歡迎來到課程的模塊四。 在本模塊中，我們將討論 LIDAR， 或光檢測和測距傳感器。

激光雷達一直是自動駕駛汽車的一項使能技術，因為它可以 看到各個方向并且能夠 提供非常準確的范圍信息。

事實上，除了少數例外， 當今道路上的大多數自動駕駛汽車都是 配備某種類型的激光雷達傳感器。

在本模塊中，您將了解 激光雷達傳感器的工作原理， 用于處理 LIDAR 數據和 LIDAR 點云的基本傳感器模型， 應用于點云的不同類型的變換操作， 以及我們如何使用 LIDAR 進行本地化 使用稱為點云注冊的技術的自動駕駛汽車。

在這個視頻中， 我們將探索激光雷達的工作原理和 查看 2D 和 3D 激光雷達的傳感器模型。

我們還將描述來源 這些傳感器的測量噪聲和誤差。

在以后的課程中，我們將更詳細地討論如何使用 用于自動駕駛車輛狀態估計的 LIDAR 數據。

如果你見過像這樣的自動駕駛汽車 Waymo 汽車或優步汽車， 您可能已經注意到車頂上有東西在旋轉。

那個東西是激光雷達， 或光檢測和測距傳感器， 它的工作是提供 車輛周圍環境的詳細 3D 掃描。

事實上，激光雷達是最常用的傳感器之一 自動駕駛汽車和許多其他類型的移動機器人。

激光雷達有許多不同的形狀和尺寸， 并且可以測量到單個點的距離， 世界的二維切片， 或執行完整的 3D 掃描。

今天使用的一些最流行的模型是 由加利福尼亞的 Velodyne 等公司制造， 日本的Hokuyo和德國的SICK。

在本視頻中，我們將主要關注 Velodyne 傳感器作為我們的選擇示例， 但基本技術也適用于其他類型的激光雷達。

在我們深入了解 LIDAR 傳感的本質之前， 讓我們快速瀏覽一下這個重要傳感器的歷史。

激光雷達于 1960 年代首次推出， 激光發明后不久。

最早使用激光雷達的群體是氣象學家 在美國國家大氣研究中心， 誰部署了激光雷達來測量云頂的高度。

這些基于地面的云高儀仍處于 今天不僅用于測量水云， 還能檢測火山灰和空氣污染。

機載 LIDAR 傳感器如今通常用于 為農業調查和繪制地球表面， 地質、軍事和其他用途。

但最先帶來激光雷達的應用 進入公眾意識的是阿波羅 15 號， 第四次載人登月任務， 并且第一個使用激光高度計繪制月球表面圖。

所以，我們已經看到 LIDAR 可用于 測量距離并創建某種類型的地圖， 但它們實際上是如何工作的， 我們如何在自動駕駛汽車上使用它們？

要在一維中構建一個基本的 LIDAR， 你需要三個組件； 一個激光器，一個光電探測器， 和一個非常精確的秒表。

激光首先發射一個短脈沖光，通常在 沿某些已知射線方向的近紅外頻段。

與此同時，秒表開始計數。

激光脈沖從傳感器向外傳播 光速并擊中遠處的目標。

也許我們前面的另一輛車在路上或 靜止的物體，如停車標志或建筑物。

只要目標物的表面不太拋光或發亮， 激光脈沖會從表面向各個方向散射， 一些反射光會 沿著原始光線方向返回。

光電探測器捕捉到返回脈沖，秒表告訴你 什么時候過去了多少時間 脈搏先滅了又回來了。

該時間稱為往返時間。

現在，我們知道光速， 這略低于每秒 3 億米。

所以，我們可以將光速乘以往返時間 確定激光脈沖行進的總往返距離。

由于光的傳播速度比汽車快得多， 將 LIDAR 和目標視為是一個很好的近似 在幾納秒內有效靜止 這一切都需要發生。

這意味著從 LIDAR 到目標的距離很簡單 我們剛剛計算的往返距離的一半。

