车载激光雷达发展研究综述

程 川，宋春华，王 鹏

（西华大学 机械工程学院，四川 成都 611700）

0 引言

随着人工智能技术的发展，科幻电影中的自动驾驶已成为一种现实。自动驾驶技术不仅能提高公路行驶安全，还可缓解城市交通拥堵，与当下共享经济结合，更可减少环境污染和用车成本。传统车企和科技公司，都非常重视自动驾驶相关技术的研发[1]。传感器是自动驾驶汽车的眼睛。实现真正的无人驾驶，汽车上必须安装多种感知环境的传感器，帮助车体完整感知周遭环境。

自动驾驶汽车的车辆导航感知系统由摄像头、毫米波雷达和激光雷达组成。激光雷达是一种通过发射激光，并接收返回激光，从而感知周围环境的传感器。其具有结构简单、功耗低、抗干扰能力强、精度高等特点，在自动驾驶技术中具有重要地位[2]。2007 年DARPA Grand Challenge 展示了激光雷达感知系统的巨大潜力；冠亚季军都配备了多个激光雷达，其中冠军和亚军都采用了64 线激光雷达。目前，高端自动驾驶汽车使用激光雷达作为其感知系统的一部分，其成本较高、稳定性较差。2010 年Google 无人驾驶汽车配备激光雷达在加州道路上试行，到2018 年宝马7 系配备五颗固态激光雷达在上海地区开启了面向L4 级（等级分类见表1[3]）的路试。从低端汽车到高端汽车，都配备了激光雷达，多家企业为自动驾驶车辆开发了独特的激光雷达系统。另一方面，激光雷达的算法也进入快速发展的轨道。车辆的感知系统使用激光雷达时，激光雷达具备语义描述、语义分割、预测的功用（表2）。激光雷达擅长目标识别，获得语义信息不如相机，但能提供高精度的测距信息。相机在测距方面性能较差，激光雷达在识别方面性能较差，激光雷达通常与相机相互配合使用。激光雷达精确的距离信息和语义信息以及地图信息，是车辆自动驾驶不可缺少的器件。未来以激光雷达为中心，配合适应算法的感知系统将会更成熟，新兴的深度学习方法正在加速改变这个领域。本文综述了激光雷达原理、关键部件以及研究现状，阐述了车载激光雷达各关键部件现状以及未来研发方向；针对激光雷达感知环境信息，综述了感知系统的算法，未来将继续优化算法，直到开发出一种适用于激光雷达的算法，并且未来深度学习在提供语义信息方面具有非凡的潜力。

表1 国际汽车工程学会（SAE）提出自动驾驶分级方案

表2 车辆感知系统三个方面信息

1 激光雷达技术

传统激光雷达通过独特的波束控制系统来实现一束或多束激光扫描其视场角（Field of View，FoV）。激光二极管产生激光束，激光束经物体反射回到接收系统，返回的信号被光电探测器接收，经电子设备的滤波，并检测发送和接收信号之间的差异，此差异与被测距离成正相关，距离检测正是通过此差异来实现[4]。

激光雷达系统分为激光测距系统和扫描系统。激光测距系统包括：激光发射器、光电探测器、光学器件、信号处理电子设备。激光发射器中主要影响因素是激光波长；光电探测器中主要影响因素是光敏二极管；扫描系统主要影响因素是扫描机构的旋转方式。

1.1 激光测距原理

激光测距系统按照测距方法可以分为飞行时间法（Time of Flight，ToF）测距法、基于相干探测的FMCW 测距法以及三角测距法等。飞行时间法激光雷达通过测量激光飞行时间，计算出距离，称为直接检测激光测距仪；调频连续波激光雷达是通过多普勒效应，间接测量距离和速度，称为相干探测激光测距仪[5]；三角测距法则通过相似三角形的原理，测算出物体的距离，三种测距方法原理如图1 所示。3 种不同测距原理比较（表3）。

