探索 LiDAR 传感器以改善周边感知

Light Detection and Ranging 缩写为 LiDAR 或激光雷达。它是一种利用光来测量目标距离的光学遥感技术。LiDAR 可以高精度测量距离，识别物体的外观，并在其周围建立 3D 地理信息模型。具有测距精度高、识别度高等优点，不受环境亮度影响。它可以昼夜感知周围障碍物的形状和距离。扫描范围100-200米，可满足自动驾驶汽车更精准的感知需求。

激光雷达技术简介
激光雷达又细分为机械式激光雷达和固体式激光雷达。传统激光雷达通过机械旋转实现对周围环境的360度检测。机械旋转的激光雷达结构相当复杂和笨重，这也是激光雷达成本高的原因之一。另一方面，固态激光雷达使用光学相位控制。阵列技术取代旋转机构实现广角扫描功能，使得激光雷达中不再需要旋转元件，系统的总体积可以最小化。

激光雷达的基本组成部分是激光光源、光传感器和成像机构。激光光源一般为半导体激光器，光传感器一般为光电二极管（PD）或雪崩光电二极管（APD）。成像机制是指扫描或非扫描成像机制。调查显示，车载激光雷达市场正以20%的复合年增长率增长。

随着ADAS系统在高端汽车上的广泛应用，给人们带来了驾驶安全、舒适、便捷、节能等方面的不同体验。基于现有技术，多传感器应用的探索成为主流。对于现有自动驾驶技术的应用，激光雷达传感器是目前自动驾驶技术中最重要的反馈单元。与其他传感器相比，LiDAR 可以准确地确定目标物体的位置，并管理汽车工程师协会 (SAE) 5 级自动驾驶所需的基本组件。通过先进的激光雷达传感器和机器学习软件算法的处理，车辆可以模拟人类的各种感知，在物体识别上优于人类的准确度。可靠、稳定、实时、全方位。周边感知能力成为车辆行为控制的决策和判断依据。

激光雷达传感器物体识别稳定性研究是当前自动驾驶技术的重点项目之一。计算速度、抗环境干扰能力和识别准确率是当前技术发展的三个重要指标。

应用于自动驾驶的激光雷达技术
自动驾驶激光雷达物体检测技术
车用激光雷达简介
LiDAR 是一种有源光学传感器。可以计算激光束打到被测点后反射到传感器的光束的飞行时间，从而得到到被测物体的相对距离。该量可以转换为 2D 或 3D 物理坐标。常见的激光束包括紫外光、可见光和红外光。其中以600-1000nm的波长使用最多。目前市场上比较常见的有2D和3D传感器产品，它们是根据激光收发器的运动状态来分类的。固态型和旋转型3D传感器按激光束数一般分为1、8、16、32、64、128束。360度高频扫描是自动驾驶常用的解决方案。现在，各种产品常用于汽车领域。这些产品目前都需要完整的防黑客验证，以确保传感信息的安全，避免恶意假冒光学攻击。

与其他类型的传感器相比，激光雷达目前在价格上是最昂贵的。但对物体的距离测量精度保持在3cm以内，相比其他类型的传感器更具优势。因素。然而，对于多种不同类型的传感规范要求，如传感器与被测物体的距离、相对运动关系、被测物体的分类程度、移动速度、未来轨迹、语义等。分析、检测时间等，只有激光雷达有能力。对于雨滴、雾霾、灰尘等不利环境因素，需要充分利用不同传感器的优势，满足自动驾驶的基本要求。

根据所用分辨率的要求，选择激光雷达会存在巨大的成本差异。高分辨率意味着可以对物体进行分类和识别。低分辨率意味着只能进行物体检测。然而，距离检测不需要额外的处理就可以比相机更准确。在成本方面，摄像头比 LiDAR 小得多，成本也低得多，但距离检测输出的处理目前是一个巨大的挑战。因此，一些摄像头产品从硬件入手，采用多摄像头或红外等多传感器融合。(IR) 一些相机只使用一个相机并在软件中计算。改进了方法以产生更准确的距离信息。