這種技術稱為飛行時間測距。

雖然這不是構建激光雷達的唯一方法， 這是一個非常常見的方法，也被用于 其他類型的測距傳感器，如雷達和聲納。

值得一提的是 光電探測器還會告訴你強度 相對于發射脈沖強度的返回脈沖。

這種強度信息不太常用于自動駕駛， 但它提供了一些關于幾何形狀的額外信息 光束反射的環境和材料。

那么，為什么強度數據有用？

在某種程度上，事實證明可以從以下位置創建 2D 圖像 然后您可以使用相同的激光雷達強度??數據 您將在下一課程中學習的計算機視覺算法。

由于激光雷達是它自己的光源， 它實際上為自動駕駛汽車提供了一種在黑暗中看東西的方法。

所以，現在我們知道如何測量單個距離到 使用激光、光電探測器的單點， 一個秒表和飛行時間方程， 但顯然留下來是不夠的 激光聚焦在前方的一個點上。

那么，我們如何使用這種技術來衡量 2D 或 3D 中的一大堆距離？

訣竅是在激光雷達中構建一個旋轉鏡 沿不同方向引導發射的脈沖。

隨著鏡子的轉動， 您可以測量傳感器周圍 2D 切片中點的距離。

如果你再添加一個上下點頭的動作 隨著旋轉到鏡子， 您可以使用相同的原理來創建 3D 掃描。

對于 Velodyne 型激光雷達， 鏡子沿著整個傳感器主體旋轉， 使用打結動作進行 3D 掃描要困難得多。

相反，這些傳感器實際上會產生 來自一系列的多條二維掃描線 以固定角度間隔隔開的單個激光器， 這有效地讓你畫畫 激光水平條紋的世界。

這是典型的原始 LIDAR 流的示例 來自安裝在車頂上的 Velodyne 傳感器。

中間的黑洞是 傳感器本身所在的盲點， 從那里向外擴散的同心圓 旋轉 Velodyne 傳感器產生的單個掃描線。

掃描中的每個點都根據返回信號的強度著色。

3D 掃描中的整個點集合稱為點云， 我們將討論如何使用點云 在接下來的幾個視頻中進行狀態估計。

但在我們討論點云之前 我們需要考慮 3D 中的各個點。

現在通常，激光雷達測量位置 使用球坐標的 3D 點， 從中心原點到 3D 點的范圍或徑向距離， 從傳感器 XY 平面向上測量的仰角， 和方位角，從傳感器 x 軸逆時針測量。

這是有道理的，因為方位角和仰角 角度告訴你激光脈沖的方向， 范圍告訴你有多遠 目標點所在的方向。

方位角和仰角的測量使用 告訴你鏡子方向的編碼器， 并且范圍是使用我們之前看到的飛行時間來測量的。

對于 Velodyne 型激光雷達， 對于給定的掃描線，仰角是固定的。

現在，假設我們要確定笛卡爾 我們在傳感器框架中掃描點的 XYZ 坐標， 這是我們經常想做的事情 將多個 LIDAR 掃描組合成一張地圖。

要將球坐標轉換為笛卡爾坐標， 我們使用與您相同的公式 在你的力學課上遇到過。

這為我們提供了一個逆傳感器模型。

我們說這是逆模型，因為 我們的實際測量值以球面坐標給出， 我們正在嘗試重建笛卡爾坐標系 在產生它們的點上的坐標。

請注意，我們還沒有談到測量噪聲， 稍后我們會回到這個話題。

從笛卡爾坐標到球坐標的另一條路， 我們可以計算出這里給出的逆變換。

這是我們用于 3D LIDAR 的前向傳感器模型， 其中給出了一組笛卡爾 坐標定義了傳感器實際報告的內容。

現在，大部分時間我們工作的自動駕駛汽車 使用像 Velodyne 這樣的 3D LIDAR 傳感器， 但有時你可能想單獨使用 2D LIDAR， 無論是檢測障礙物還是狀態估計 更結構化的環境，例如停車場。

