编辑 | 制造漫谈

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

点击进入→自动驾驶之心【3D目标检测】技术交流群

后台回复【3D检测综述】获取最新基于点云/BEV/图像的3D检测综述！

激光雷达是最近硬科技领域的热门词汇之一。2023年2月9日，“激光雷达第一股”禾赛科技（股票代码：HSAI）成功登陆纳斯达克，激光雷达市场的爆发式增长似乎“箭在弦上”？智造漫谈小组将为大家掀开激光雷达神秘的面纱。

智造漫谈将分三期为大家介绍激光雷达，其中第一期介绍车载激光雷达的定义、特点、组成、测距和测速原理 ；第二期，主要介绍点云数据系统的工作原理、三种车载激光雷达的发展情况及优缺点；第三期将通过禾赛科技的公开资料，对激光雷达行业的商业模式、竞争格局、市场规模等内容进行分析。

本期为激光雷达第二期内容，全文共6212字，阅读时长大概需要12分钟。

一、车载激光雷达的激光点云

通过点云技术，激光雷达的成像能够更为清晰、精准，能够充分发挥高分辨率的优点。点云的应用不仅可以节省掉传统的建模时间，也增加了模型准确性，是激光雷达的技术优势之一。

车载激光雷达是一种移动型扫描系统，可以通过发射和接收激光束，分析激光遇到目标对象后的折返时间，计算出目标对象与车的相对距离，并利用收集的目标对象表面大量的密集点的三维坐标、反射率等信息，快速复建出目标的三维模型及各种图件数据，建立三维点云图，绘制出环境地图，以达到环境感知的目的。激光雷达采集到的物体信息呈现出一系列分散的、具有准确角度和距离信息的点，被称为点云，如图1所示。

图1 3D点云的目标识别

图2 激光雷达点云图

 01

  激光点云的参数和特点

激光点云指由三维激光雷达设备扫描得到的空间点数据集，每一个点云都包含三维坐标（XYZ）和激光反射强度（Intensity），其中强度信息会与目标物表面材质与粗糙度、激光入射角度、激光波长以及激光雷达的能量密度有关，点云的相关参数和特点如下：

表一：激光雷达点云的相关参数

表二：点云的特点

 02

  原始点云数据的接收与解析

1、点云数据的接收

激光雷达的原始点云数据都会被存放在一个数据包里（PCAP），此时数据包里面的数据都是一连串的字节符号，无法直接使用。以Velodyne的16线激光雷达为例，原始点云数据的接收主要是通过UDP（用户数据报协议）的形式向网络发送数据。

从数据的内容来看，该型号的激光雷达在垂直方向上（-15°到+15°）有16线的激光束，其每帧的数据长度固定为1,248字节，这些字节包括前42字节的前数据包标识、12组数据包、4字节时间戳和最后两字节雷达型号参数。

图3 Velodyne-16激光雷达每一帧的点云数据情况

每个数据包中的数据都包含了激光光束的旋转角度、距离值、反射强度的信息。例如，“B6 07”代表了激光雷达的探测距离为3.948m，“2A”代表了激光的反射强度，但这些信息都是以两字节表示，需要进一步解析这些数据。

图4  Velodyne-16激光雷达数据包的一部分数据

2、点云数据的解析

数据包中的原始数据需要进一步转换为可被PCD格式的数据集 PCD文件主要是由笛卡尔坐标（x,y,z）和强度值i组成的列表，即每个点云都会附带独有的三维坐标系和能量反射强度。

在这个坐标系中，x轴指向汽车的前部，y轴指向汽车的左侧。由于这个坐标系采用右手定则，坐标系z轴指向汽车上方。

图5  点云pcd坐标

 03

 定位处理

在获得以上三维坐标和每点的强度信息后，车辆将提取路况特征并匹配相应路段，从而实现自身定位。

1、特征提取：

用点云数据做定位的第一步是先要确定“我在哪里”，此时感知算法设备要先提取周边场景的目标物特征，并通过这些特征和所获取到的相对距离信息建立一个小地图，确定车辆的相对初始位置。

点云特征提取往往是实时的，这导致点云的数据量非常大，而现有量产车的硬件性能有限，所以为了减少点云数据的计算量，点云数据在被提取特征时一般会被优先提取较为明显的特征，像物体的轮廓信息、目标物的线面角，具体地电线杆是线的特征、路面是面的特征、建筑物的角点就是角的特征。

