無人駕駛之光學(xué)雷達(dá)技術(shù)探究

無人駕駛汽車的成功涉及高精地圖、實(shí)時定位以及障礙物檢測等多項(xiàng)技術(shù)，而這些技術(shù)都離不開光學(xué)雷達(dá)（LiDAR）。本文將深入解析光學(xué)雷達(dá)是如何被廣泛應(yīng)用到無人車的各項(xiàng)技術(shù)中。文章首先介紹光學(xué)雷達(dá)的工作原理，包括如何通過激光掃描出點(diǎn)云；然后詳細(xì)解釋光學(xué)雷達(dá)在無人駕駛技術(shù)中的應(yīng)用，包括地圖繪制、定位以及障礙物檢測；最后討論光學(xué)雷達(dá)技術(shù)目前面臨的挑戰(zhàn)，包括外部環(huán)境干擾、數(shù)據(jù)量大、成本高等問題。
　　無人駕駛技術(shù)簡介
　　無人駕駛技術(shù)是多個技術(shù)的集成，包括了傳感器、定位與深度學(xué)習(xí)、高精地圖、路徑規(guī)劃、障礙物檢測與規(guī)避、機(jī)械控制、系統(tǒng)集成與優(yōu)化、能耗與散熱管理等等。雖然現(xiàn)有的多種無人車在實(shí)現(xiàn)上有許多不同，但是在系統(tǒng)架構(gòu)上都大同小異。圖1顯示了無人車的通用系統(tǒng)架構(gòu)，系統(tǒng)的感知端（圖1左）由不同的傳感器組成，其中GPS用于定位，光學(xué)雷達(dá)（Light Detection And Ranging，簡稱 LiDAR）用于定位以及障礙物檢測，照相機(jī)用于基于深度學(xué)習(xí)的物體識別以及定位輔助。
　　
　　圖1 無人車通用系統(tǒng)架構(gòu)
　　在傳感器信息采集后，我們進(jìn)入了感知階段，主要是定位與物體識別（圖1中）。在這個階段，我們可以用數(shù)學(xué)的方法，比如Kalman Filter與 Particle Filter等算法，對各種傳感器信息進(jìn)行融合，得出當(dāng)前最大幾率的位置。如果使用LiDAR為主要的定位傳感器，我們可以通過LiDAR掃描回來的信息跟已知的高精地圖做對比，得出當(dāng)前的車輛位置。如果沒有地圖，我們甚至可以把當(dāng)前的LiDAR掃描信息與之前的掃描信息用ICP算法做對比，推算出當(dāng)前的車輛位置。在得出基于LiDAR的位置預(yù)測后，可以用數(shù)學(xué)方法與其它傳感器信息進(jìn)行融合，推算出更精準(zhǔn)的位置信息。
　　最后，我們進(jìn)入了計劃與控制階段（圖1右）。在這個階段，我們根據(jù)位置信息以及識別出的圖像信息（如紅綠燈）實(shí)時調(diào)節(jié)車輛的行車計劃，并把行車計劃轉(zhuǎn)化成控制信號操控車輛。全局的路徑規(guī)劃可以用類似A-Star的算法實(shí)現(xiàn)，本地的路徑規(guī)劃可以用DWA等算法實(shí)現(xiàn)。
　　光學(xué)雷達(dá)基礎(chǔ)知識
　　先來了解下光學(xué)雷達(dá)的工作原理，特別是產(chǎn)生點(diǎn)云的過程。
　　工作原理
　　光學(xué)雷達(dá)是一種光學(xué)遙感技術(shù)，它通過首先向目標(biāo)物體發(fā)射一束激光，再根據(jù)接收－反射的時間間隔來確定目標(biāo)物體的實(shí)際距離。然后根據(jù)距離及激光發(fā)射的角度，通過簡單的幾何變化可以推導(dǎo)出物體的位置信息。由于激光的傳播受外界影響小，LiDAR能夠檢測的距離一般可達(dá)100m以上。與傳統(tǒng)雷達(dá)使用無線電波相比較，LiDAR使用激光射線，商用LiDAR使用的激光射線波長一般在600nm到1000nm之間，遠(yuǎn)遠(yuǎn)低于傳統(tǒng)雷達(dá)所使用的波長。因此LiDAR在測量物體距離和表面形狀上可達(dá)到更高的精準(zhǔn)度，一般可以達(dá)到厘米級。
　　LiDAR系統(tǒng)一般分為三個部分：第一是激光發(fā)射器，發(fā)射出波長為600nm到1000nm之間的激光射線；第二部分是掃描與光學(xué)部件，主要用于收集反射點(diǎn)距離與該點(diǎn)發(fā)生的時間和水平角度（Azimuth）；第三個部分是感光部件，主要檢測返回光的強(qiáng)度。因此我們檢測到的每一個點(diǎn)都包括了空間坐標(biāo)信息（x， y， z）以及光強(qiáng)度信息（i）。光強(qiáng)度與物體的光反射度（reflectivity）直接相關(guān)，所以根據(jù)檢測到的光強(qiáng)度也可以對檢測到的物體有初步判斷。
　　什么是點(diǎn)云？