有些汽車有多個 2D LIDAR 戰略性地用作單個 3D LIDAR， 以更大或更小的測量密度覆蓋不同的區域。

對于 2D LIDAR，我們使用完全相同的正向和反向傳感器模型。

但是仰角增強了 z 分量 傳感器框架中的 3D 點都為零。

換句話說，我們所有的測量都是 限于傳感器的 XY 平面， 我們的球面坐標坍塌為 熟悉的二維極坐標。

我們現在已經看到了如何在測量的球坐標之間進行轉換 傳感器和笛卡爾 我們通常會對狀態估計感興趣的坐標， 但是測量噪聲呢？

對于 LIDAR 傳感器，有 需要考慮的幾個重要噪聲源。

第一，不確定性 反射信號到達的確切時間， 這是因為我們用來計算的秒表 飛行時間必然具有有限的分辨率。

同樣，也存在不確定性 鏡子在 2D 中的確切方向和 自編碼器以來的 3D LIDAR 用來測量這個也有有限的分辨率。

另一個重要因素是與 會降低返回信號的目標表面。

例如，如果表面完全是黑色的， 它可能會吸收大部分激光脈沖。

或者如果它像鏡子一樣閃亮， 激光脈沖可能會被散射 完全偏離原來的脈沖方向。

在這兩種情況下， LIDAR 通常會報告最大距離誤差， 這可能意味著沿光束方向有空白空間， 或者脈沖遇到 高吸收性或高反射性表面。

換句話說，你根本無法判斷某物是否存在， 如果你的自動駕駛汽車是安全的，這可能是一個安全問題 僅依靠激光雷達來檢測和避開障礙物。

最后，光速實際上 取決于它通過的材料。

空氣的溫度和濕度也可以突然 例如，在我們的飛行時間計算中影響光速。

這些因素通常由 假設加性零均值高斯噪聲 球坐標與 經驗確定或手動調整的協方差。

正如我們之前看到的， 高斯噪聲模型特別方便 狀態估計即使在大多數情況下并不完全準確。

另一個非常重要的錯誤來源，不能 很容易解釋的是運動失真， 這是因為 LIDAR 所連接的車輛是 通常相對于它掃描的環境移動。

現在，雖然這輛車不太可能 以相當一部分光速運動， 它通常會在 傳感器本身轉速的可觀部分， 這通常在 5-20 赫茲左右，當 掃描距離為 10 到 100 米的物體。

這意味著 LIDAR 掃描中的每個點都取自 稍微不同的位置和稍微不同的方向， 這可能會導致諸如 重復的對象出現在 LIDAR 掃描中。

這使得它更難 一輛自動駕駛汽車來了解它的環境， 并且糾正這種運動失真通常需要 車輛的精確運動模型 例如，由 GPS 和 INS 提供。

回顧一下，LIDAR 傳感器通過發射來測量距離 脈沖激光并測量脈沖的飛行時間。

2D 或 3D LIDAR 是通過使用鏡子來擴展這一原理 將激光掃過環境 并測量多個方向的距離。

在接下來的視頻中， 我們將更仔細地研究由 2D 和 3D 激光雷達創建的點云， 以及我們如何在我們的自動駕駛汽車上使用它們進行狀態估計。

補充閱讀：光探測和測距傳感器

有關 LIDAR 傳感器的更多信息，請查看以下資源：

• 閱讀Timothy D. Barfoot, State Estimation for Robotics (2017)（免費提供）的第 6 章第 4.3 節。

• 閱讀關于激光雷達傳感器的維基百科文章。

• 閱讀Roland Siegwart, Illah R. Nourbakhsh, Davide Scaramuzza, Introduction to Autonomous Mobile Robots (2nd ed., 2011) 的第 4 章第 1.9 節。

參考

https://www.coursera.org/learn/state-estimation-localization-self-driving-cars/lecture/3NXgp/lesson-1-light-detection-and-ranging-sensors

總結

以上是生活随笔為你收集整理的自动驾驶 11-1: 光检测和测距传感器LIDAR Light Detection and Ranging Sensors的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。