2、地图匹配：

在提取完周围目标物的特征后，感知算法需要根据这些特征来进行点云地图匹配，来获取各个点云之间的相对位姿，点云地图匹配一般可分为帧间匹配和高精地图匹配。

帧间匹配也叫子图匹配，指将前后帧上有相同特征的点云做匹配，最后得到一张局部小地图；高精地图匹配，指将优化后的点云与高精地图做匹配。在自动驾驶行业内，自动驾驶方案商或者主机厂都会应用这两种不同方案，但常用的匹配方案还是以帧间匹配为主。

3、位姿优化：

点云数据在做完匹配后，可以获取各点云间的相对位姿（从一个坐标系转换为另一个坐标系的过程中发生的平移和旋转等动作）而相对位姿的准确性会影响构建地图的准确性，所以需要对点云的相对位姿做一定的优化。

相对位姿的不准确主要由于一些不可控因素，如点云被物体遮挡或者激光雷达视场角的限制，点云的位姿优化通过一定的点云坐标系的刚体变化（旋转或平移）来得到最优相对位姿。

二、车载激光雷达的分类和发展情况

 01

机械式激光雷达

机械式激光雷达通过电机带动收发阵列进行整体旋转，能够实现对空间水平 360°视场范围的扫描。其发射系统和接收系统在宏观上是旋转的，发射部件垂直排列成激光光源的线性阵列，通过透镜在垂直面上产生不同方向的激光束。在步进电动机的驱动下，垂直面内的激光束不断地从“线”旋转到“面”，并通过旋转扫描光“面”形成多重激励，实现检测区域的三维扫描，形成点云。

Velodyne公司于2005年首次提出了一种激光雷达的三维机械旋转式扫描技术（申请号：US11777802），该项技术成功实现了激光雷达的 360 度扫描，率先弥补了三维车载激光雷达扫描技术的空白，机械式激光雷达面世。目前，该公司已经推出了采用128线束并将探测距离提升至300米的Alpha PUCK 激光雷达；在国内，禾赛科技也发布了Pandar系列机械式激光雷达，其中Panndar128采用128线，测距范围达到200米。机械式激光雷达的技术已经相对成熟。

作为激光雷达最经典且发展最为成熟的技术方案，机械式激光雷达常应用于自动驾驶出租车的测试和迭代，但利用传统分立式设计的机械式雷达主要是通过增加收发模块来实现高线束，虽然能够实现更高精度的探测，但整套元器件体积大且降本空间有限。

图6  混合固态激光雷达 MEMS内部结构

 02

混合固态激光雷达 MEMS

混合固态激光雷达MEMS（Micro Electromechanical System）是一种用半导体“微动”器件来代替机械式扫描器，在微观尺度上实现雷达发射端的激光扫描方式。MEMS激光雷达将微机电系统MEMS（一种内部结构在微米乃至纳米的高科技装置）和振镜（一种硅基半导体元器件，属于固态电子元件）相结合，通过MEMS驱动振镜使其运动，激光通过振镜发射到各个方向，因此被称为混合固态激光雷达。

图7  混合固态激光雷达 MEMS发射系统结构

MEMS激光雷达将所有的机械部件集成到单个芯片上，利用半导体工艺生产，达到机械结构的微型化和电子化设计。如图8MEMS在发射激光的时候通过驱动电路同时作用于激光器和MEMS振镜，使得激光器产生激光脉冲及MEMS振镜发生旋转。此时所发射的脉冲在振镜不断地旋转反射下进行激光扫描，最后经光学单元准直后射出。

作为机械旋转扫描激光雷达的升级换代，MEMS激光雷达得到了广泛的应用。目前，量产车领域主要搭载的是混合固态激光雷达。自2020年起，全球范围有21款车型宣布将搭载激光雷达，中国公司推出了其中的14款，这些车企选择的主要都是混合固态激光雷达。

首个MEMS混合固态激光雷达是以色列公司Innoviz在2017年发布的Innoviz One；速腾紧跟其后，在同年推出了与 Innoviz One 相似的M1。另一个被看好的混合固态路线是单轴转镜，即Scala使用的方案。禾赛科技在2021年第四季度推出了128线激光雷达AT128，目前已成为理想、集度、吉利旗下路特斯、高合等品牌的指定供应商。

