智能驾驶车载激光雷达概览
【天津大学陈晓冬、蔡怀宇教授研究团队】

     

智能驾驶技术的迅速发展极大地推动了各类环境感知传感器的研究。车载激光雷达(light detection and ranging,LiDAR)因其可准确获取目标的三维信息,并且具有分辨率高、抗干扰能力强、探测范围广、近全天候工作等优点,在智能驾驶环境感知系统中占据了重要地位。智能驾驶这一特定情境对车载激光雷达的硬件技术与应用算法的性能均提出了很高的要求,同时激光雷达的体积、重量、成本、驱动电压均应当符合车载系统的安装水准。

为达到智能驾驶的高要求,针对车载激光雷达关键技术与应用算法的相关研究不断被深入探索。在激光发射、接收、扫描等诸多激光雷达硬件技术中,由于扫描技术直接决定了雷达的扫描频率、扫描范围、点云数据量等各项重要参数,因此是缩小车载激光雷达的整体体积与降低成本的关键,也直接影响了车载激光雷达的车规级量产的实现。在应用算法方面,基于选取的不同应用场景,不同算法各有特性,尚不存在效果完美且适应性强的算法方案;但各类应用算法追求的目标均是同时具有实时性与高精度,以便为智能驾驶系统的控制与决策提供有效的技术支撑。

天津大学陈晓冬、蔡怀宇教授研究团队依托于天津大学无人驾驶交叉研究平台,致力于智能驾驶汽车环境感知技术的研究,先后完成了交叉平台环境感知系统设计、多传感器联合标定、基于多传感器融合数据的障碍物检测算法设计与实现等工作,特此对近年来智能驾驶车载激光雷达关键技术与应用算法进行了综述。

文章以激光雷达扫描方式及相关技术为切入点,对智能驾驶车载激光雷达硬件关键技术进行了介绍,分别讨论了机械式、混合式和全固态车载激光雷达的原理、特点及现状;以智能驾驶应用任务为导向,对点云分割、目标跟踪与识别、即时定位与地图重建(simultaneous localization and mapping, SLAM)这三类车载激光雷达应用算法进行了归纳总结。



图1 Luminar公司联合创始人Austin Russell在智能驾驶车中观看雷达点云图像(上图);
Luminar激光雷达生成的周围环境点云图,颜色表达了环境中物体的距离信息(下图) 。
(图片来自Jeff Hecht, "Lidar for Self-Driving Cars," Optics & Photonics News 29(1), 26-33 (2018).)

 

机械式车载激光雷达是最早应用于智能驾驶的激光雷达产品,时至今日凭借其原理简单、易驱动、易实现水平360°扫描等优点仍被广泛应用于智能驾驶实验测试车中,但高昂的成本和在行车环境下长期使用的不可靠性阻碍了其推广和普及。混合式车载激光雷达将机械结构进行微型化、电子化的设计;主要部件运用芯片工艺生产,技术上易实现,性能仍需优化,已开始应用于智能驾驶解决方案中。全固态车载激光雷达内部没有任何宏观或微观上的运动部件,可靠、耐用,但制作工艺难度高,仍处于研发初期阶段,是公认的低成本化、小型化激光雷达的理想途径。


 

图2 著名64线机械式激光雷达威力登HDL-64E(左);威力登2017年提出的128线激光雷达VLS-128(右)。
(图片来自“Velodyne正式推出128线激光雷达VLS-128,探测距离300米,分辨率是上一代10倍[EB/OL].(2017-11-30).

https://www.leiphone.com/news/201711/qr7O8Q56xIAxfnnX.html”)

激光雷达应用算法的目的是及时准确感知周围环境,跟踪并识别障碍物、完成智能驾驶汽车定位和导航,保证其安全、高效地行驶。其中,点云分割算法是目标跟踪与识别的基础,目标跟踪与识别将实现对汽车周围障碍物运动状态和几何特征的判断,SLAM则实现汽车的精确定位与可通行路径规划。现有车载激光雷达应用算法都具有不同程度的局限性。首先,算法精度和实时性相互制约,二者难以同时满足;其次,算法多为针对某一特定场景开发,难以保证可移植性和稳定性。场景的复杂性和多样性使得算法的研究异彩纷呈,呈现出多层次、多角度的多元态势。
 


图3 云目标检测与跟踪示意。
(图片来自“叶语同, 李必军, 付黎明. 智能驾驶中点云目标快速检测与跟踪[J]. 武汉大学学报(信息科学版), 2019, 44(01):142-147+155.”)

 

综上分析,随着全球智能驾驶进入产业化与商业化的准备期,车载激光雷达凭借其优异性能已成为不可或缺的环境感知传感器,并在硬件技术和应用算法上得以迅速发展;车载激光雷达为降低成本,提升性能,满足智能驾驶需求将进一步走向固态化、智能化和网络化;应用算法研究的目标则是实时、高效和可靠,对典型算法进行优化和封装,将其作为成熟的模块提供给研发者调用是当下亟待解决的问题。

 

研究团队简介

天津大学无人驾驶汽车交叉研究中心于2016年3月成立,是由来自车辆动力、光电工程、图像处理、机器学习、自动控制、数学优化和非线性系统等相关学科科研团队组成的多学科交叉研究平台,主要研究方向包括面向智能驾驶的感知、规划、决策、控制系统设计和核心算法研究,智能驾驶车辆多维度测试与评价技术等。其中,天津大学精密仪器与光电子工程学院陈晓冬、蔡怀宇教授团队主要研究方向为光电检测与成像技术,作为交叉研究中心核心团队之一,主要负责无人驾驶环境感知硬件系统方案设计、传感器标定,以及基于激光雷达、可见/红外相机等多传感器数据融合的障碍物检测与跟踪算法研究。交叉研究中心现有教授、副教授和讲师20余人,博士生和硕士生60余人,其中国家优青1人,青年长江学者1人,教育部新世纪人才5人。发表SCI/EI论文160余篇,获得国家授权发明专利40余项。相关研究成果获得中国电子学会自然科学一等奖 (排名第二)、天津市自然科学三等奖等奖项。连续两届参加“世界智能驾驶挑战赛”,荣获无人驾驶组越野赛优秀奖、城市街区场景赛优秀奖、最佳乡村道路通行奖、虚拟场景组领先奖等多个奖项。

 

相关论文

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(7): 190182.

DOI:10.12086/oee.2019.190182