兩幅圖像對應點間的位置偏差，就可以實時還原視覺場景中每一點的真實三維幾何信息，有點類似於3D 電影的感覺。

除了雙目攝像頭，更為先進的多目攝像頭可以通過不同角度的攝像頭來捕捉不同範圍的場景，同時解決無法來回切換焦距以及不同距離情況下提升識別清晰度的問題。

但基於現實來看，儘管多目攝像頭解決了一些問題，但同時也帶來了例如成本和安裝位置等新難題，當然我們相信，攝像頭的技術改進會持續不斷。

觀點 3確定「狂用」激光雷達，不是噱頭+炒作嗎？

「未來，自動駕駛系統的處理速度和解析度都不應該成為問題。攝像頭的價格便宜且圖像內容豐富，而激光雷達獲得的是稀疏圖像。」

在自動駕駛的輔助駕駛系統中，視覺影像處理系統最基礎，對於駕駛者的呈現也更直觀，而攝像頭在視覺影像處理系統中又是「基礎中的基礎」，因此車載攝像頭對於自動駕駛必不可少。

此外，計算機視覺在自動駕駛車輛上的使用確實出現了一些比較直觀的例子。例如交通標誌和信號燈的識別、高速公路車道的檢測定位。如今基於Lidar信息實現的部分功能，也可以用基於計算機視覺技術的攝像頭來實現。

計算機視覺系統在自動駕駛場景中主要解決的問題可以歸結為：物體的識別與跟蹤以及車輛本身的定位等。通過深度學習的技術，攝像頭可以識別在行駛途中遇到的物體，例如行人、地上的標誌、紅綠燈以及旁邊的車輛等。

業界普遍相信隨著技術的發展，更多基於攝像頭的演算法會讓自動駕駛的感知能力越發穩、准、快。

觀點 1攝像頭技術瓶頸較多，能好用？

「通過解析圖像數據來獲取行駛狀態的方式還是太被動，而且速度慢，抗干擾性也差。如果攝像範圍內飛過一隻鳥都要解析一下，遇上雨雪冰雹的話，難保車載計算機不會死機。」

觀點 2激光雷達還是利大於弊，很快會走上「物美價廉」的道路！

「激光雷達所具有的高精度、高可靠性以及三維特性使其將作為並有可能一直作為自動駕駛技術核心感測器發揮作用。」

三維激光雷達的點雲數據可以精確描繪周圍環境及目標的三維輪廓及方位深度信息，對於目標檢測、識別、跟蹤的實現至關重要。

雖然基於雙目視覺技術，攝像頭確實可以實現深度信息的獲取，但其精確度、環境耐性還是會帶來應用的局限性。

目前，Velodyne的64線激光雷達確實要60-70萬人民幣，但隨著自動駕駛技術的普及，激光雷達技術的成熟，生產廠商的增加，產量的提升以及低線數和固態激光雷達的發展，廉價的激光雷達在不遠的將來一定會出現。

觀點 3實踐出真知，激光雷達確實好用的沒話說！

「因為切身實踐過，對遠距離攝像頭的局限性深有感觸。」

目前，激光雷達的激光掃描方法不僅可以作為軍事用途，而且獲取的數據成果也被廣泛應用於城市規劃、農業開發、環境監測及國家重點建設項目等方面，經濟效益顯著，應用前景比較好。

如果盤點目前所有的感測器技術，激光雷達依舊最熱門！

此外還有一個重要原因，激光雷達在自動駕駛中確實表現了相當多的用途。事實證明，高度自動化的車輛如果需要一個具有定位功能的基本地圖，關於此沒有任何一項技術能夠取代激光雷達，這就是高端產品得以競爭的地方。

以Velodyne 的16線激光雷達為例。視覺測距點雲非常稠密，可以達到每秒鐘輸出2700萬點雲，而16線激光雷達的點雲只有30萬點雲，點密度會高出90倍；但在測量範圍呈現的誤差上，立體視覺與激光雷達相比，遠距離方面會落後很多。

