激光雷达定位学习

基于激光雷达的地图创建与定位

一、自动驾驶汽车多种传感器各有优劣，多传感器融合是共识。

1、激光雷达能够获得高清的三维环境感知信息，但是价格比较贵。

2、摄像头能够获得丰富的纹理，价格也合适，但是受环境光照影响比较大。

3、毫米波雷达在雨雾天气性能优越，但是分辨率比较低。

二、激光雷达是自动驾驶汽车不可或缺的传感器，具有5大功能。

1、障碍物检测。

2、障碍物分类。

3、障碍物跟踪。

4、生成高精地图。

5、实时定位

三、激光雷达分为扫描式和非扫描式两大类。

1、扫描式激光雷达通过逐点扫描测距，又分为机械扫描雷达、基于MEMS微机电系统的雷达，以及相控阵雷达三种。

2、非扫描式激光雷达就是Flash雷达，像手电筒一样打出去一个面阵光测距。

3、从另外一个角度说，机械式和MEMS都属于机械雷达，而相控阵和Flash则属于固态雷达。

机械式雷达目前比较成熟，但硬件成本贵、量产困难，且稳定性也有待提升，目前很多公司都在向固态激光雷达方向发展。

四、激光雷达通过SLAM技术生成高精地图并定位。

1、自动驾驶汽车需要利用激光雷达、摄像头等传感器感知外部环境、构建环境模型并利用该模型确定车辆所在的位置，这套技术被称为SLAM。

基于摄像头等纯视觉传感器的SLAM被称为VSLAM，获取数据成本较低，数据量丰富，但是受光照影响比较大。

基于激光雷达的SLAM就不受光照影响，数据量比较少，创建的地图精度高，但是价格贵。

2、创建SLAM系统的时候，主要考虑稳定性、精度、计算量和传感器成本四大要素。

3、激光雷达是依靠将车辆的初始位置与高精地图信息进行比对来获得精确位置。

首先，GPS、IMU和轮速等传感器给出一个初始（大概）的位置。

其次，将激光雷达的局部点云信息进行特征提取，并结合初始位置获得全局坐标系下的矢量特征。

最后，将上一步的矢量特征跟高精地图的特征信息进行匹配，得出精确的全球定位。

创建SLAM系统的时候，我们主要考虑几个维度，第一个是影响稳定工作的因素，第二个是定位和地图创建的精度，第三个是计算量，第四个是传感器的成本。

从第一个维度（工作稳定）上来看，VSLAM容易受到环境光照的影响，依赖纹理色彩。当处于无纹理环境时，如果两边都是白色的墙，它是无法实现定位和制图的。而激光雷达是依靠结构化信息作为特征对环境进行感知并实行SLAM，如果处于又长又直的通道，它的性能就会比较差。但是如果结合激光雷达输出的反射率要素，也就是雷达的输出除了XYZ还有一个反射率I，那么情况就会好很多，但是毕竟它的信息量不够多，所以效果并不会特别好。最终最可靠的方式还是由多传感器融合来完成。

第二个考虑的维度是定位和地图构建的精度，从维度上来看，激光雷达远远优于这个基于视觉的方式。

从第三维度（计算量需求）来看，激光雷达的输出是点云。点云这个词给人感觉数据量很大，但是事实并不是。像速腾现在的32线激光雷达一秒的输出数据量不到三兆，但是视觉的一张图片就有好几兆了，一秒输出如果按20帧算，可能要20张图片甚至更高，所以从这点上看，视觉的数据量毫无疑问会比激光雷达输出多得多。从硬件支持来看的，激光雷达不需要性能特别强的处理芯片，而视觉算法就需要，但是现在的芯片发展得非常快，像英特尔、英伟达等厂家在硬件的处理能力上也在加速发展，未来不会成为一个很大的瓶颈。

从第四个维度（传感器的成本）来看，激光雷达目前成本比较贵，像Sick或hokuyo的中等距离单线激光雷达，价格要上万块钱，而速腾的16线激光雷达也要几万。因而降低成本是必然的趋势，一方面通过规模化的生产降低成本，另一方面往固态方向上进行技术创新，朝着固态的低成本和可量产化的方向去发展，目前包括速腾在内的国内外厂家都在加速创新，我相信2到3年内成本不会是问题。

通过这四个维度的结合，我们可以得出第一点是多传感器融合的方式是一个必然的趋势，第二点是特征提取会从基本的定义特征走到深度学习中去，同时激光雷达的创新成本也往降低成本的方向去发展。