無人駕駛技術簡介

無人駕駛技術是多個技術的集成

，包括了傳感器
、定位與深度學習
、高精地圖
、路徑規劃、障礙物檢測與規避、機械控製、係統集成與優化、能耗與散熱管理等等。雖然現有的多種無人車在實現上有許多不同，但是在係統架構上都大同小異。圖1顯示了無人車的通用係統架構，係統的感知端（圖1左）由不同的傳感器組成，其中GPS用於定位，光學雷達（Light Detection And Ranging，簡稱 LiDAR）用於定位以及障礙物檢測，照相機用於基於深度學習的物體識別以及定位輔助。

在傳感器信息采集後，我們進入了感知階段
，主要是定位與物體識別（圖1中）。在這個階段
，我們可以用數學的方法，比如Kalman Filter與 Particle Filter等算法，對各種傳感器信息進行融合，得出當前最大幾率的位置。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，得出當前的車輛位置。如果沒有地圖，我們甚至可以把當前的LiDAR掃描信息與之前的掃描信息用ICP算法做對比，推算出當前的車輛位置。在得出基於LiDAR的位置預測後，可以用數學方法與其它傳感器信息進行融合，推算出更精準的位置信息。

最後，我們進入了計劃與控製階段（圖1右）。在這個階段，我們根據位置信息以及識別出的圖像信息（如紅綠燈）實時調節車輛的行車計劃，並把行車計劃轉化成控製信號操控車輛。全局的路徑規劃可以用類似A-Star的算法實現，本地的路徑規劃可以用DWA等算法實現。

光學雷達基礎知識

先來了解下光學雷達的工作原理，特別是產生點雲的過程。

工作原理

光學雷達是一種光學遙感技術，它通過首先向目標物體發射一束激光，再根據接收－反(fan)射(she)的(de)時(shi)間(jian)間(jian)隔(ge)來(lai)確(que)定(ding)目(mu)標(biao)物(wu)體(ti)的(de)實(shi)際(ji)距(ju)離(li)。然(ran)後(hou)根(gen)據(ju)距(ju)離(li)及(ji)激(ji)光(guang)發(fa)射(she)的(de)角(jiao)度(du)，通(tong)過(guo)簡(jian)單(dan)的(de)幾(ji)何(he)變(bian)化(hua)可(ke)以(yi)推(tui)導(dao)出(chu)物(wu)體(ti)的(de)位(wei)置(zhi)信(xin)息(xi)。由(you)於(yu)激(ji)光(guang)的(de)傳(chuan)播(bo)受(shou)外(wai)界(jie)影(ying)響(xiang)小(xiao)，LiDAR能夠檢測的距離一般可達100m以上。與傳統雷達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，遠遠低於傳統雷達所使用的波長。因此LiDAR在測量物體距離和表麵形狀上可達到更高的精準度，一般可以達到厘米級。

LiDAR係統一般分為三個部分：第一是激光發射器，發射出波長為600nm到1000nm之間的激光射線；第二部分是掃描與光學部件，主要用於收集反射點距離與該點發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度。因此我們檢測到的每一個點都包括了空間坐標信息（x, y, z）以及光強度信息（i）。光強度與物體的光反射度（reflectivity）直接相關，所以根據檢測到的光強度也可以對檢測到的物體有初步判斷。

什麼是點雲？

無人車所使用的LiDAR並不是靜止不動的。在無人車行駛的過程中，LiDAR同時以一定的角速度勻速轉動
，在這個過程中不斷地發出激光並收集反射點的信息，以便得到全方位的環境信息。LiDAR在收集反射點距離的過程中也會同時記錄下該點發生的時間和水平角度（Azimuth），並且每個激光發射器都有編號和固定的垂直角度，根據這些數據我們就可以計算出所有反射點的坐標。LiDAR每旋轉一周收集到的所有反射點坐標的集合就形成了點雲（point cloud）。


如圖2所示，LiDAR通過激光反射可以測出和物體的距離distance
，因為激光的垂直角度是固定的，記做a
，這裏我們可以直接求出z軸坐標為sin(a)*distance。由cos(a)*distance我們可以得到distance在xy平麵的投影，記做xy_dist。LiDAR在記錄反射點距離的同時也會記錄下當前LiDAR轉動的水平角度b，根據簡單的集合轉換
，可以得到該點的x軸坐標和y軸坐標分別為cos(b)*xy_dist和sin(b)*xy_dist。