具體來說，雙目視覺在近處的誤差較小，可以達到厘米級別，而在遠端的誤差會較大，會在幾米的級別甚至達到十米的誤差，這與成像精度、成像條件以及測量目標等相關。

而激光雷達從近到遠都能保持很好的測距精度。從視場角分析，視覺系統不可避免地受到一些光學成像的限制，視場角不如360°旋轉的機械激光雷達。

過去，激光雷達的高價一直被人們「吐槽」，而供貨商也通過各種技術升級開發多種光束控制技術，不斷改善光達的耐用性、尺寸以及成本，其中固態光達就是探索成果之一。

固態激光雷達，就是不使用機械式激光雷達中的機械旋轉部件，採用電子方案來達到全範圍的探測，將體積縮小。

另外一種，混合固態激光雷達，是介於固態激光雷達和機械式激光雷達兩者中間。從外觀上，混合固態激光雷達幾乎看不到傳統的旋轉部件，但其實內部的機械旋轉部件做的十分小巧並藏於機身內部。

技術上來講，目前固態激光雷達和混合固態激光雷達尚處於起步階段，不過很重要的一點，業界正在尋求激光雷達成本與功能的平衡。

其實無論是攝像頭陣營還是激光雷達的梯隊，都有一種共同的聲音，就是綜合利用，互補發展。

現在都打「組合拳」，離了誰都不行！

「以目前的行業發展情況來看，攝像頭+激光雷達的解決方案是必然的。」

激光雷達的優點是能精確、迅速地捕捉行駛過程中與障礙物的距離、相對速度等關鍵信息，但僅靠這些信息還是無法實現真正意義上的「自動駕駛」。

自動駕駛想要真正佔領市場，必然要與城市、高速公路交通系統對接，進而通過人工智慧實現常規問題的技術化。如何識別道路的紅綠燈、道路標識，分析行人的動向？對於自動駕駛系統，單純感知到障礙的存在是沒意義的，必須具備預測障礙運動軌跡的能力，而攝像頭確實能夠採集豐富得多的數據，對演算法提供的有效信息也要比雷達多得多。

其實，隨著自動駕駛車輛收集的感測器數據越來越多，當下最重要的還是感測器融合的質量。畢竟，自動駕駛無法使用單獨一種感測器來完成駕駛任務以及安全保障，很大程度上感測器融合的結果決定了決策與行為的安全性。

當然，如果必須同步所有的感測器信號，這種融合方式還是比較困難的。相比於對象數據，原始數據在轉換過程中不會發生丟失，所以大數人支持這種數據融合的方式。但是不容忽視的一點，如果做到原始數據的融合，就必須要大批量的處理能力以及GB級網路，才能準確無誤將信號傳送到整車中。

相輔相成，相互滲透才是正道！

「目前看，高端的激光雷達為主，計算機視覺(也就是攝像頭)為輔比較合適。」

同樣，在激光雷達的支持陣營中，也有聲音明確表示，無論是激光雷達還是攝像頭，都應該「相輔相成」才是最佳！

現在，大多數團隊青睞的32線或64線激光雷達在探測道路障礙的能力上非常可靠，只要在探測範圍內，它們幾乎不可能出錯。不過，一旦距離稍遠，它們就很有可能分不清障礙物到底是什麼，例如將皮卡錯看成普通汽車，將三位行人看成兩位，此外也可能無法識別面部表情和肢體語言。最重要的是，這傢伙是「色盲」，它看不出紅綠燈信號。

如果有了計算機視覺的輔助，情況就不一樣了。激光雷達可以將障礙物的圖片從背景中「摳」出來，隨後計算機視覺很容易就能分清它到底是什麼，而且無需100%可靠，只負責提高最終效果就行。

如果自動駕駛汽車只需遵從「不要撞到路上的東西」這樣簡單的命令，激光雷達就完全夠用，但這樣的設定下自動駕駛汽車會頻繁剎車，影響乘坐舒適度。隨著激光雷達的精度越來越高，環境建模會更加細緻，而且一般來說激光視場角大，穩定性更高，可靠性更好，不過一些場景的識別還是需要攝像頭，所以更多開發者贊同以激光雷達為主、攝像頭為輔的自動駕駛感知系統。

