车载激光雷达角度精度和准度测量技术研究

摘 要：激光雷达是智能网联汽车的重要感知部件，其性能对于自动驾驶系统的安全性和可靠性至关重要。角度精准度作为激光雷达的一项关键性能指标，对其进行准确的测试对提升自动驾驶系统的性能和安全性具有重要意义。本文提出了平板法、棱锥法和平均法三种激光雷达角度精度和准度的测试方法，通过对三种方法关键指标选取、误差分析和优缺点比对，给出了不同扫描方式激光雷达推荐的测试方法，为激光雷达的测试和在车辆上的应用提供参考。

关键词：车载激光雷达 角度精准度 试验方法

0 引言

智能网联汽车自动驾驶技术基于传感器对道路交通状况和环境进行感知，结合高精度地图实现路线导航与定位，采集的信息通过多源融合进行智能决策与路线规划，最终通过执行系统实现轨迹跟踪与车辆控制，从而实现多工况、复杂道路环境下稳定、安全、可靠的自动驾驶[1]。传感器作为环境感知与控制系统的信息源、电子眼，是其中的关键部件。智能网联汽车使用的传感器主要包括毫米波雷达、激光雷达、超声波雷达、摄像头、红外热成像等[2]，其中激光雷达的探测距离远、分辨率和精度较高、黑暗适应性较好，同时具备空间三维分辨能力。

1 激光雷达分类

激光雷达根据光束操纵方式分为机械式、半固态和固态三种。半固态方案包括MEMS、转镜式和棱镜式，固态方案主要为OPA和Flash[3]。

机械式激光雷达由电机控制，能360度旋转，竖直方向上布置多组激光线束，通过频率发射激光实现动态扫描[4]。MEMS激光雷达集成微型振镜，通过镜面的平动和扭转，将激光反射到不同角度进行扫描，激光发生器固定不动[5]。转镜式激光雷达与MEMS类似，主要差异在于转镜围绕圆心旋转，而MEMS围绕某条直径振动。棱镜式激光雷达内部有两个楔形棱镜，通过控制棱镜的相对转速来实现激光束扫描。OPA雷达通过控制平面阵列阵元电流相位，利用相位差产生干涉以指向特定方向。Flash固态激光雷达则通过短时间发射大范围激光，配合灵敏接收器绘制环境图像[6]。

2 角度精度和准度测试的必要性

激光雷达的性能对自动驾驶系统的安全性和可靠性至关重要[7]，角度精准度是其关键指标。若角度精度和准度不足，会导致系统对位置和姿态的判断出现偏差，影响车辆的导航和定位。同时，这也会导致对障碍物位置和姿态的误判，影响避障和路径规划等功能。角度精度和准度是数据质量的重要衡量标准[8]，低精度和准度会降低数据质量，从而影响系统的数据处理和分析效果。

3 角度精度和准度测试方法及优劣分析

3.1 平板法

使用平板法测量激光雷达角度精度和准度的方法主要包括下列步骤：

将激光雷达固定在高精度转台上，距离雷达一定距离处放置一个高平面度标准漫反射板，使其垂直于地面，中心点与激光雷达视窗法线相交，夹角保持约10°，通过全站仪测得漫反射板中心及四角坐标，计算夹角β和激光原点到漫反射板中心点的距离d；将测试区域中心对准漫反射板，启动激光雷达接收点云；识别漫反射板，选取目标板中间的水平点及坐标高度为0的垂直点；记录点云，记录激光雷达输出的距离di以及偏转角度；根据公式（1）计算每个水平方位角，得到集合[a1，a2，…， an]；根据公式（2）计算每个点的角度偏差，得到 [， ，…， ]，计算偏差值的标准差为角度精度，平均值为角度准度。试验布置见图1，点云结果示例见图2。

漫反射板的角度和测试距离d对试验结果的影响较大。为锐角，激光雷达的测距误差为∆，根据公式（3）、公式（4）和公式（5）得到ai关于d的偏微分。

当∆d＞0时，＜0，＞0，是的单调递增函数，因此越大，越大，由于 < 0，因此误差||越小。

当∆d＜0时，＞0，＜0，是的单调递减函数，因此越大，越小，由于 ＞ 0，因此误差||越小。

当∆d＞0时，以d=50m，∆d=0.2m为例，拟合出与的关系，见图3。

是的单调递减函数，因此越大，越小，由于 ＜ 0，误差||越小。

当∆d＜0时，以d=50m，∆d=-0.2m为例，拟合出与的关系，见图4。

是的单调递增函数，因此越小，越小，由于 ＞ 0，因此误差||越小。

从误差的角度来看，越大，误差越小；越小，误差越小。从试验的角度来看：（1）越小，板子越斜，打在板子上的有效的点越少；（2）越小，板子越斜，光斑被拉长的效应越大，所以不能太小；但是不能太大，太大角度抖动反应到测距上的差距越小，有可能超过测距精度而导致测不出来；（3）越小标定的难度越大，对标定的精度要求越高。因此建议为10度左右。越大，误差越小，但由于目标板投影面积较小，过大时目标板中的点的数量较少，试验难度较大，结合用50m时的误差分析，整体误差较小，因此建议在约50m进行试验。

该方法通过激光雷达测距来计算角度，原理简单易懂且角度精度较高。但激光雷达测距存在一定误差，结果通常偏近或偏远，导致计算出的角度准度也会偏大或者偏小。此外，非规则扫描的激光雷达生成的点云不规则，难以区分水平方向和垂直方向的贡献，因此该方法不适用于非规则扫描的激光雷达。