混合固态激光雷达可分为一维扫描和二维扫描，它们的共同之处是，都通过内部机械运动改变激光的方向；区别是一维扫描仅改变水平方向，二维扫描同时改变水平和垂直方向。一维扫描的方案为采用在水平方向上的反射镜来改变光线方向获得视场角覆盖；二维扫描有两种方案，一种是振镜通过悬臂梁在横纵两轴高速周期运动，从而改变激光反射方向实现扫描，另一种是由一个在横轴不断旋转的多边形棱镜和一个在纵轴摆动的镜子实现扫描。下面具体介绍这三种方案。

图8  混合固态激光雷达 MEMS内部结构

1、二维扫描：

二维扫描可进一步细分为 MEMS 和二维转镜两类。

（1）MEMS 方案的核心是一个厘米尺度的振镜通过悬臂梁在横纵两轴高速周期运动，从而改变激光反射方向实现扫描。相比传统机械式激光雷达，MEMS 方案简化了扫描结构，通过控制微振镜的偏转角度就能改变扫描路径，仅需几个激光器就能达到和机械式多线束激光雷达的覆盖区域和点云密度一样的效果。

但这一方案的技术难点在于悬臂梁转动角度有限，使得单个振镜覆盖的视场角很小，往往需要多台拼接才能实现大视场角覆盖，可能导致点云图像在叠加边缘出现不均匀的畸变和重叠，加大后续算法处理的难度。

图9  混合固态激光雷达-二维扫描-MSME方案

（2）二维转镜方案由一个在横轴不断旋转的多边形棱镜和一个可以在纵轴摆动的镜子组成。例如下面是一种市场上现有的二维转镜扫描示意，不断旋转的多边形棱镜可以让光源实现水平扫描，而同时纵轴摆镜则可以改变光源的垂直扫描方向。

图10  混合固态激光雷达-二维扫描-二维转镜方案

按照这种设计方案仅需一束光源就可以完成机械式雷达若干个光源才能完成的扫描任务，但也正因只有一束激光，要保证对三维世界的高清扫描就要求扫描频率非常高，同时要求功率也更大，给扫描器件带来了可靠性方面的挑战。

2、一维扫描：

与二维扫描结构相比，一维扫描采用仅在水平方向上低速转动的反射镜来改变光线方向获得视场角覆盖，稳定性和可靠性更高。2017年法雷奥在行业中推出的第一款通过车规验证的激光雷达，采用的正是这一技术方案，但此方案的局限性在于扫描线数较少，难以实现较高的分辨率。

 03

固态激光雷达

机械式和半固态都是收发模块搭配一种做机械运动的扫描模块，不能算是纯固态，归根结底扫描模块只是一个机械部件，是一种“形式”，真正决定激光雷达性能的“本质”是其收发模块。只有在内部没有任何运动部件的才是纯固态激光雷达，这种激光雷达结构最简单、集成度最高。理论上来讲，固态激光雷达是完全没有移动部件的雷达，光相控阵（Optical Phased Array）和 Flash 是典型技术路线，也被认为是纯固态激光雷达方案。

图11：禾赛科技 FT120 固态激光雷达

1、OPA固态激光雷达：

OPA（相控阵）激光雷达是采用光学相位控制阵列技术实现激光扫描的一种激光雷达。OPA发射器由多个可独立控制的发射和接收单元组成，改变加载其上的电压便可改变各单元发出的光波特性，再通过调整发射光波之间的相位关系在一定方向上实现相互增强的干涉，从而产生具有方向性的高强度光束。在设计好的程序控制下，OPA的各个相位控制单元使一个或多个高强度光束的方向实现随机空间扫描。

图12  OPA激光雷达原理框图

1、Flash固态激光雷达：

Flash（泛光面阵式）激光雷达是通过记录光子飞行时间计算环境距离的激光雷达，属于非扫描式激光雷达。在运行过程中，成像系统（高密度的激光源阵列）发射大面积激光覆盖探测区域。由于物体表面到返回点的距离不同，光源到达物体表面后部分反射回图像上的像素点飞行时间也不同，由雷达内部的高灵敏度接收器计算每个像素对应的距离，完成对周围环境的信息采集与绘制。