其實不單單是激光雷達、攝像頭這兩種感測器，自動駕駛一定會走上各種車載感測器融合的道路。

從L1到L5所涉及的不同階段的輔助駕駛以及自動駕駛的發展過程中，對感測器的種類和數量的需求會呈現不斷增長的趨勢。

越複雜的駕駛環境和自動駕駛功能對環境的感知需求也會越來越高，所以高敏感度的感測器融合是自動駕駛企業應該特別「留心」的事兒。

比如，在「定位」的場景下，GPS通常會以較低的更新頻率提供相對準確的位置信息，而IMU則以較高的更新頻率提供不太具有準確性的位置信息。在這個過程中，我們通常可以使用卡爾曼濾波來整合兩種類型的數據，它們各自呈現的優勢，合併後提供準確且實時的位置信息更新。

GPS/IMU定位（圖片來源於CSDN資訊）

例如，IMU每5ms更新一次，但期間誤差不斷累積導致了精度不斷降低。但同時每100ms可以得到一次的GPS數據更新，可以有效幫助校正IMU積累的誤差。

但這樣的搭配帶來的數據組合併不足以完成精確的定位工作。主要由於這樣的定位精度僅在一米之內，涉及範圍太狹窄；GPS信號所帶有的天然多路徑問題將引入雜訊干擾；如果在開放的環境中，GPS也不適用，例如隧道等。

因此作為補充方案，攝像頭也加入了「定位」的行列。

簡單來說，基於視覺的定位，首先需要通過對立體圖像的三角剖分，得到視差圖來計算每個點的深度信息。

然後可以通過匹配連續立體圖像幀之間的顯著特徵，通過相關性估計兩幀之間的運動情況。

立體視覺測距問題（圖片來源於CSDN資訊）

最後通過比較顯著特徵和已知地圖上的定位點來計算車輛的當前位置。

但這種以視覺為基礎的定位方法比較敏感，適用性並不樂觀，在此基礎上，藉助大量粒子濾波的激光雷達就登場了！

由激光雷達產生的點雲對環境進行了「形狀化描述」，儘管精準度還做不到極致，但是通過粒子濾波，系統可以做到將已知地圖與觀測到的具體形狀進行比較，然後降低位置的不確定性。

車輛在運動狀態下，又該怎麼辦？這種情況，可以使用粒子濾波的方法來關聯已知地圖和激光雷達測量過程。

據了解，粒子濾波可以在10厘米的精度內達到實時定位的效果，這個指標在城市道路的複雜環境中比較有效。

但不容忽視的一點，激光雷達在一些特殊的氣候條件下也存在問題。例如，空氣中有懸浮的顆粒，通常的雨滴或者灰塵就會對測量結果產生很大的波動！

這樣梳理下來，一個簡單的「精準定位」操作妥妥需要感測器相互融合，各自發揮自帶的優點！

定位中的感測器融合（圖片來自CSDN資訊）

百度作為自動駕駛領域的「先行者」，始終堅持感測器融合的態度。關於激光雷達以及攝像頭，Apollo在感知方案對以上兩種方案均有考慮。從1.5開始，加入64線激光雷達，主要用於3D障礙物的感知。到2.0加入毫米波雷達，增強了遠距離的能力，而且增加了與激光雷達的融合感知。另外還新增了不同焦距的兩個攝像頭，主要用於紅綠燈的識別。最後在2.0版本中對於這兩種感測器的使用，是一種相互結合的情況。目前使用的參考硬體有：

車載計算單元 ─ Neousys Nuvo-6108GC

CAN 卡 ─ ESD CAN-PCIe/402-B4

GPS與慣導（IMU） ─ 支持兩種選型：

NovAtel SPAN-IGM-A1

NovAtel SPAN ProPak6 and NovAtel IMU-IGM-A1

Light Detection and Ranging System (LiDAR)激光雷達 ─ Velodyne HDL-64E S3

攝像頭 — Leopard Imaging LI-USB30-AR023ZWDR with USB 3.0 case

毫米波雷達 — Continental大陸 ARS408-21

Apollo各感測器、計算單元和控制器的接線與數據流通原理圖：