3.2 棱锥法

使用棱锥法测量激光雷达角度精度和准度的步骤如下：将激光雷达固定在高精度转台上，使激光雷达原点与转台中心重合，正三棱锥中心线通过激光雷达原点。执行激光雷达扫描，覆盖正三棱锥的三个侧面，录制10帧点云数据并叠加成单帧点云。对叠加的单帧点云中的三个侧面进行拟合（建议使用最小二乘法），计算拟合出的正三棱锥顶点坐标。任选一个拟合平面，按照式（6）计算各点到平面的距离，并计算标准差作为角度精度。水平和垂直转动转台，记录转动角度，执行激光雷达扫描并叠加点云，拟合正三棱锥的新顶点坐标。将转动前后顶点坐标从笛卡尔坐标系（x，y，z）转换为球坐标系（r，，），并按照式（7）和式（8）计算水平和垂直角度准度。试验布置示意图见图5，点云结果示例见图6。

式中：A、B、C、D为拟合后平面方程的系数；x、y、z为笛卡尔坐标系点的坐标

式中：W为水平角度准度；为转台转动前激光雷达测得的角锥顶点的水平方位角；为转台转动后激光雷达测得的角锥顶点的水平方位角；为转台水平转动过的角度。

式中：∆为垂直角度准度；为转台转动前激光雷达测得的角锥顶点的垂直方位角；为转台转动后激光雷达测得的角锥顶点的垂直方位角；为转台垂直转动过的角度。

在本试验方法中，三棱锥与激光雷达的距离对结果影响较大。与平板法相比，使用三棱锥作为测试目标，激光雷达测距的误差在从笛卡尔坐标系转换为球坐标系时，主要导致顶点位置的移动。当三棱锥距离激光雷达越远时，误差对顶点角度的影响越小；但距离过远时，每个平面的点云数量减少，拟合精度降低，反而增加误差。综合雷达点云密度和误差分析，推荐测试距离为10m。

棱锥法测量角度准度可以抵消大部分由测距精度引起的误差，其误差低于平板法。虽然通过平面附近点到平面的距离标准差来表征角度精度能反映角度变化，但与角度精度的定义并不完全一致。对于非规则扫描的激光雷达，此方法重复性较差，因此不适用。

3.3 平均法

使用平均法测量激光雷达角度精度和准度的步骤如下：将雷达固定在高精度转台上，竖直放置漫反射板于激光雷达一定水平距离处。旋转激光雷达，使其视场中心与漫反射板中心重合，记录不少于100帧连续点云，统计每帧点云的水平和垂直角均值，并计算标准差，以得出该视场区域的水平和垂直平均角度精度。调整转台，使激光雷达相邻视场区域中心与漫反射板中心重合，记录转台的水平和垂直角度，统计相邻视场区域漫反射板点云的平均角度，并根据式（9）和式（10）计算相邻视场区域的水平和垂直平均角度准度。试验布置示意图见图7，点云结果示例见图8。

式中：为水平平均角度准度；为视场区域1漫反射板上的点云水平角度的平均值；为视场区域2漫反射板上的点云水平角度的平均值；为视场区域2移动到视场区域1转台转过的水平角度。

式中：为垂直平均角度准度；为视场区域1漫反射板上的点云垂直角度的平均值；为视场区域3漫反射板上的点云垂直角度的平均值；为视场区域3移动到视场区域1转台转过的垂直角度。

本试验方法测量了激光雷达的平均角度精度和平均角度准度。测试距离越近，落在目标板上的点越多，测量的角度精度和准度范围也越大。若需测量特定区域的平均角度精度和准度，可以通过调整目标板与激光雷达的距离，使点云落在目标板上进行试验。测试精度与激光雷达的分辨率直接相关，分辨率越高，测试精度越高。

在试验中，点云光斑有时会落在目标板边缘，选点计算角度精度时应统一筛选边缘点，以减小平均角度准度的偏移。本方法对非规则扫描的激光雷达重复性较高，且同样适用于规则扫描的激光雷达。

4 结论

根据本文的研究与分析，以上三种测量角度精度和准度的方法均有不同的适用性。对于非规则扫描的激光雷达，由于其自身非规则扫描的特性，测量单点角度精度和准度的测试结果重复性较差，推荐使用平均法进行测量。对于规则扫描的激光雷达，如果需要测量一定区域内角度精度和角度准度的平均值，也可使用平均法进行测量；如果需要测量单点角度精度和准度且对单点角度准度的误差要求不太高时，推荐使用平板法测量，如果对单点角度准度的误差要求较高，推荐使用棱锥法测量角度准度，仍使用平板法测量角度精度。

参考文献：

[1]张雷.车用雷达技术发展趋势解析[J].智能网联汽车，2019（02）：82-94.

[2]杨京晶.智能汽车环境感知技术研究[J].内燃机与配件，2023（09）：97-99.

[3]谈晓洋.基于深度学习的稀疏点云障碍物检测算法研究[D].重庆：重庆邮电大学，2022.

[4]苏坦.基于UE4的无人船虚拟测试环境架构研究[D].大连：大连海事大学，2022.

[5]智能驾驶的全产业链梳理报告之感知层（二）[J].汽车与配件，2022（08）：52-59.

[6]陈晓冬，张佳琛，庞伟凇，等.智能驾驶车载激光雷达关键技术与应用算法[J].光电工程，2019，46（07）：34-46.

[7]王佳宁.面向自动驾驶的图像与点云融合及实时性研究[D].哈尔滨：哈尔滨工业大学，2021.

[8]文龙.基于车载激光雷达的无人驾驶车辆障碍物检测与跟踪技术研究[D].长春：吉林大学，2020.