　　無人車所使用的LiDAR并不是靜止不動的。在無人車行駛的過程中，LiDAR同時以一定的角速度勻速轉(zhuǎn)動，在這個過程中不斷地發(fā)出激光并收集反射點(diǎn)的信息，以便得到全方位的環(huán)境信息。LiDAR在收集反射點(diǎn)距離的過程中也會同時記錄下該點(diǎn)發(fā)生的時間和水平角度（Azimuth），并且每個激光發(fā)射器都有編號和固定的垂直角度，根據(jù)這些數(shù)據(jù)我們就可以計算出所有反射點(diǎn)的坐標(biāo)。LiDAR每旋轉(zhuǎn)一周收集到的所有反射點(diǎn)坐標(biāo)的集合就形成了點(diǎn)云（point cloud）。
　　
　　圖2 點(diǎn)云的產(chǎn)生
　　如圖2所示，LiDAR通過激光反射可以測出和物體的距離distance，因?yàn)榧す獾拇怪苯嵌仁枪潭ǖ?，記做a，這里我們可以直接求出z軸坐標(biāo)為sin（a）*distance。由cos（a）*distance我們可以得到distance在xy平面的投影，記做xy_dist。LiDAR在記錄反射點(diǎn)距離的同時也會記錄下當(dāng)前LiDAR轉(zhuǎn)動的水平角度b，根據(jù)簡單的集合轉(zhuǎn)換，可以得到該點(diǎn)的x軸坐標(biāo)和y軸坐標(biāo)分別為cos（b）*xy_dist和sin（b）*xy_dist。
　　LiDAR 在無人駕駛技術(shù)中的應(yīng)用領(lǐng)域
　　接下來介紹光學(xué)雷達(dá)如何應(yīng)用在無人駕駛技術(shù)中，特別是面向高精地圖的繪制、基于點(diǎn)云的定位以及障礙物檢測。
　　高清地圖的繪制
　　這里的高清地圖不同于我們?nèi)粘Ｓ玫降膶?dǎo)航地圖。高清地圖是由眾多的點(diǎn)云拼接而成，主要用于無人車的精準(zhǔn)定位。高清地圖的繪制也是通過LiDAR完成的。安裝LiDAR的地圖數(shù)據(jù)采集車在想要繪制高清地圖的路線上多次反復(fù)行駛并收集點(diǎn)云數(shù)據(jù)。后期經(jīng)過人工標(biāo)注，過濾一些點(diǎn)云圖中的錯誤信息，例如由路上行駛的汽車和行人反射所形成的點(diǎn)，然后再對多次收集到的點(diǎn)云進(jìn)行對齊拼接形成最終的高清地圖。
　　基于點(diǎn)云的定位
　　首先介紹定位的重要性。很多人都有這樣的疑問：如果有了精準(zhǔn)的GPS，不就知道了當(dāng)前的位置，還需要定位嗎？其實(shí)不然。目前高精度的軍用差分GPS在靜態(tài)的時候確實(shí)可以在“理想”的環(huán)境下達(dá)到厘米級的精度。這里的“理想”環(huán)境是指大氣中沒有過多的懸浮介質(zhì)而且測量時GPS有較強(qiáng)的接收信號。然而無人車是在復(fù)雜的動態(tài)環(huán)境中行駛，尤其在大城市中，由于各種高大建筑物的阻攔，GPS多路徑反射（Multi-Path）的問題會更加明顯。這樣得到的GPS定位信息很容易就有幾十厘米甚至幾米的誤差。對于在有限寬度上高速行駛的汽車來說，這樣的誤差很有可能導(dǎo)致交通事故。因此必須要有GPS之外的手段來增強(qiáng)無人車定位的精度。
　　上文提到過，LiDAR會在車輛行駛的過程中不斷收集點(diǎn)云來了解周圍的環(huán)境。我們可以很自然想到利用這些環(huán)境信息來定位。這里我們可以把這個問題用一個簡化的概率問題來表示：已知t0時刻的GPS信息，t0時刻的點(diǎn)云信息，以及t1時刻無人車可能所在的三個位置：P1、P2和P3（這里為了簡化問題，假設(shè)無人車會在這三個位置中的某一個）。求t1時刻車在這三點(diǎn)的概率。根據(jù)貝葉斯法則，無人車的定位問題可以簡化為如下概率公式：
　　
　　右側(cè)第一項(xiàng)表示給定當(dāng)前位置，觀測到點(diǎn)云信息的概率分布。其計算方式一般分局部估計和全局估計兩種。局部估計較簡單的做法就是通過當(dāng)前時刻點(diǎn)云和上一時刻點(diǎn)云的匹配，借助幾何推導(dǎo)，可以估計出無人車在當(dāng)前位置的可能性。全局估計就是利用當(dāng)前時刻的點(diǎn)云和上面提到過的高清地圖做匹配，可以得到當(dāng)前車相對地圖上某一位置的可能性。在實(shí)際中一般會兩種定位方法結(jié)合使用。右側(cè)第二項(xiàng)表示對當(dāng)前位置預(yù)測的概率分布，這里可以簡單的用GPS給出的位置信息作為預(yù)測。通過計算P1、P2和P3這三個點(diǎn)的后驗(yàn)概率，就可以估算出無人車在哪一個位置的可能性最高。通過對兩個概率分布的相乘，可以很大程度上提高無人車定位的準(zhǔn)確度，如圖3所示。