[人工智能]学习笔记12--环境感知传感器技术之激光雷达

本系列博客包括6个专栏，分别为：《自动驾驶技术概览》、《自动驾驶汽车平台技术基础》、《自动驾驶汽车定位技术》、《自动驾驶汽车环境感知》、《自动驾驶汽车决策与控制》、《自动驾驶系统设计及应用》，笔者不是自动驾驶领域的专家，只是一个在探索自动驾驶路上的小白，此系列丛书尚未阅读完，也是边阅读边总结边思考，欢迎各位小伙伴，各位大牛们在评论区给出建议，帮笔者这个小白挑出错误，谢谢！
此专栏是关于《自动驾驶技术概览》书籍的笔记。

2.环境感知传感器技术之激光雷达

2.1 概述

感知、决策、控制是自动驾驶的3个环节，感知环节采集周围环境的基本信息，是自动驾驶的基础；自动驾驶汽车通过传感器来感知环境，用到的传感器主要包括：摄像头、毫米波雷达、激光雷达；

2.2 激光雷达基本知识

1. 激光雷达定义：激光雷达又称为光学雷达(Light Detection And Ranging，LiDAR)，一种先进的光学遥感技术；
2. 工作原理：首先向目标发射一束激光，然后根据接收反射激光的时间间隔，确定目标物体的实际距离，同时结合这束激光的发射角度，利用简单的三角函数原理推导出目标的位置信息；
3. 激光雷达特点：
   1. 激光具有能量密度高、方向性好的特点，大多数激光雷达探测距离达到100米以上；
   2. 雷达具有波长越短探测精度越高的特点，激光雷达可以用于测量物体距离和表面形状，测量精度可以达到厘米级；
4. 雷达的组成：
   1. 激光发射器：发射波长在600~1000nm的激光用于探测环境和物体；
   2. 扫描与光学部件：用于收集发射点与反射点之间的距离，及反射时间和水平角度；
   3. 感光部件：用于检测反射回来光线的强度；
5. 通过三个部件的工作，激光雷达实现对目标的探测，检测的每一个点均包含点的位置信息(空间坐标x、y、z)及返回光线的强度信息；
6. LiDAR每旋转一周，收集到的所有反射点坐标的集合构成了点云；
7. 无人驾驶汽车的定位：依赖接收到GNSS系统发射回来的数据，还依赖激光雷达生成的点云与数据库中的高精度地图作比较，得出汽车所在的精确位置，精度可达厘米级；
8. 高精地图：指用大量点云拼接而成的大范围道路环境信息，高精地图的绘制依赖LiDAR的应用；

2.3 激光雷达帮助无人车定位

简化的概率模型：已知$t_0$时刻的GNSS信息，$t_0$时刻的点云信息，及$t_1$时刻无人车可能位于的3个位置$P_1、P_2、P_3$，假设无人车会在这3个位置中的某一个，求$t_1$时刻车在这3个点的概率。根据贝叶斯法则，无人车的位置的概率公式为：
$$P(X_t)\approx P(Z_t|X_t)\overline{P(X_t)}$$

1. $P(Z_t|X_t)$：表示给定当前位置，观测到点云信息的概率分布；
   1. 计算方式分为：局部估计和全局估计；
   2. 局部估计：通过当前时刻点云和上一时刻点云的匹配，借助几何推导估计无人车在当前位置的可能性；
   3. 全局估计：利用当前时刻的点云和高精度地图进行匹配，得到当前车在地图上的位置；
2. $P(X_t)$：代表对当前位置的预测的概率分布，可以使用GNSS给出的位置坐标作为预测；通过计算$P_1、P_2、P_3$ 3个点的后验概率，估计出无人车在哪一个位置的可能性最高；通过对两个概率分布相乘，很大程度上提高无人车定位的精度；

2.4 激光雷达联合GNSS/IMU与高精地图的加强定位

1. 通过GNSS得到初始位置信息，通过IMU和车辆编码器配合得到车辆的初始位置；
2. 将激光雷达的3D点云数据，包括：几何信息、语义信息进行特征提取，结合车辆初始位置进行空间变化，获取基于全局坐标系下的矢量特征；
3. 将初始位置信息，激光雷达提取的特征跟高精地图的特征信息进行匹配，从而获取一个准确的定位；

2.5 激光雷达的不足

1. LiDAR的使用受天气影响。
   空气中的水珠及其他悬浮物会对LiDAR的精度造成影响；随着雨量的增大，LiDAR的最远探测距离线性下降；
2. 激光雷达在使用过程中产生海量的点云数据。
   16线的LiDAR每秒钟要处理的数据点达到30万个，64线LiDAR每秒产生点数超过200万个；LiDAR给出的只是原始数据，需要对所有的点进行几何变换，在后期处理进行大量的坐标系转换；对计算硬件提出了非常高的要求；
3. LiDAR系统的造价十分昂贵。
   16线的LiDAR售价接近一万美元，造价昂贵。