LiDAR 在無人駕駛技術中的應用領域

接下來介紹光學雷達如何應用在無人駕駛技術中，特別是麵向高精地圖的繪製
、基於點雲的定位以及障礙物檢測。

高清地圖的繪製

這zhe裏li的de高gao清qing地di圖tu不bu同tong於yu我wo們men日ri常chang用yong到dao的de導dao航hang地di圖tu。高gao清qing地di圖tu是shi由you眾zhong多duo的de點dian雲yun拚pin接jie而er成cheng，主zhu要yao用yong於yu無wu人ren車che的de精jing準zhun定ding位wei。高gao清qing地di圖tu的de繪hui製zhi也ye是shi通tong過guoLiDAR完成的。安裝LiDARdeditushujucaijichezaixiangyaohuizhigaoqingditudeluxianshangduocifanfuxingshibingshoujidianyunshuju。houqijingguorengongbiaozhu，guolvyixiedianyuntuzhongdecuowuxinxi
，liruyoulushangxingshideqichehexingrenfanshesuoxingchengdedian
，ranhouzaiduiduocishoujidaodedianyunjinxingduiqipinjiexingchengzuizhongdegaoqingditu。

基於點雲的定位

首先介紹定位的重要性。很多人都有這樣的疑問：如果有了精準的GPS，不就知道了當前的位置，還需要定位嗎？其實不然。目前高精度的軍用差分GPS在靜態的時候確實可以在“理想”的環境下達到厘米級的精度。這裏的“理想”環境是指大氣中沒有過多的懸浮介質而且測量時GPS有較強的接收信號。然而無人車是在複雜的動態環境中行駛，尤其在大城市中，由於各種高大建築物的阻攔，GPS多路徑反射（Multi-Path）的問題會更加明顯。這樣得到的GPS定ding位wei信xin息xi很hen容rong易yi就jiu有you幾ji十shi厘li米mi甚shen至zhi幾ji米mi的de誤wu差cha。對dui於yu在zai有you限xian寬kuan度du上shang高gao速su行xing駛shi的de汽qi車che來lai說shuo，這zhe樣yang的de誤wu差cha很hen有you可ke能neng導dao致zhi交jiao通tong事shi故gu。因yin此ci必bi須xu要yao有youGPS之外的手段來增強無人車定位的精度。

上文提到過
，LiDAR會hui在zai車che輛liang行xing駛shi的de過guo程cheng中zhong不bu斷duan收shou集ji點dian雲yun來lai了le解jie周zhou圍wei的de環huan境jing。我wo們men可ke以yi很hen自zi然ran想xiang到dao利li用yong這zhe些xie環huan境jing信xin息xi來lai定ding位wei。這zhe裏li我wo們men可ke以yi把ba這zhe個ge問wen題ti用yong一yi個ge簡jian化hua的de概gai率lv問wen題ti來lai表biao示shi：已知t0時刻的GPS信息
，t0時刻的點雲信息
，以及t1時刻無人車可能所在的三個位置：P1
、P2和P3（這裏為了簡化問題，假設無人車會在這三個位置中的某一個）。求t1時刻車在這三點的概率。根據貝葉斯法則
，無人車的定位問題可以簡化為如下概率公式：



圖片描述

右(you)側(ce)第(di)一(yi)項(xiang)表(biao)示(shi)給(gei)定(ding)當(dang)前(qian)位(wei)置(zhi)，觀(guan)測(ce)到(dao)點(dian)雲(yun)信(xin)息(xi)的(de)概(gai)率(lv)分(fen)布(bu)。其(qi)計(ji)算(suan)方(fang)式(shi)一(yi)般(ban)分(fen)局(ju)部(bu)估(gu)計(ji)和(he)全(quan)局(ju)估(gu)計(ji)兩(liang)種(zhong)。局(ju)部(bu)估(gu)計(ji)較(jiao)簡(jian)單(dan)的(de)做(zuo)法(fa)就(jiu)是(shi)通(tong)過(guo)當(dang)前(qian)時(shi)刻(ke)點(dian)雲(yun)和(he)上(shang)一(yi)時(shi)刻(ke)點(dian)雲(yun)的(de)匹(pi)配(pei)，借(jie)助(zhu)幾(ji)何(he)推(tui)導(dao)
，可(ke)以(yi)估(gu)計(ji)出(chu)無(wu)人(ren)車(che)在(zai)當(dang)前(qian)位(wei)置(zhi)的(de)可(ke)能(neng)性(xing)。全(quan)局(ju)估(gu)計(ji)就(jiu)是(shi)利(li)用(yong)當(dang)前(qian)時(shi)刻(ke)的(de)點(dian)雲(yun)和(he)上(shang)麵(mian)提(ti)到(dao)過(guo)的(de)高(gao)清(qing)地(di)圖(tu)做(zuo)匹(pi)配(pei)，可(ke)以(yi)得(de)到(dao)當(dang)前(qian)車(che)相(xiang)對(dui)地(di)圖(tu)上(shang)某(mou)一(yi)位(wei)置(zhi)的(de)可(ke)能(neng)性(xing)。在(zai)實(shi)際(ji)中(zhong)一(yi)般(ban)會(hui)兩(liang)種(zhong)定(ding)位(wei)方(fang)法(fa)結(jie)合(he)使(shi)用(yong)。右(you)側(ce)第(di)二(er)項(xiang)表(biao)示(shi)對(dui)當(dang)前(qian)位(wei)置(zhi)預(yu)測(ce)的(de)概(gai)率(lv)分(fen)布(bu)，這(zhe)裏(li)可(ke)以(yi)簡(jian)單(dan)的(de)用(yong)GPS給出的位置信息作為預測。通過計算P1、P2和P3zhesangediandehouyangailv

