为什么说激光雷达是自动驾驶汽车的“眼睛”？它有哪些机遇与挑战？

想象一下，你站在一个黑暗的房间里，你能感觉到周围环境的唯一方式是伸出棍子触碰物体。 首先，你径直向前伸出棍子，棍子在伸出12英尺后撞击到一个坚实的物体。 然后你向右伸出棍子，伸出8英尺后停止。接下来试试你的左边，有12英尺。最后，在你的后方，棍子伸出了18英尺。于是，即使你看不到任何东西，也不移动身体，你也能获得一些关于房间的信息。

如果你在不同的方向重复几百或几千次这样子动作（并且记忆力极强），你将能够根据物体和你的距离大致了解这个屋子的全貌。

针对一间屋子的墙的二维扫描

如果你向上或向下倾斜棍子，你甚至能够根据轮廓“看到”你周围的物体，如椅子和门。这些信息可以产生一个叫做“点云”的东西，它是三维坐标系中的一系列点。当你拥有足够多的点，你就可以生成一个非常完整的基于点云的房间，像这样：

针对墙和饮水机的三位扫描

激光雷达（LIDAR，“光”和“雷达”的组合词）是一种被设计用于快速构建这些点云的传感器。通过使用光来测量距离，激光雷达能够非常快速地采集样点——每秒高达150万个数据点。这个采样率使得该技术能够部署在自动驾驶车辆等应用上。

工作原理

激光雷达测量光脉冲的飞行时间，进而能够判断传感器和物体之间的距离。想象一下，当发出光脉冲时启动秒表，然后当光脉冲（从遇到的第一个物体反射出来）返回时停止计时器；通过测量激光的“飞行时间”，并且知道脉冲行进的速度，就可以计算距离。光以每秒30万千米的速度传播，因此需要非常高精度的设备来产生关于距离的数据。

用激光当“棍子”来测量距离

为了产生完整的点云，传感器必须能够非常快速地对整个环境进行采样。激光雷达能够做到这一点的一种方式是通过在单个发射器/接收器上使用非常高的采样率。 每个发射器每秒发射数万或数十万个激光脉冲。这意味着，多达100000个激光脉冲在1秒内完成从激光器单元上的发射器到被测量的物体的往返行程，并返回到激光雷达单元上位于发射器附近的接收器。较大的系统具有多达64个这样的发射器/接收器（它被称为“线”）。多线使系统能够每秒产生超过一百万个数据点。

然而，64个固定线不足以映射整个环境——它只是在非常集中的区域给出非常清晰的分辨率。 由于光学中所需的精度，制造更多的线是非常昂贵的，因此在线数超过64后继续增加线数会使成本更快速的增加。相反，许多激光雷达系统使用旋转组件或旋转镜来使线围绕环境进行360度扫描。常见的策略包括使单个发射器和接收器向上或下偏转使激光器视野覆盖范围更大。 例如，Velodyne的64线道激光雷达系统具有26.8度的垂直视角（通过旋转使其拥有360的度水平视角）。这个激光雷达可以从50米开外看到一个12米高的物体的顶部。

下面，你可以看到，对应于激光雷达元的不同线，有着不同的清晰点带，这是由于数据保真度随着距离而下降。虽然它不是完美的，但是较高分辨率可用于较近的物体，因为随着到传感器的距离增加，发射器之间的角度（例如，2度）会导致这些点带之间的间隔更大。

旋转的多线激光雷达产生的点云

激光雷达系统的应用

点云可用于再现景观或环境的三维模型，一些应用包括：

• 用于监测侵蚀或其他变化的地质测绘/成像
• 监测农作物和树木的生长情况
• 为建筑项目做测量工作
• 对垃圾填埋场进行准确的体积预测

最常见的应用大概是一个激光雷达系统集成在一辆自动驾驶汽车上——例如Top Gear的一辆卡车使用激光雷达系统进行越野自主导航。

全速行驶的自动驾驶卡车

下面的片段中，你可以看到景物的点云，以及附加的功能（绿色的小方块代表可以驶过的物体，如植物；红色的小方块代表不应驶过的物体——如岩石，树木和汽车）。其他一些软件模块也能对原始点云进行理解，并将障碍物分类。

全速行驶的自动驾驶卡车

激光雷达系统已经找到了他们被应用于人形机器人的方式——比如波士顿动力的这个机器人：

波士顿动力的Atlas

除了机器人头部的激光雷达系统之外，这个机器人还使用其他传感器，比如用光学相机来扫描类二维码。

激光雷达应用的另一个例子是水平安装在无人机上的用于绘制地面等高图的传感器。来自激光雷达的点云数据与无人机自身的位置数据结合产生出了这些等高线。

搭载Phoenix Aerial系统的无人机对地面进行测绘

挑战

由于激光雷达基于对激光脉冲返回传感器所需时间的测量，因此高反射率的表面会带来问题。大多数材料从微观水平上看表面粗糙，并且向所有方向散射光；这类散射光的一小部分返回到传感器，并且足以产生距离数据。然而，如果表面反射率非常高，光就会向远离传感器的方向散射，那么这一区域的点云就会不完整。

