摘 要：隨著汽車制造業(yè)和智能技術(shù)的迅猛發(fā)展，智能汽車將主導(dǎo)汽車市場，文章主要分析激光雷達(dá)在智能汽車上的作用。

關(guān)鍵詞：障礙物預(yù)測;跟蹤和識別;建圖;匹配定位

0 ? 引言

節(jié)能環(huán)保、新能源汽車、智能汽車成為我國汽車發(fā)展方向，智能汽車主要是發(fā)展自主式智能汽車和網(wǎng)聯(lián)式智能汽車。自主式智能汽車和網(wǎng)聯(lián)式智能汽車要實(shí)現(xiàn)上述功能只裝配普通微波雷達(dá)是不能實(shí)現(xiàn)的，要實(shí)現(xiàn)上述功能，激光雷達(dá)是自主式智能汽車和網(wǎng)聯(lián)式智能汽車電氣系統(tǒng)控制系統(tǒng)中必不可少的元件。

1 激光雷達(dá)在智能汽車上的作用

1.1? 掃描式激光雷達(dá)

目前能在智能汽車上使用的掃描式激光雷達(dá)有機(jī)械式旋轉(zhuǎn)激光雷達(dá)、微機(jī)電系統(tǒng)掃描式雷達(dá)和相控陣激光雷達(dá)。

機(jī)械式旋轉(zhuǎn)激光雷達(dá)（發(fā)射、接收、共軸旋轉(zhuǎn)的激光雷達(dá)）是目前比較成熟的，已有無人駕駛概念汽車試用機(jī)械式旋轉(zhuǎn)激光雷達(dá)裝置。

基于微機(jī)電系統(tǒng)的掃描式雷達(dá)目前屬于技術(shù)研究狀態(tài)，它的原理是通過微機(jī)電系統(tǒng)掃描鏡來改變光路。

相控陣激光雷達(dá)是通過逐點(diǎn)掃描的方式，即通過多個小天線之間發(fā)射的激光的發(fā)射相位來改變光路而實(shí)現(xiàn)的。

1.2? 面陣式激光雷達(dá)

面陣式激光雷達(dá)發(fā)射的就是一個面陣的光，主要問題在于探測距離較近。

2 激光雷達(dá)在智能汽車上工作過程

2.1 飛行時間測量物體的距離

在飛行時間ToF LiDAR中，激光發(fā)出持續(xù)時間為τ的光脈沖，在發(fā)射的瞬間激活計(jì)時電路內(nèi)部時鐘。從目標(biāo)反射的光脈沖到達(dá)光電探測器時，會產(chǎn)生一種使時鐘失效的輸出電信號。這種電子測量往返ToFΔt可計(jì)算出目標(biāo)到反射點(diǎn)的距離R。

若現(xiàn)實(shí)中激光和光電探測器位于同一位置，其距離R是由以下兩個因素影響：

c為光在真空中的速度，n為傳播介質(zhì)的折射率（空氣中折射率接近1）。這兩個因素影響著距離分辨率ΔR：若激光點(diǎn)的直徑大于要解析的目標(biāo)大小，則測量Δt和脈沖的空間寬度w（w=cτ）的不確定性為δΔt。

在典型汽車LiDAR系統(tǒng)中，激光產(chǎn)生的脈沖持續(xù)時間約為4 ns，因此最小光束發(fā)散角是必需的。

2.2 汽車激光雷達(dá)系統(tǒng)光的波長選擇

對汽車激光雷達(dá)系統(tǒng)設(shè)計(jì)者來說，最關(guān)鍵的就是選擇光的波長。目前最受歡迎的兩種波長是905 nm和1 550 nm，對于汽車LiDAR來說，由于天氣條件和反射表面類型可能性眾多，這是一個復(fù)雜的問題。在現(xiàn)實(shí)的環(huán)境中，由于1 550 nm的吸水率比905 nm的更強(qiáng)，其實(shí)905 nm的光損失更少。

3 激光雷達(dá)應(yīng)用在智能汽車上的功能

3.1 分割和識別功能

分割器采用了caffe框架的深度完全卷積神經(jīng)網(wǎng)絡(luò)（FCNN）對障礙物進(jìn)行分割，有以下4步。

3.1.1 通道特征提取

計(jì)算以LiDar傳感器某一范圍內(nèi)的各個單元格中與點(diǎn)有關(guān)的8個統(tǒng)計(jì)量，將其作為通道特征輸入到卷積神經(jīng)網(wǎng)絡(luò)（FCNN）。

3.1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的障礙物預(yù)測

（1）卷積神經(jīng)網(wǎng)絡(luò)的障礙物預(yù)測是智能汽車激光雷達(dá)感知的重要環(huán)節(jié)。完全卷積神經(jīng)網(wǎng)絡(luò)由3層構(gòu)成：下游編碼層（特征編碼器）、上游解碼層（特征解碼器）、障礙物屬性預(yù)測層（預(yù)測器）。

（2）特征編碼器將通道特征圖像作為輸入，并且隨著特征抽取的增加而連續(xù)下采樣其空間分辨率。然后特征解碼器逐漸對特征圖像上采樣到輸入2D網(wǎng)格的空間分辨率，可以恢復(fù)特征圖像的空間細(xì)節(jié)，以促進(jìn)單元格方向的障礙物位置、速度屬性預(yù)測。根據(jù)具有非線性激活（即ReLu）層的堆疊卷積/分散層來實(shí)現(xiàn)下采樣和上采樣操作[1]。

