傳感器激光雷達（二）

時間戳和編碼信息

LiDAR 通常從硬件層面支持授時，即有硬件trigger觸發LiDAR數據，并支持給這一幀數據打上時間戳。

通常會提供支持三種時間同步接口，

1.IEEE 15882008同步，遵循精確時間協議，通過以太網對測量以及系統控制實現精確的時鐘同步。

2.脈沖同步（PPS），脈沖同步通過同步信號線實現數據同步。

3. GPS同步（PPS+UTC），通過同步信號線和UTC時間（GPS時間）實現數據同步。

然后我們從LiDAR硬件得到一串數據包，需要過一次驅動才能將其解析成點云通用的格式，如ROSMSG或者pcl點云格式，以目前最普遍的旋轉式激光雷達的數據為例，其數據為10hz，即LiDAR在0.1s時間內轉一圈，并將硬件得到的數據按照不同角度切成不同的packet，以下便是一個 packet數據包定義示意圖。

而每一個packet包含了當前扇區所有點的數據，包含每個點的時間戳，每個點的xyz數據，每個點的發射強度，每個點來自的激光發射機的id等信息。

而如最新的Livox Horizon激光雷達，也包含了多回波信息及噪點信息，格式如下：

每個標記信息由1字節組成：該字節中bit7和bit6為第一組，bit5和bit4為第二組，bit3和bit2為第三組，biti和bito為第四組。

第二組表示的是該采樣點的回波次序。由于LivoxHorizon采用同軸光路，即使外部無被測物體，其內部的光學系統也會產生一個回波，該回波記為第0個回波。隨后，若激光出射方向存在可被探測的物體，則最先返回系統的激光回波記為第1個回波，隨后為第2個回波，以此類推。如果被探測物體距離過近（例如1.5m），第1個回波將會融合到第0個回波里,該回波記為第0個回波。

第三組基于回波能量強度判斷采樣點是否為噪點。通常情況下，激光光束受到類似灰塵、雨霧、雪等干擾產生的噪點的回波能量很小。目前按照回波能量強度大小將噪點置信度分為二檔：01表示回波能量很弱：這類采樣點有較高概率為噪點，例如灰塵點；10表示回波能量中等，該類采樣點有中等概率為噪點，例如雨霧噪點。噪點置信度越低，說明該點是噪點的可能性越低。

第四組基于采樣點的空間位置判斷是否為噪點。例如：激光探測測距僅在測量前后兩個距離十分相近的物體時，兩個物體之間可能會產生拉絲狀的噪點。目前按照不同的噪點置信度分為三檔，噪點置信度越低，說明該點是噪點的可能性越低。

LiDAR的作用

感知

我們可以根據LiDAR能描繪出稀疏的三維世界的特點，而掃描得到的障礙物點云通常又比背景更密集，通過分類聚類的方法可以利用其進行感知障礙物。而隨著深度學習帶來的檢測和分割技術上的突破，LiDAR已經能做到高效的檢測行人和車輛，輸出檢測框，即3D bounding box，或者對點云中的每一個點輸出 label，更有甚者在嘗試使用LiDAR檢測地面上的車道線。

在三維目標識別的對象方面，最初研究主要針對立方體、柱體、錐體以及二次曲面等簡單形體構成的三維目標。然而，這類形體對現實世界的表達能力有限，絕大部分目標難以用這些形體或其組合來近似。后續研究主要集中于三維自由形態目標的識別，所謂自由形態目標，即表面除了頂點、邊緣以及尖拐處之外處處都有良好定義的連續法向量的目標（如飛行器、汽車、輪船、建筑物、雕塑、地表等）。由于現實世界中的大部分物體均可認為是自由形態目標，因此三維自由形態目標識別算法的研究大大擴展了識別系統的適用范圍。在過去二十余年間，三維目標識別任務針對的數據量不斷增加，識別難度不斷上升，而識別率亦不斷提高。然而，如何在包含遮擋、背景干擾、噪聲、逸出點以及數據分辨率變化等的復雜場景中實現對感興趣目標的檢測識別與分割，仍然是一個富有挑戰性的問題。

配準

在三維模型重建方面，最初的研究集中于鄰接關系和初始姿態均已知時的點云精配準、點云融合以及三維表面重建。在此，鄰接關系用以指明哪些點云與給定的某幅點云之間具有一定的重疊區域，該關系通常通過記錄每幅點云的掃描順序得到。而初始姿態則依賴于轉臺標定、物體表面標記點或者人工選取對應點等方式實現。這類算法需要較多的人工干預，因而自動化程度不高。接著，研究人員轉向點云鄰接關系已知但初始姿態未知情況下的三維模型重建，常見方法有基于關鍵點匹配、基于線匹配、以及基于面匹配 等三類算法。在實際應用中，很多時候并不知道點云之間的鄰接關系。針對此，研究人員開發了最小張樹算法和連接圖算法以實現鄰接關系的計算。總體而言，三維模型重建算法的發展趨勢是自動化程度越來越高，所需人工干預越來越少，且應用面越來越廣。然而，現有算法依然存在運算復雜度較高、只能針對單個物體、且對背景干擾敏感等問題。研究具有較低運算復雜度且不依賴于先驗知識的全自動三維模型重建算法，是目前的主要難點。