空气中的环境也可以对激光雷达读数造成影响。记录显示，大雾和大雨会减弱发射的激光脉冲而对激光雷达造成影响。为了解决这些问题，较大功率的激光器投入使用，但它对于较小的、移动或对功率敏感的应用来说并不是一个好的解决方案。

激光雷达系统面临的另一个挑战是旋转时的刷新率相对较慢。系统的刷新速率受复杂的光学器件旋转速度的限制。激光雷达系统最快的旋转速率大约是10Hz，这限制了数据流的刷新速率。当传感器旋转时，以60英里/小时行驶的汽车在1/10秒内行进8.8英尺，因此传感器对于在汽车驶过期间在这8.8英尺内发生的变化基本上是看不清的。更重要的是，激光雷达覆盖的范围（在完美条件下）为100-120米，这对于以60英里/小时行驶的汽车来说仅相当于不到4.5秒的行驶时间。

也许对于激光雷达来说，高昂的设备成本是它需要克服的最大挑战。尽管自该技术得到应用以来其成本已大幅降低，但成本仍然是它被大范围采用的一个重要障碍。对于主流汽车工业来说，一个价值2万美元的传感器将无法被市场接受。伊隆·马斯克说：“我不认为它对于汽车的发展是有意义的，我认为它不是必须的。”

最后，虽然我们将激光雷达视为计算机视觉的一个组件，但点云却是完全基于几何呈现的。相反，人眼除了形状之外还能识别物体的其他物理属性，比如颜色和纹理。现在的激光雷达系统不能区分纸袋和岩石之间的差别，而这本应是传感器理解和试图避开障碍物时考虑的因素。

机会

激光雷达在智能机器生态系统中还有很多机会。与使用二维图像相比，点云能够更容易的被计算机使用，用于构建物理环境的三维形象——二维图像是人脑最容易理解的数据，而对于计算机来说，点云是最容易理解的。

Scanse的一款价值250美元的名为“sweep”的二维激光雷达扫描器可在户外使用，并专为移动、低功耗应用而设计。它只用了竞争对手近四分之一的成本，这将给这类传感器带来全新的应用（我们在很多其他类型的传感器中已经看到过这样的现象）。 二维激光雷达也可以被搭载到另一个旋转的元件上以产生环境中完整的三维点云。

Scanse的Sweep扫描的三维环境

其他公司正在寻求降低系统成本的其他策略，例如Quanergy的固态激光雷达。该系统大体与上文已介绍的系统相同，然而，与使用旋转光学器件来移动光束不同的是，它们使用 “相控阵列光学系统”来引导激光脉冲的方向，它可以在某一方向上释放一个激光脉冲，而让下一个脉冲（1微秒之后）瞄准视野中的其它地方。

它能够实时关注视野范围内看似移动的物体，这是对人类驾驶员的模仿——后者能及时注意到即将进入汽车所行驶的道路的障碍物。Quanergy系统被设计为能在没有机械移动的情况下做到这一点，并且每秒采样大约100万个数据点——这与64线旋转激光雷达的速度相当，却能显著降低成本。它另一个优势是更容易被集成在反光镜和保险杠等其他汽车部件上。

另外，更大和功率更高的系统也正在开发中，它可以从在3万英尺高度飞行的飞机上对地面成像，其分辨率足以能够看到地面上的车辆。虽然这些系统的市场需求更小，且成本更高，但其发展将继续降低传感器技术的整体成本。

结论

激光雷达只是用于给计算机提供物理环境数据的众多传感器之一，但是生成的数据是计算机最容易理解的，并且它也将变得更便宜。Velodyne销售和市场总监Wolfgang Juchmann称，激光雷达的成本在过去7年里下降了10倍。 得益于成本的降低，我们将不断看到新的潜在应用领域。在以后的文章里，我们将会探讨更多推动这一新工业革命的智能机器技术的其他进展。

本文作者Adam Kell是Comet Labs合伙人，负责人工智能和机器人领域的早期投资投资。Kell毕业于斯坦福大学，曾任StartX加速项目的硬件负责人，在产品设计，制造和硬件领域拥有丰富经验，曾被《福布斯》评为2014年度能源和工业领域30位30岁以下行业精英。 Comet Labs的智能交通实验室 正面向全球招募创业者、产业合作伙伴和项目导师，如需了解更多信息，欢迎发送邮件至lab@cometlabs.cn。