自动驾驶感知——激光雷达基本概念|激光雷达点云|激光雷达的标定

1. 激光雷达基本概念

1.1 激光雷达特点

激光探测及测距系统Light Detection and Ranging,LiDAR

• 激光雷达是一种通过发射激光束探测目标的位置、速度等特征量 的雷达系统
• 激光波段位于0.5μm-10μm以光电探测器为接收器件以光学望远镜为天线。

特点
• 角分辨率、距离分辨率高
• 抗干扰能力强
• 三维坐标、反射率
• 车体积小、质量轻

1.2 激光雷达测距原理

1.2.1 系统组成

1.2.2 激光雷达测距原理

TOF飞行时间法

• 脉冲测距通过测量激光脉冲在雷达和目标之间来回飞行时间获取目标距离的信息。$$d=\frac{c\cdot \Delta t}{2}$$

• 相位测距通过测量被强度调制的连续波激光信号在雷达与目标之间来回飞行产生的相位差获得距离信息。$$d=\frac{c\cdot \Delta \phi }{4\pi f}$$

1.3 常见的激光雷达

1.3.1 机械旋转式激光雷达

    机械式激光雷达是指发射系统和接收系统存在宏观转动通过不断旋转发射头将速度更快、发射更准的激光从线变成面并在竖直方向上排布多束激光形成多个面达到动态扫描并动态接收信息的目的。

1.3.2 Velodyne HDL-64E

1.3.3 固态激光雷达

• 严格意义上是指自身不存在任何移动部件的激光雷达如Flash型激光雷达、相控阵激光雷达。
• 近年来一些非完全旋转的激光雷达也被统称为“固态激光雷达”它们具备了固态激光雷达的一般性能特点如分辨率高、有限水平FOV前向而不是360°等但这些技术方案会有一些微小的移动部件如MEMS型激光雷达。

1.3.4 Flash型固态激光雷达

• 激光直接向各个方向漫射一次记录整个场景。
• 分辨率越高激光之间干扰越强精度降低。

1.3.5 相控阵固态激光雷达

• 通过控制光源阵列中各光源发光时间差合成具有特定方向的 主光束实现对不同方向的扫描。
• 精度高、体积小、生产成本低但研发成本高。

1.3.6 MEMS型固态激光雷达

• MEMSMicro-Electro-Mechanical System激光雷达是指在机械旋转式激光雷达的基础上采用MEMS微镜替代机械 式扫描单元进行扫描模式动态调整的激光雷达。
• MEMS微镜指采用光学MEMS技术制造的把微光反射镜与MEMS驱动器集成在一起的光学MEMS器件。
  

1.3.7 总览

激光雷达是当前高级别自动驾驶最主要的传感器之一感知能力强。

1.4 激光雷达性能指标

    从传感器的角度激光雷达的主要指标包括线束、出点数、精度、测量距离、垂直视场角、垂直角分辨率、水平视场角、水平角分辨率、出点数、通信接口等。

2. 激光雷达点云Point Cloud

2.1 激光雷达点云定义

    点云是激光雷达获取的三维场景信息的数据存储形式不同于图像数据点云由空间中一系列离散的点组成并记录了这些点相对于激光雷达自身坐标系的三维坐标与反射率。

• 一帧点云数据包含N个点可表示为 { x i , y i , z i , r i } i = 1 N \{ {x_i},{y_i},{z_i},{r_i}\} _{i = 1}^N {xi​,yi​,zi​,ri​}i=1N​
• 其中$(x_i,y_i,z_i)$第个点在激光雷达坐标系下的坐标$r_i$为
  该点的反射率。

2.2 激光雷达点云表示方法

• 点视图 (Point View, PV)
  原始的点云集合
• 俯视图 (Bird’sEyeView,BEV)
  将点云量化为2D/3D网格
• 前视图 (Range View, RV)
  将点云投影到图像平面
• 多种视图融合
  俯视图+点视图
  俯视图+前视图