，jiukeyigusuanchuwurenchezainayigeweizhidekenengxingzuigao。tongguoduilianggegailvfenbudexiangcheng，keyihendachengdushangtigaowurenchedingweidezhunquedu，rutu3所示。

障礙物檢測

眾所周知
，在機器視覺中一個比較難解決的問題就是判斷物體的遠近，基於單一攝像頭所抓取的2D圖(tu)像(xiang)無(wu)法(fa)得(de)到(dao)準(zhun)確(que)的(de)距(ju)離(li)信(xin)息(xi)。而(er)基(ji)於(yu)多(duo)攝(she)像(xiang)頭(tou)生(sheng)成(cheng)深(shen)度(du)圖(tu)的(de)方(fang)法(fa)又(you)需(xu)要(yao)很(hen)大(da)的(de)計(ji)算(suan)量(liang)
，不(bu)能(neng)很(hen)好(hao)地(di)滿(man)足(zu)無(wu)人(ren)車(che)在(zai)實(shi)時(shi)性(xing)上(shang)的(de)要(yao)求(qiu)。另(ling)一(yi)個(ge)棘(ji)手(shou)的(de)問(wen)題(ti)就(jiu)是(shi)光(guang)學(xue)攝(she)像(xiang)頭(tou)受(shou)光(guang)照(zhao)條(tiao)件(jian)的(de)影(ying)響(xiang)巨(ju)大(da)
，物(wu)體(ti)的(de)識(shi)別(bie)準(zhun)確(que)度(du)很(hen)不(bu)穩(wen)定(ding)。圖(tu)4展示了光線不好的情況下圖像特征匹配的問題：由於相機曝光不充分
，左側圖中的特征點在右側圖中沒有匹配成功。圖5左側展示了2D物體特征匹配成功的例子：啤酒瓶的模板可以在2D圖像中成功識別。但是如果將鏡頭拉遠，如圖5右所示
，我們隻能識別出右側的啤酒瓶隻是附著在另一個3D物體的表麵而已。2D物體由於維度缺失的問題很難在這個情境下做出正確的識別。


利用LiDAR所生成的點雲可以很大程度上解決上述兩個問題，借助LiDAR的特性，我們可以對反射障礙物的遠近、高(gao)低(di)甚(shen)至(zhi)是(shi)表(biao)麵(mian)形(xing)狀(zhuang)有(you)較(jiao)為(wei)準(zhun)確(que)的(de)估(gu)計(ji)
，從(cong)而(er)大(da)大(da)提(ti)高(gao)障(zhang)礙(ai)物(wu)檢(jian)測(ce)的(de)準(zhun)確(que)度(du)
，而(er)且(qie)這(zhe)種(zhong)方(fang)法(fa)在(zai)算(suan)法(fa)的(de)複(fu)雜(za)度(du)上(shang)低(di)於(yu)基(ji)於(yu)攝(she)像(xiang)頭(tou)的(de)視(shi)覺(jiao)算(suan)法(fa)，因(yin)此(ci)更(geng)能(neng)滿(man)足(zu)無(wu)人(ren)車(che)的(de)實(shi)時(shi)性(xing)需(xu)求(qiu)。

