激光雷达传感器在自动驾驶中的作用

作者：Wayne Lyons

AMD 汽车业务高级总监

2024 年至 2030 年间，高度自动化汽车每年的出货量将以 41% 的复合年增长率增长。这种快速增长导致汽车品牌对精确可靠传感器技术的需求空前高涨，因为他们希望提供精准、可靠且最终完全自动驾驶的汽车。

为实现这一目标，激光雷达（光探测与测距）传感器已成为汽车制造商与汽车设备供应商不可或缺的传感器。它们能通过具备足够分辨率的深度感知和距离检测来进行物体分类，从而“读懂道路”。

然而，随着我们迈向未来自动驾驶解决方案——从主动安全系统的最新创新到无人驾驶汽车——诸如激光雷达等边缘系统的功能必须得到扩展，使其能够提供更高的深度分辨率与可靠性，以应对日益复杂的场景。

采用 FPGA 和自适应 SoC 等自适应计算技术，可助力企业实现构建全面感知平台的最终目标。这样的平台能以极高的精度驾驭复杂驾驶环境并识别潜在危险。

激光雷达系统架构类型

在研究激光雷达系统时，主要分为三种架构类别：机械式（非固态）、MEMS（半固态）和基于闪存的（固态）。根据应用用例，每种架构各有其优缺点。

机械系统是部署最广泛的系统（表 1）。这些系统采用旋转发射器来发射光波，光波在遇到物体后反射回接收器。发射器旋转速度极快，可实现 360 度视场，又称为点云。这些系统的优势在于探测距离远、视场宽，但缺点是体积较大、成本较高。

表 1：非固态：机械式

优势	劣势
宽视场（ 360 度）	重且庞大，导致成本增加
远距离	对高分辨率 3D 地图的支持不够理想
快速扫描	/

微机电系统（ MEMS ）通过发射器与反射镜系统取代大型机械旋转激光雷达，以实现光纤偏转（表 2）。它们在当今的辅助驾驶应用中非常常见。这类系统体积更小、重量更轻、成本更低，但视场也较为有限，并且容易受到冲击与振动的影响。

表 2：半固态：MEMS

优势	劣势
更小、更轻、具有成本效益	视场有限
减少激光发射器的数量	易受到冲击/振动的影响
非常适合生成高分辨率 3D 地图	/

闪存系统是固态的，包括使用光学天线阵列的光学相控阵（ OPA ）系统，能够以不同角度发射光线（表 3）。这种较新的解决方案确实视场有限，需要多个单元的实现才能覆盖完整的 360 度。

表 3：固态：基于闪存的系统

优势	劣势
更小、更轻、具有成本效益	更短的距离、更小的视场
成像速度快	高功耗
非常适合生成高分辨率 3D 地图	较低的角分辨率

诸如 AMD 这样的公司打造支持各种激光雷达系统和应用的 FPGA 与自适应计算器件。无论采用哪种技术，FPGA 与自适应计算器件都能够满足激光雷达领域各种尺寸、成本与分辨率的实现需求。

解决时序抖动

激光雷达的价值在于其能够提供图像分类、分割与目标检测数据，这对于通过人工智能（ AI ）增强的 3D 视觉感知至关重要。单靠摄像头无法提供这种精度水平，尤其是在恶劣天气或者弱光环境下，这也正是激光雷达成为自动驾驶关键技术的原因所在。

尽管如此，激光雷达仍然必须解决多种挑战，其中就包括时序抖动。当激光脉冲时序或位置发生波动时，会影响生成的图像质量，进而影响目标识别与深度分辨率。激光雷达在自动驾驶中的作用将不断扩展，因此，对技术进行持续改进至关重要。

自适应计算技术能够支持减少时序抖动并提高分辨率，这得益于 FPGA 能实现更快速的数据处理。FPGA 提供的灵活性可以优化数据路径和存储器层次结构，从而降低时延，同时还能减轻调整脉冲时序的 AI 引擎的负担，以最大限度减少波动。最终，抖动值越小，目标就能越精准地被传感器与雷达检测识别到。

不断演进和扩展的激光雷达架构

目前，从生产线上下线的汽车可能只有一个前视激光雷达。但这种情况正在改变，因为下一代汽车将配备多个系统，包括前视、后视与侧视激光雷达，以便更全面地覆盖道路及其周围环境。这种扩展的激光雷达传感器生态系统需要强大且高效的 AI 计算平台。这些平台会处理和传输生成的的大量数据，并提供生态系统高效运行所需的高速连接和低时延。

采用基于 FPGA 的多处理器片上系统（ MPSoC ）可以缩小这些激光雷达系统的尺寸。由于 FPGA 针对边缘端进行了优化，因此它们可以无缝集成并高效地与多个系统对接，从而应对当今辅助驾驶解决方案中传感器数量的激增。通过缩小系统尺寸与占用空间，MPSoC 允许多个激光雷达协同工作，以生成车辆路径的全面视图。

此外，由于基于 FPGA 的 MPSoC 可以提供制造后可重新编程的灵活性，因而它们能用于多种激光雷达系统，包括未来几代产品。这种灵活应变能力使汽车 OEM 厂商能够降低系统成本和实现面向未来的设计，这样一来，他们就无需在下一代解决方案问世时对原有系统进行彻底改造。

点云预处理与机器学习加速

点云图像是自动驾驶的核心，能够通过组合目标形状的单个测量结果来创建图像至关重要。在一些实例中，企业正采用超过 128 通道的数字多光束闪存激光雷达来生成此类丰富的点云图像。这就需要功能强大的硬件，这些硬件可以针对任务进行优化，并且具备同时提供图像与数字信号处理的能力。

举例而言，通过可编程逻辑（ PL ）中的高速串行收发器传输图像数据，可以实现高速连接与数据传输。随着并行处理、时钟速度降低和功率耗散的实现，企业必须使用处理系统和可编程逻辑之间的高带宽连接来划分软件与相关硬件加速功能。

最终，这就会生成具有深度、信号和环境数据的点云图像，作为简化的传感器架构的一部分。它可以实现激光雷达所需的更高效信号处理与高分辨率，以便在汽车行驶于狭窄环境中时提供可靠的目标检测、高精度 3D 测绘与零厘米最小作用距离。

为现在与未来做好传感器技术准备

随着激光雷达等传感器检测技术在自动驾驶体验中愈发重要，一个强大而精简的、能够以低时延提供高性能的处理平台，对于实现安全关键功能所需的深度分辨率至关重要。自适应计算将 AI 引擎与 FPGA 相结合，以优化实现上述目标所需的目标检测与数据调节，从而加速其发展，使其成为汽车品牌可信赖的、提供精准可靠性能的解决方案。

随着下一代解决方案的问世并逐步发展为自动驾驶体验中不可或缺的组成部分，激光雷达生态系统势必变得更加完善。伴随车辆生命周期中工作负载的不断增加，自适应计算带来的灵活性可以助力其所需的演进与创新。

例如，它能够支持现场软件与硬件升级，提供激光雷达所需的处理能力与低时延，以实现终端检测质量。或者，它可以确保新的创新功能与算法能以远程方式安全地部署，以打造未来就绪型设计。

为了实现当今与未来汽车用例所期望的传感器检测与深度分辨率，所需的计算需要灵活性、强大的处理能力与集成性。此外，它还需要模块化，以最大限度降低设计复杂性与成本，同时最大限度提高精度与可靠性。将自适应计算纳入激光雷达系统及其集成方式，可以释放部署规模，为未来完全自动驾驶提供支持。