图1 三种测距方法原理

表3 三种不同测距原理比较

ToF 测距技术目前发展成熟，商用激光雷达基本都采用此技术。相比于三角测距法，ToF 测距具有测量距离远、采样率高、响应速度快和探测精度高等优势；三角测距法具有成本低和近距离探测精度高等优势。FMCW 测距法在理论上发展成熟，在实际应用中不如ToF 测距技术，其复杂的电路系统设计，体积大，高质量激光光源使得FMCW 测距法在车载激光雷达应用受到阻碍；但是FMCW 测距法具有极强抗干扰能力、较长探测距离、兼容固态扫描并能测量速度信息，FMCW 测距法具有光明应用前景[6]。

1.2 激光波长

选择合适的激光波长需要考虑大气环境、人眼安全和成本。850 ～ 950 nm 的近红外和1550 nm 短波红外具有较好的穿透性和抗干扰性，普遍在工业场所使用。市场上很容易购买到低廉、峰值功率较大，波长在850 ～ 950 nm 和1550 nm 的二极管激光器和光纤激光器。

激光雷达在恶劣天气情况下表现都较差。根据激光雷达回波功率式1[7]，恶劣天气情况下增加了传输损耗（Tr），并削弱了物体的反射率（β），从而使得接收到的能量变小。激光发射器发射波长较长的激光，获得较大的回波功率（Pr），长波的激光雷达在恶劣天气情况下具有较好的性能。简单地增加激光波长，无法满足眼睛安全标准。为了克服这个问题，在复杂环境下使用毫米波雷达等技术来暂时性替代激光雷达，或提升光电探测器和使用更先进的信号处理算法等来提高整体效率。

1.3 光电探测器

光电探测器利用光电效应将光能转为电能。核心元件是光敏元件，它描述了光电探测器在接收光子时，其电阻值的变化。激光雷达系统光电探测器选择与激光波长密切相关，其光敏元件的光敏性主要取决于光的波长。常见的光电探测器有半导体光电二极管、雪崩光电二极管（Avalanche Photon Diode，APD）、单光子雪崩光电二极管（Single Photon Avalanche Diode，SPAD）、硅光电倍增管（Silicon Photon Multiplier，SiPM），具体性能见表4。

表4 光电探测器类别

APD 光电二极管通过雪崩效应增加反向电压以倍增光电流，与半导体二极管相比，提高激光接收能力和内部电流增益以及信噪比，并且硅基和铟镓砷APD 对可见光谱区域也更为敏感，成本也会更高。随着APD 接收激光能力增加，也会增加噪声。SPAD 在盖革模式下会获得较高的增益、灵敏度和低误码率，使得SAPD 能检测到远距离极弱的光。SiPM 基于SPAD 并支持光子计数，克服了单个SPAD 不能同时测量多个光子的不足，SiPM 集成了密集的SPAD。SiPM 携带超高速输出信号和高光子检测效率，且噪声小，温敏小。

1.4 激光扫描机构

激光扫描机构旨在使发射的激光能快速探测大面积区域。现有的扫描方式有机械旋转和固态两种。机械式激光雷达带有控制激光发射角度的旋转部件；固态式激光雷达则无需机械旋转部件，主要依靠电子部件来控制激光发射角度。固态式激光雷达通过光学相控阵列、光子集成电路以及远场辐射方向图等电子部件代替机械转部件，实现发射激光角度的调整，具体性能见表5。

表5 按扫描机构分类的激光雷达系统

目前，车规级激光雷达的扫描机构以机械旋转式为主，能实现垂直和水平360°视场角（Field of View，FoV），具有高信噪比和宽视场的优势，但旋转机构相对车辆内部来说体积较大，测量精度受车辆振动影响较大。MEMS 取消了传统机械旋转结构，部件集成到单个芯片上，具有小体积、高工作频率等优势，在成熟集成电路的背景下，这种近乎固态的技术很有前景。OPA 和Flash 是真正的固态激光雷达，完全取消旋转机构减小振动，OPA 采用CMOS 硅生产工艺支持大规模生产，尽管OPA 被认为是一项很有前途的技术，目前还没有商业化。Flash 激光雷达类似于相机，空间分辨率取决于相机的分辨率；Flash 能测量视场角内所有目标，避免平台引起的运动补偿问题，其关键问题是探测距离较近（通常小于100 m），容易受到其它不相干光的干扰。