LiDAR技術麵臨的挑戰

前文我們專注於LiDAR對無人駕駛係統的幫助，但是在實際應用中，LiDAR也麵臨著許多挑戰
，包括技術、計算性能以及價格挑戰。要想把無人車係統產品化
，我們必須解決這些問題。

技術挑戰：空氣中懸浮物

LiDAR的精度也會受到天氣的影響。空氣中懸浮物會對光速產生影響。大霧及雨天都會影響LiDAR的精度，如圖6所示。


圖7測試中使用了A和B兩個來自不同製造廠的LiDAR，可以看到隨著實驗雨量的增大，兩種LiDAR的最遠探測距離都線性下降。雨中或霧中的傳播特性最近幾年隨著激光技術的廣泛應用越來越受到學術界的重視。研究表明：雨(yu)和(he)霧(wu)都(dou)是(shi)由(you)小(xiao)水(shui)滴(di)構(gou)成(cheng)的(de)，雨(yu)滴(di)的(de)半(ban)徑(jing)直(zhi)接(jie)和(he)其(qi)在(zai)空(kong)中(zhong)的(de)分(fen)布(bu)密(mi)度(du)直(zhi)接(jie)決(jue)定(ding)了(le)激(ji)光(guang)在(zai)傳(chuan)播(bo)的(de)過(guo)程(cheng)中(zhong)與(yu)之(zhi)相(xiang)撞(zhuang)的(de)概(gai)率(lv)。相(xiang)撞(zhuang)概(gai)率(lv)越(yue)高(gao)，激(ji)光(guang)的(de)傳(chuan)播(bo)速(su)度(du)受(shou)影(ying)響(xiang)越(yue)大(da)。

計算性能挑戰：計算量大

從表1可以看到，即使是16線的LiDAR每秒鍾要處理的點也達到了30萬。要保證無人車定位算法和障礙物檢測算法的實時性

，如此大量的數據處理是麵臨的一大挑戰。例如，之前所說的LiDAR給出的原始數據隻是反射物體的距離信息
，需要對所有產生的點進行幾何變換，將其轉化為位置坐標

，這其中至少涉及4次浮點運算和3次三角函數運算，而且點雲在後期的處理中還有大量坐標係轉換等更複雜的運算，這些都對計算資源 (CPU、GPU
、FPGA) 提出了很大的需求。

成本挑戰：造價昂貴

LiDAR的造價也是要考慮的重要因素之一。上麵提到的Velodyne VLP-16 LiDAR官網報價為稅前7999美元
，而Velodyne HDL-64E LiDAR預售價在10萬美元以上。這樣的成本要加在本來就沒有很高利潤的汽車價格中，無疑會大大阻礙無人車的商業化。

展望未來

盡管無人駕駛技術漸趨成熟
，但LiDAR始終是一個繞不過去的坎。純視覺與GPS/IMU的定位以及避障方案雖然價格低
，卻還不成熟
，很難應用到室外場景中；但同時LiDAR價格高居不下，消費者很難承受動輒幾十萬美元定價的無人車。因此，當務之急就是快速把係統成本特別是LiDAR的成本大幅降低。其中一個較有希望的方法是使用較低價的LiDAR，雖然會損失一些精確度
，但可以使用其它的低價傳感器與LiDAR做(zuo)信(xin)息(xi)混(hun)合(he)
，較(jiao)精(jing)準(zhun)地(di)推(tui)算(suan)出(chu)車(che)輛(liang)的(de)位(wei)置(zhi)。換(huan)言(yan)之(zhi)，就(jiu)是(shi)通(tong)過(guo)更(geng)好(hao)的(de)算(suan)法(fa)去(qu)彌(mi)補(bu)硬(ying)件(jian)傳(chuan)感(gan)器(qi)的(de)不(bu)足(zu)，我(wo)們(men)相(xiang)信(xin)這(zhe)是(shi)無(wu)人(ren)車(che)近(jin)期(qi)的(de)發(fa)展(zhan)方(fang)向(xiang)。而(er)高(gao)精(jing)度(du)LiDAR的價格由於市場需求大增也將會在未來的一兩年內出現降幅，為無人車的進一步普及鋪路。


【推薦閱讀】

低壓低功耗CMOS電流反饋運算放大器設計
節能燈和電子整流器三極管參數的選擇指南
小功率三極管自動判斷管腳的電路設計方案
工程師教你如何設計一個“優質”D類音頻放大器！
變壓器對於電路的重要性毋庸置疑

，選擇時應注意什麼呢？