深度学习对象检测（基于 DNN）
目前，与传统的Rule-based相比，LiDAR 3D深度学习发展的文献相当稀少。自2016年底Apple发布3D空间网格Voxel Net以来，其准确率已可与其他深度学习相媲美。网络高，但致命的缺点是需要对整体点云的原始数据进行网格划分，导致网络输入的单元数和通道数以及计算量相比其他现有的都极高算法。因此，为了达到汽车规范规定的每秒帧数 (FPS)，硬件成本上升了很多。因此，在随后的几年中，发展了一种将3D图像转换为2D图像的深度学习识别方法，并基于现有成熟的2D理论，将其应用于LiDAR识别。例如，Squeeze Seg Net采用现有的2D网络架构，在网络中使用。输入层数可以固定，大大减少了计算量，提高了计算速度。这是大多数后续研发单位采用的方法。

工研院分析了现有的多种深度学习算法，比较了自动驾驶汽车所需的规格，最终采用了Squeeze Seg Net，可以在FPS和精度之间保持平衡。这种方法是将3D点云数据投影到2D图像上，然后通过深度学习网络进行识别后使用。将2D图像上的点云转换回3D点云，产生3D点云分割结果。

在大多数自动驾驶汽车应用中，为了保证数据传输的稳定性，会在对数据进行特征提取后进行降采样，以简化传输量。这种方法可以避免多个周围物体产生过多数据的情况。过多的数据会造成严重的传输延迟，根据控制端的需要采用不同的算法来简化数据简化过程。本文介绍了 Orient Bounding Box (OBB) 的使用方法。此方法将分组对象包裹在轴对齐边界框 (ABB) 的长方体中。其方法是根据已有的坐标轴计算出特定物体点云的最大值和最小值。值后形成8个正方形点，

深度学习数据标注方法
现有的3D点云标记工具主要是人工标记。手动部分使用特定算法进行操作，减少操作步骤。半自动开发还处于发展阶段，随着论文的发表，我们可以看到自动化对于标记工具开发者来说非常重要。下一个里程碑是半自动化功能的开发，半自动化的程度也会根据现有模块的准确性而有所不同。本研究将人工数据标注与所使用的深度学习算法相对应，进行点云划分标注。单点的类型标记，以及标记类型的定义也会有所不同，对应当前的LiDAR分析程度。

基于半自动标记软件，可以扩展现有的物体检测软件，利用基本的分组算法预先标记可能的关键物体。所以人工打标只需要处理多余或错误的打标点。图像判断后无需标记3D点云。这种方法也可以有效降低人工标记的漏标率。

为了提高激光雷达计算性能，工研院将自动驾驶车辆的相关参数输入到仿真环境中，并进行相应的传感器设置。除了 LiDAR 传感器外，还使用了虚拟标记数据生成工具。它还可以用于相机或其他传感器的环境中。在激光雷达环境下，可以同步对应的打标数据，以博弈的方式输出激光雷达的原始数据和打标数据，大大降低数据打标的成本。

除了上述获取标记数据的方法外，还有相关机构收集并标记关键点云数据，然后向相关研究领域开放。由于激光雷达传感器的安装位置不同，深度学习算法容易产生不同的识别结果。因此，利用现有的激光雷达数据库进行训练只能作为部分参考依据，或者只能根据用于采集和标注传感数据的车辆进行。

LiDAR 传感器使用机器学习技术提供对周围物体的高度可靠感知
鉴于国际自动驾驶汽车的发展趋势和我国通信行业的技术优势和差距，发展车载传感器技术，建立车规高可靠的周边物体感知能力是自动驾驶的首要任务驾驶技术。通过现有的机器学习技术，以及有限的传感设备和信息，多变的驾驶环境为自动驾驶汽车提供可靠的视觉识别能力，激光雷达传感技术发挥了关键作用。工研院致力于研发激光雷达深度学习算法，探索如何提升激光雷达打标数据的性能。因此，不同于传统图像的人工标记，激光雷达点云标记难度更大。

工研院观察半自动生成标注数据，验证深度学习算法的可行性和准确性；同时，降低了贴标签的成本。在开发过程中，发现使用虚拟标注数据进行模型训练容易造成过拟合。未来基于激光雷达深度学习算法的进步，将模拟标记数据和真实标记数据混合训练一个模块，可以提高利用模拟环境或真实数据得到的标记数据的物体检测精度独自的。问题更少，自动驾驶汽车拥有结合模拟环境和真实世界标记数据训练的模块，以提供更准确的环境感知和定位。