上文提到360°的激光数据可视化后可以得到点云数据。激光雷达的点云数据结构比较简单。下面我们就以N线激光雷达为例来讲解点云的数据结构。
在实际的无人驾驶系统中,每一帧的数据都会有时间戳,根据时间戳进行后续和时间有关的计算(如距离信息的微分等)。因此N线激光雷达的点云数据结构如下图。
每一线点云的数据结构又是由点云的数量和每一个点云的数据结构组成。由于激光雷达的数据采集频率和单线的点云数量都是可以设置的,因此1线点云数据中需要包含点云数量这个信息。
最底层的是单个点云的数据结构。点的表达既可以使用theta/r的极坐标表示,也可以使用x/y/z的3维坐标表示。每个点云除了坐标外,还有一个很重要的元素,那就是激光的反射强度。激光在不同材料上的反射强度是不一样的。以3维坐标的表示方法为例,单个点云的数据结构如下图。X/Y/Z方向的偏移量是以激光雷达的安装位置作为原点。
激光雷达点云数据的一般处理方式是:数据预处理(坐标转换,去噪声等),聚类(根据点云距离或反射强度),提取聚类后的特征,根据特征进行分类等后处理工作。我们就以百度Apollo 2.0目前已开放的功能为例,看看激光雷达能完成哪些工作。
1.障碍物检测与分割
利用高精度地图限定感兴趣区域(ROI,Region ofInterest)后,基于全卷积深度神经网络学习点云特征并预测障碍物的相关属性,得到前景障碍物检测与分割。
2. 可通行空间检测
利用高精度地图限定ROI后,可以对ROI内部(比如可行驶道路和交叉口)的点云的高度及连续性信息进行判断点云处是否可通行。
3.高精度电子地图制图与定位
利用多线激光雷达的点云信息与地图采集车载组合惯导的信息,进行高精地图制作。自动驾驶汽车利用激光点云信息与高精度地图匹配,以此实现高精度定位。
4.障碍物轨迹预测
根据激光雷达的感知数据与障碍物所在车道的拓扑关系(道路连接关系)进行障碍物的轨迹预测,以此作为无人车规划(避障、换道、超车等)的判断依据。
当前人工智能的算法还不够成熟,纯视觉传感器的无人驾驶方案在安全性上还存在较多问题,因此现阶段的无人车的开发还离不开激光雷达。不过成本是激光雷达普及所遇到的最大问题。毕竟一款比车还贵的传感器是车企无法接受的。随着技术的发展,利用固态扫描技术的固态激光雷达逐渐成为车用激光雷达的主流技术。
Quanergy公司的Solid StateLiDAR S3在CES 上获得了汽车智能类(VehicleIntelligence Category)的最高奖项——最佳创新奖(Best ofInnovation Award),则再一次让Quanergy利用固态扫描技术赚足了眼球。而作为车用激光雷达的老大Velodyne也当仁不让,在CES展之前就发布消息,称其与EPC(Efficient PowerConversion Corporation)共同研发有望将固态激光雷达成本降至50美金的核心芯片。当然,展会上还有Innoviz和TriLumina也宣称要推出固态激光雷达。
下次会针对Quanergy和Velodyne的公开资料,对其技术进行简单的分析。