如何为自动驾驶汽车选择一款合适的激光雷达？-电子发烧友网

[首发于智驾最前沿微信公众号]在很多自动驾驶的车辆上，都加装了激光雷达（LiDAR），激光雷达是一种用激光测距离的传感器。它会往周围发激光，激光碰到东西反射回来，设备测回波的时间或频率变化，就能算出物体离传感器多远。把很多这样的测距结果按角度组织起来，就能得到一个三维的“点云”，用来表示周围物体的形状和位置。激光雷达的主要作用就是让车知道周围有哪些东西、在什么位置、大概是什么大小。

它是怎么工作的？

激光雷达测距有两种常见办法，即时间飞行（ToF）和调频连续波（FMCW）。ToF的原理很直白，发一束脉冲光，测它从发射到接收的时间，乘以光速就可以得到距离。FMCW不发短脉冲，而是发一束频率随时间变化的连续光，回波和发射光混频后能把距离和径向速度（多普勒）一起算出来。FMCW在抗干扰和测速度上有优势，但实现更复杂，成本一般也高点。

图片源自：网络

激光雷达在硬件形态上有两类常见区分，即机械旋转式和固态式。早期很多激光雷达是机械旋转的，靠电机带着发射接收单元转一圈来覆盖水平视场，点密度高，但体积大、可靠性受机械件影响。固态化方向包括MEMS、光学相控阵（OPA）、flash lidar等，优点是体积小、耐久性好，更容易量产集成，但各自的视场、点密度和测距能力会不一样。

在谈及激光雷达时，常被提到的参数有“线数/通道数”“分辨率”“视场（FOV）”“点率（每秒点数）”“测距精度”“波长”等。线数反映垂直方向上的层数，线数高意味着垂直分辨率更好，但并不是越多越好；有效点数、角分辨率、回波率以及在远端的点密度都同样重要。激光雷达常见的波长是905nm和1550nm，1550nm在安全输出功率上要更高的能量，对远距和弱反射目标有优势。

环境会对激光雷达有非常明显的影响。雨、雪、雾会产生散射和大量噪声点，太阳直射或强光也会提高背景噪声。因此，常用滤波、多帧融合、噪声模型等手段减少影响，但任何单一传感器在极端天气下都不完美，因此在现阶段，很多车企采用感知融合的方案，以提升环境感知的准确性。

激光雷达在自动驾驶里真正能做什么

把激光雷达装车上，它主要解决把周围环境做成三维几何信息、帮助定位（和高精地图配合）、以及为后续的检测和路径规划提供几何基础等三件事。与摄像头相比，激光雷达直接给出距离，受光照影响小；与毫米波雷达相比，激光雷达角分辨率高、能更好还原物体形状，但毫米波雷达在雨雪或直接测径向速度上更稳。现在的主流做法是三类传感器联合使用，摄像头负责丰富的语义（颜色、字符识别等），毫米波雷达负责速度和穿透性强的检测，激光雷达负责精确三维定位和形状还原，三者互补。

在算法链路上，激光雷达数据处理有一套常规流程。首先做去噪、坐标变换（把传感器点云变到车体坐标或全局坐标），如果需要还做多帧配准提高稠密度。之后进行地面分割（把路面从点云里分出来）、聚类（把点群分成独立的物体）、特征提取，然后进入检测、分类和跟踪模块。有很多技术方案是把点云投影成鸟瞰图（BEV）或做体素化（voxel），再用深度神经网络做检测或语义分割。处理时要在点云稀疏、尺度变化大和实时性要求之间做权衡，这对算力和模型设计都是考验。

图片源自：网络

为了让自动驾驶方案真实落地，还有时间同步、标定、传感器布局、热管理和防护等诸多细节必须要考虑。时间同步很重要，激光雷达输出频率高，如果和IMU、摄像头、GPS不同步，多传感器融合会出问题。外参标定（把激光雷达和其他传感器的相对位姿精确标定）也必须精确到毫米级或小角度误差，否则定位和感知误差会累积。激光雷达产生的数据量大，需要前端做预处理、滤波、压缩或在专用芯片上做BEV投影来减轻主算负担。激光雷达的标注点云也比图像更费时，标注工具、半自动标注和仿真生成点云数据在训练流程中非常关键。

项目选型和测试要点

激光雷达有明显优点，但其成本和工程挑战也让很多车低配车望而却步。激光雷达需要考虑的成本包括硬件采购、安装调试、长期可靠性维护（尤其是机械件）、以及对更高算力和标注的需求。由于气象条件和被动反射特性等限制，必须在方案中考虑退化策略，也就是当激光雷达性能下降时，系统应能依赖摄像头或毫米波雷达来继续工作或者降低功能等级。

如果是做L4级别的小范围自动驾驶、货运园区自动驾驶或者需要高精地图的服务，激光雷达几乎是必选，因为它能稳定提供形状和精确距离；如果目标是面向普通乘用车的大规模量产、要把成本压到最低，很多车企更倾向于用摄像头+毫米波雷达作为主要传感器。

对于如何选择激光雷达，智驾最前沿建议先明确任务场景和安全目标，再根据场景决定性能和冗余策略。选型时不要只看线数，一个传感器的整体点云质量更重要，关注有效点率、远端分辨率、视场、测距精度和回波稳定性。安装布局务必考虑遮挡、散热、维护便捷性和清洗方案（尤其是在雨雪多发地区）。系统需要完整的时间同步方案和IMU紧耦合定位策略，并做自动标定和在线健康检测，及时发现外参漂移或传感器异常。在算法上，要实现多传感器退化策略、多帧融合和噪声抑制，并把一部分点云预处理放到专用硬件上以节省主计算资源。

对于激光雷达的测试要覆盖白天夜间、不同雨雪强度、雾霾、低反射材料（黑色、远处行人、薄荷叶、玻璃等）以及强光背光场景。尽可能用实际采集数据和仿真数据结合的方法来扩充训练集，标注体系要包含不确定性和置信度信息，便于在边缘场景下让决策系统稳健降级。