給定兩個來自不同坐標系的三維數據點集，找到兩個點集空間的變換關系，使得兩個點集能統一到同一坐標系統中，這個過程便稱為配準。配準的目標是在全局坐標框架中找到單獨獲取的視圖的相對位置和方向，使得它們之間的相交區域完全重疊。對于從不同視圖（views）獲取的每一組點云數據，點云數據很有可能是完全不相同的，需要一個能夠將它們對齊在一起的單一點云模型，從而可以應用后續處理步驟，如分割和進行模型重建。目前對配準過程最常見的主要是 ICP 及其變種算法，NDT 算法，和基于特征提取的匹配。

ICP算法最早由Chen and Medioni，and Besl and McKay提出。其算法本質上是基于最小二乘法的最優配準方法。該算法重復進行選擇對應關系點對，計算最優剛體變換這一過程，直到根據點對的歐氏距離定義的損失函數滿足正確配準的收斂精度要求。ICP是一個廣泛使用的配準算法，主要目的就是找到旋轉和平移參數，將兩個不同坐標系下的點云，以其中一個點云坐標系為全局坐標系，另一個點云經過旋轉和平移后兩組點云重合部分完全重疊。

NDT算法的基本思想是先根據參考數據（reference scan）來構建多維變量的正態分布，如果變換參數能使得兩幅激光數據匹配的很好，那么變換點在參考系中的概率密度將會很大。然后利用優化的方法求出使得概率密度之和最大的變換參數，此時兩幅激光點云數據將匹配的最好。由此得到位資變換關系。

局部特征提取通常包括關鍵點檢測和局部特征描述兩個步驟，其構成了三維模型重建與目標識別的基礎和關鍵。在二維圖像領域，基于局部特征的算法已在過去十多年間取得了大量成果并在圖像檢索、目標識別、全景拼接、無人系統導航、圖像數據挖掘等領域得到了成功應用。類似的，點云局部特征提取在近年來亦取得了部分進展

而當三維點較為稠密的時候，可以像視覺一樣提取特征點和其周圍的描述子，主要通過選擇幾何屬性（如法線和曲率）比較有區分度的點，在計算其局部鄰域的幾何屬性的統計得到關鍵點的描述子，而當處理目前市面上的激光雷達得到的單幀點云數據時，由于點云較為稀疏，主要依靠每個激光器在掃描時得到的環線根據曲率得到特征點。

里程計和定位

而有了兩幀點云的數據根據配準得到了相對位姿變換關系后，我們便可以利用激光雷達傳感器獲得的數據來估計載體物體位姿隨時間的變化而改變的關系。比如我們可以利用當前幀和上一幀數據進行匹配，或者當前幀和累計堆疊出來的子地圖進行匹配，得到位姿變換關系，從而實現里程計的作用。

而當我們用當前幀和整個點云地圖進行匹配的時候，我們便能得到傳感器在整個地圖中的位姿，從而實現在地圖中的定位。

LiDAR的趨勢

傳感器車規化

固態激光雷達取消了機械結構，能夠擊中目前機械旋轉式的成本和可靠性的痛點，是激光雷達的發展方向。除了這兩大迫切解決的痛點外，目前量產的激光雷達探測距離不足，僅能滿足低速場景（如廠區內、校園內等）的應用。日常駕駛、高速駕駛的場景仍在測試過程中。

當前機械式激光雷達的價格十分昂貴，Velodyne 在售的 64 線/32 線/16 線產品的官方定價分別為 8 萬/4 萬/8 千美元。一方面，機械式激光雷達由發射光源、轉鏡、接收器、微控馬達等精密零部件構成，制造難度大、物料成本較高；另一方面，激光雷達仍未大規模進入量產車、需求量小，研發費用等固定成本難以攤薄。 量產100 萬臺 VLP-32后，那么其售價將會降至 400 美元左右。

多傳感器融合

在環境監測傳感器中，超聲波雷達主要用于倒車雷達以及自動泊車中的近距離障礙監測，攝像頭、毫米波雷達和激光雷達則廣泛應用于各項 ADAS 功能中。四類傳感器的探測距離、分辨率、角分辨率等探測參數各異，對應于物體探測能力、識別分類能力、三維建模、抗惡劣天氣等特性優劣勢分明。各種傳感器能形成良好的優勢互補，融合傳感器的方案已成為主流的選擇。