2 自动驾驶汽车激光雷达现状

机械旋转式激光雷达是第一款车规级的激光雷达。2017 年，奥迪发布的A8 豪华轿车，使用了Valeo集团的SCALA 激光雷达用于实现L3 自动驾驶，这是全球首款商用机械激光雷达；2018 年，Innoviz 宣布与麦格纳达成合作，为宝马提供L3 级自动驾驶的InnovizOne 固态激光雷达。为了扩大激光雷达的最大探测范围，采用了单光子探测模式（盖革模式）下的SPAD 阵列。Ouster 公司生产的OS1-64 激光雷达，采用基于互补金属氧化物半导体（Complementary Metal Oxide Semiconductor，CMOS）的SPAD 来检测VCSEL阵列发射的850 nm 激光。丰田中央研发实验室制造了基于CMOS 的SPAD 阵列的激光雷达原型，这款激光雷达采用905 nm 激光。SensL 制造了一款采用SiPM 探测器的激光雷达原型，是一款极具商业价值的车规级激光雷达。国外机械式激光雷达具有独特的优势现已有达到商用级别，但由于效率低、体积大、成本高等因素，企业将会持续研发以SiPM 探测器为代表的固态激光雷达，未来固态式激光雷达会占据市场主导地位。

国内车规级激光雷达还在初步发展的阶段，相关研究正逐年增加；国内激光雷达的相关研究以理论和实验居多，自主产品在自动驾驶汽车的商业化仍在高速发展阶段。北科天绘面向自动驾驶汽车研发了R-Fans 系列车载激光雷达，采用机械旋转式扫描机构，实现360°全景扫描视场，具有较高的测距精度，是史上最小的32 线激光雷达；北科天绘C-Fans系列采用微机电系统扫描机构，可以嵌入车身，使得激光雷达与车身融为一体。禾赛科技与国内多家互联网头部企业合作，为其提供车规级的固态激光雷达，其QT 系列产品采用VCSEL 加单光子探测器，以及正在研发FMCW 激光雷达样机系统和VCSEL 及单光子器件专用芯片，以增强可靠性和降低成本，实现关键元器件的自主可控。国内自主研发的激光雷达主要以固态激光雷达的理论和实验为主，未来以FMCW为原理的固态激光雷达在商用层面有望国际领先。

3 激光雷达感知系统

自动驾驶车辆的感知系统将环境感知分为传感器输出点云数据、定位数据和地图数据三方面的描述。如图2 所示是激光雷达处理数据的流程。近年来随着深度学习的发展，感知系统的流程也发生了改变。

物体检测算法提取物体和物理信息，即检测物体的位置和轮廓。在绝大多数情况下，物体都是垂直于地面，所以检测算法常通过地面滤波将点云数据标记为地面或非地面，然后使用聚类将非地面点分到不同的目标中。深度学习在物体检测中主要依靠算法输出多个3D 边界框与人工标注的数据进行对比，若重合度达到一定的阈值则被认为是成功的检测。文献[8]将3D 点云转换到与图像相似的正视图，用R-CNN、YOLO 检测物体图像上目标，此种方法存在多个点可能被投影图像的同一坐标，造成信息丢失且对3D 信息提取较为困难。文献[9]提出将3D 点云同时投影到两张图，本质上是点云投影成图像，仍存在信息丢失。由于点云稀疏性和无规则性。文献[10]提出体素化检测方法，体素化后的数据有利于进行空间卷积，提取多尺度、多层次的特征信息。文献[10]量化之后，中间层3D 卷积运算量较大，运行速度较慢，实时性较低，文献[11]则有效地解决此类问题。