Flash激光雷达是目前全固态激光雷达中主流的技术产品之一，主要优点有成像速度快、成本低、集成度高、非离散采集、能够改善感知系统对环境的空间理解能力等。但是由于受限于芯片技术，目前Flash激光雷达的应用范围较小。另外，多发射器同时发射脉冲激光，也限制了其模块的功率。

图13  固态激光雷达-Flash

固态激光雷达的优势在于能够最大程度地减少例如电机、轴承等可动机械结构带来的磨损，同时消除光电器件因为机械旋转可能造成的故障，使得固态激光雷达内部的结构布局更加合理，整体散热及稳定性相比于机械式激光雷达有质的飞跃。

固态激光雷达取消了复杂和高频转动的机械结构，能够降低物料和量产成本，提升产品可靠性、生产效率和一致性，未来能够在车规级量产领域有所发展。

现阶段固态激光雷达的不足在于功率密度低、探测距离短，还不能作为主激光雷达大规模量产使用，但固态激光雷达的近距补盲能可以与半固态激光雷达的远距感知相组合，打造出完整的车规级激光雷达解决方案。

表三：三种激光雷达比较

三、车载激光雷达的安装位置

如图14所示，激光雷达安装位置分为两大类：一类安装在智能网联汽车的四周，另一类安装在智能网联汽车的车顶。对于装在智能网联汽车四周的激光雷达，其激光线束一般小于8，常见的有单线激光雷达和4线激光雷达。对于安装在智能网联汽车车顶的激光雷达，其激光线束一般不小于16，常见的有16、32、64线激光雷达。不管安装在什么位置，均需要满足以下要求。

图14  激光雷达安装位置

1、首先根据雷达抗振动和冲击能力，确定是否需要减振支架。

2、如果不需要减振支架，可以使用安装吊耳固定或者雷达上面的其他固定螺钉孔。

3、避障雷达要求水平朝上倾斜5°左右，以解决高反射物体的探测。

4、测量雷达要求安装平面尽可能与地面平行，用于提高普通定位精度。这是因为如果有倾斜角度的话，雷达在不同位置探测出来的轮廓会有较大误差，最终影响定位精度。

5、激光头安装的位置最好不超出车顶200mm，约170mm的高度安装位置最佳（即可做安全避障，又可以做测量用）。根据车身结构去选择雷达正向安装或倒置安装都可以。

6、在雷达布置上面，可以选择车头中间位置或者车的四个对角点。如果布置两个雷达在车对角，就可以实现车身360°都被激光雷达探测到，从而避障无死角。

7、不同车体，雷达的安装x、y方向和旋转姿态会有误差，最终导致理论相同的定位点，车体却有不同的位置和姿态。系统需要设置这三个误差的补偿值，从而保证其一致性。

参考资料

一看就懂的激光雷达原理解析 - 知乎 https://zhuanlan.zhihu.com/p/443488190

一文了解激光雷达(Lidar)工作原理，及雷达（Radar）、点云数据相关技术与应用领域 - 知乎

https://zhuanlan.zhihu.com/p/449269751

禾赛科技招股书——禾赛

视频课程来了！

自动驾驶之心为大家汇集了毫米波雷达视觉融合、高精地图、BEV感知、传感器标定、自动驾驶协同感知、语义分割、自动驾驶仿真、L4感知等多个方向学习视频，欢迎大家自取（扫码进入学习）

（扫码学习最新视频）

国内首个自动驾驶学习社区

近1000人的交流社区，和20+自动驾驶技术栈学习路线，想要了解更多自动驾驶感知（分类、检测、分割、关键点、车道线、3D目标检测、Occpuancy、多传感器融合、目标跟踪、光流估计、轨迹预测）、自动驾驶定位建图（SLAM、高精地图）、自动驾驶规划控制、领域技术方案、AI模型部署落地实战、行业动态、岗位发布，欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频，期待交流！

【自动驾驶之心】全栈技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、BEV感知、多传感器融合、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、规划控制、模型部署落地、自动驾驶仿真测试、产品经理、硬件配置、AI求职交流等方向；

添加汽车人助理微信邀请入群

备注：学校/公司+方向+昵称