（3）基于FCNN的預(yù)測，輸出每個單元格的4個預(yù)測信息，分別用于之后的障礙物聚類和后期處理（見表1）。

（4）障礙物集群（cluster2D）?；趩卧裰行钠祁A(yù)測構(gòu)建有向圖，采用壓縮的聯(lián)合查找算法（Union Find algorithm）基于對象性預(yù)測有效查找連接組件。

（5）構(gòu)建障礙物集群（見圖1）。（a）a圖中箭頭表示每個單元格對象中心偏移預(yù)測;陰影填充部分對應(yīng)于物體概率不小于0.5的對象單元。（b）b圖中固體多邊形內(nèi)的單元格組成候選對象集群。

（6）后期處理。聚類后獲得一組包括若干單元格的候選對象集，每個候選對象集包括若干單元格。根據(jù)每個候選群體的檢測置信度分?jǐn)?shù)和物體高度，來確定最終輸出的障礙物集群/分類。分類包括：小機(jī)動車、大機(jī)動車、非機(jī)動車和行人。

（7）障礙物邊框檢測。邊界框的主要目的還是預(yù)估障礙物（例如車輛）的邊界和方向。同樣地，邊框也用于可視化障礙物。

3.2 障礙物追蹤

3.2.1 數(shù)據(jù)關(guān)聯(lián)

找出當(dāng)前對象和歷史軌跡的一一對應(yīng)關(guān)系?；谛傺览惴ǖ倪^程是確定傳感器接收到的量測信息和目標(biāo)源對應(yīng)關(guān)系的過程，是多傳感多目標(biāo)跟蹤系統(tǒng)最核心且最重要的過程。計(jì)算關(guān)聯(lián)距離時，要考慮5個關(guān)聯(lián)特征（見表2），用以評估對象和軌跡的運(yùn)動及外觀一致性，并為其分配了不同的權(quán)重[2]。

從表2可以看出，在計(jì)算關(guān)聯(lián)距離時，重點(diǎn)考慮的還是幾何距離和兩者的形狀相似度。計(jì)算得到類似的關(guān)聯(lián)距離矩陣后，使用匈牙利算法將對象與軌跡做匹配。

3.2.2 跟蹤動態(tài)預(yù)估

估計(jì)當(dāng)前軌跡的速度。使用卡爾曼濾波來對軌跡的狀態(tài)進(jìn)行估計(jì)，使用魯棒統(tǒng)計(jì)技術(shù)來剔除異常數(shù)據(jù)帶來的影響。

在一系列重復(fù)觀測中選擇速度測量，即濾波算法的輸入，包括錨點(diǎn)移位、邊界框中心偏移、邊界框角點(diǎn)移位等。冗余觀測將為濾波測量帶來額外的魯棒性。

卡爾曼更新的觀測值為速度。每次觀測3個速度值：錨點(diǎn)移位速度、邊界框中心偏移速度和邊界框角點(diǎn)位移速度。從3個速度中，根據(jù)運(yùn)動的一致性，選出與之前觀測速度偏差最小的速度為最終的觀測值。根據(jù)最近3次的速度觀測值，計(jì)算出加速度的觀測值[3]。

3.3 激光雷達(dá)在智能汽車上定位功能

激光雷達(dá)在智能汽車上定位功能主要包括建圖和匹配定位兩個主要模塊：一是建圖：SLAM（Simultaneous Localization and Mapping），同步定位與地圖構(gòu)建。二是匹配定位：通過當(dāng)前點(diǎn)云和點(diǎn)云地圖進(jìn)行匹配，可以完成定位。常用的方法有基于Delaunay三角剖分的曲面重建與基于區(qū)域生長法的曲面重建。

4 結(jié)語

本文主要對激光雷達(dá)在智能汽車上使用的優(yōu)點(diǎn)進(jìn)行了全面的闡述，對激光雷達(dá)在智能汽車上使用優(yōu)勢、工作原理、分割、檢測、跟蹤和識別、建圖和匹配定位等方面進(jìn)行技術(shù)分析，充分考慮到了智能汽車應(yīng)具備遠(yuǎn)近程環(huán)境感知、智能決策與自主控制功能，以及智能控制復(fù)雜的特點(diǎn)，激光雷達(dá)在智能汽車上使用，可保證新一代智能汽車安全、節(jié)能、舒適行駛。

[參考文獻(xiàn)]

[1]宛東，羅建，王洪廣. 車置新能源汽車光伏充電裝置：201820292245.X[P].2018-07-06.

[2]宛東，羅建，王洪廣，等.一種新能源汽車充電放電裝置：201810168792.1[P].2018-06-19.

[3]趙汗青，韓寶亮，王珂珂.基于擺動式單線激光雷達(dá)的障礙物檢測算法[J].裝甲兵工程學(xué)院學(xué)報(bào)，2010（4）：5.

（編輯 何 琳）

Application of LiDAR in intelligent vehicle

Wan Dong

（Liuzhou Railway Vocational and technical college， Liuzhou 545616， China）

Abstract：With the rapid development of automobile manufacturing industry and intelligent technology， intelligent vehicles will dominate the automobile market. This paper mainly analyzes the role of LiDAR in intelligent vehicles.

Key words：obstacle prediction; tracking and identification; mapping; matching positioning

基金項(xiàng)目：2021年度柳州鐵道職業(yè)技術(shù)學(xué)院課題項(xiàng)目;項(xiàng)目名稱：新型激光雷達(dá)（微機(jī)電系統(tǒng)式掃描式雷達(dá)）在智能無人駕駛汽車上的研究與應(yīng)用;項(xiàng)目編號：2021KJB10。

作者簡介：宛東（1985— ），男，廣西三江人，副教授，學(xué)士;研究方向：汽車電氣與電子技術(shù)，新能源汽車技術(shù)。