基于机器学习的目标识别为自动驾驶车辆系统提供行人、车辆、树木、建筑等信息。传统的目标识别过程包括：特征提取、模型训练和目标分类，其中，目标分类主要是根据提取的特征来进行预测分类。特征提取大致可分两类：一类是整个目标的全局特征提取，代表某个目标的特点；另一类是每个点的局部特征提取，代表图像局部特点。在3D 点云中应用主成分分析（Principal Component Analysis，PCA）是一种获取全局形状特征的方法。文献[12]通过PCA 获得三个全局特征值。文献[13]描述一个全局傅里叶直方图描述符，但计算量较大，实时性较低。特征提取后的目标分类属于机器学习中监督学习过程，即由数据集训练的分类器进行预测分类输入目标的类别。常见的机器学习工具有：支持向量机（Support Vector Machine，SVM）、朴素贝叶斯分类算法等，其中具有径向基函数的SVM 具有高速、高准确率，其应用广泛。

移动目标跟踪也称为多目标跟踪，主要是跟踪自动驾驶车辆周围移动障碍物的姿势、轨迹、速度等，算法通过时空一致性关联和定位检测识别的目标。多目标跟踪按设计方法分为：基于检测的跟踪和融合检测的跟踪，前者占据多目标跟踪的大多数，其步骤可分为：状态预测、数据关联、状态更新；文献[14]使用恒定速度模型的卡尔曼滤波器（Kalman Filteri，KF）来跟踪激光雷达检测，只能跟踪单个目标；IMM 滤波器采用多个KF 并行处理，每个KF 使用不同的运动模型进行多目标追踪。2017 年DARPA 挑战赛首次应用粒子滤波器（Particle Filter，PF），PF 用于不满足高斯线性假设的情况，因此KF 系列在感知系统中应用更多。

目标检测、目标识别和多目标追踪提供了自动驾驶车辆过去和当前的状态信息，尽管自动驾驶系统可以依据这些信息能做出下一步的决策和路径规划，但由于模型和算法的理想化，不适用于长期预测，深度学习方法应用解决了这个缺点。文献[15]通过变分高斯混合模型预测了车辆的运动。随着递归神经网络在时间序列数据建模上的应用，基于长短期记忆网络（Long Short-Term Memory，LSTM）使用的越来越多，文献[16]在十字路口使用LSTM 对自动驾驶车辆进行仿真建模，其预测结果优于传统机器学习。激光雷达虽然目标检测和识别方面精确度高，但检测和识别行人的精度较低。文献[17]提出一种基于检测的多目标跟踪深度学习模型，通过处理点云数据生成检测目标，然后通过数据关联实现轨迹预测。

深度学习在激光雷达数据处理方面具有重大意义。深度学习是机器学习的一个分支，主要是使用多层神经网络，相比于SVM 等传统机器学习，深度学习可以自动获取输入数据的特征。感知系统中地面分割、目标检测和追踪都能通过深度学习模型来实现。

4 未来发展

综上所述，目前车载激光雷达面临以下问题：（1）激光雷达成本较高；（2）国际安全标准限制了波长的使用；（3）有限的探测距离；（4）恶劣的天气条件影响激光雷达性能；（5）体积较大，集成度较低。这些问题从激光光源波长、激光扫描机构、测距原理都可得到一定程度的解决，激光雷达正在走出实验室，走向自动驾驶汽车市场，未来固态激光雷达将会占领市场。激光雷达相比于相机，能精准的测距距离，但目标识别不如相机精准，特别是对行人的识别，与相机配合使用即可弥补这方面的缺陷；多传感器融合使用亦是未来发展方向之一。

激光雷达数据中应用深度学习是未来重要方向，面临的主要问题是点云数据缺乏标注。这一问题也正向好的方向发展，KITTI 数据集、nuScenes 数据集、SemanticPOSS 数据集有大量已标注数据集。未来从点云数据获取更精确目标信息和提高目标追踪能力的算法是一主要方向。随着激光雷达的快速发展，适用于特定激光雷达的新算法也会出现。