     L. Fan等人${}^{[1]}$对这方面的介绍比较详细。PS文末参考链接无法查看论文的话可以选择这个链接

3. 为什么要选择激光雷达

3.1 传感器之间的互补性

❖摄像头
★ 优点丰富的纹理和颜色信息适用于目标的分类
★ 缺点3D信息的感知能力较弱受光照条件影响较大
❖激光雷达
★ 优点精确感知目标的3D信息不受光照影响
★ 缺点成本较高量产难度大受天气影响较大

3.2 不同级别自动驾驶系统的需求

❖ L2级自适应巡航 + 车道保持
★ 可以采用纯视觉系统来进行目标检测和距离估记
❖ L3级拥堵辅助领航辅助
★ 至少配备前向的激光雷达
❖ L4级RoboTaxi
★ 多个激光雷达提供360度视场以及系统冗余

激光雷达在自动驾驶中可以进行物体检测、3D场景语义分割以及定位与建图。

4. 激光雷达的标定

4.1 激光雷达参数

内参
内部激光发射器坐标系与雷达自身坐标系的转换关系厂家提供。

外参
激光雷达坐标系与车体坐标系的转换关系需要标定。

4.2 单线激光雷达

    车体坐标系以车辆后轴中心作为原点$X_v$指向车辆的前方$Y_v$指向车辆的左侧$Z_v$指向车辆的上方。由于激光雷达的坐标系与车体坐标系存在一定的夹角$X_l$与$X_v$存在$\alpha$的角度偏差$Y_l$与$Y_v$存在$\gamma$的角度偏差所以需要标定。

4.2.1 $\gamma$侧偏角的标定

    $\gamma$侧偏角的标定需要用到矩形板ABCD。如图所示矩形板ABCD平行于Z轴且位于激光雷达的前方。激光束扫描的点构成了EF直线段EG直线段为AB的平行线。
    想要求得$\gamma$侧偏角可以利用$\gamma =\arccos (\frac{l_{EG}}{l_{EF}})=\arccos (\frac{l_{AB}}{l_{EF}})$得到。$L_{AB}$可以由矩形板的边长大小得知$L_{OF}$已知$L_{OE}$也可以通过激光雷达的数据得到因此可以求得$L_{EF}$,最后求得$\gamma$侧偏角。

4.2.2 $\alpha$俯仰角的标定

    首先不考虑侧偏角$\gamma$。激光雷达的Y轴垂直纸面向外X轴呈如图所示方向Z轴竖直向上。首先在1处放置一块标定板激光雷达在标定板上扫描的位置为A接着移动标定板置B处过B作平行于地面的平行线得到BC即可求得$\alpha$俯仰角。
    在实际过程中需要考虑侧偏角。如图所示在1处放置一块等腰三角形的标定板同之前的步骤将标定板移至2处由图可知$\angle F_1{E}_1{D}_1$与$\angle F_2{E}_2{D}_2$为侧倾角。
    过$D_2$作地面的平行线交于G点可知$\angle G{D}_2{D}_1$即为要求的$\alpha$俯仰角。易知$$\alpha =\arctan \left(\frac{D_{1}G}{D_{2}G}\right)=\arctan \left(\frac{D_{1}G}{B_1{B}_2}\right)$$$$D_{1}G=B_1{D}_1-B_2{D}_2$$$$B_1{D}_1=B_1{C}_1-C_1{D}_1$$$$C_1{D}_1=E_1{D}_1$$$$E_1{D}_1=E_1{F}_{1}cos(\gamma )$$    从而可以求得$\alpha$俯仰角

4.3 多线激光雷达

    如图所示
车体坐标系
$O_v,X_v,Y_v,Z_v$
激光雷达坐标系
$O_l,X_l,Y_l,Z_l$
    假设车体坐标系一点$P=(X,Y,Z)$其在激光雷达坐标系中为$P^{\prime }=(X^{\prime },Y^{\prime },Z^{\prime })$,于是有以下关系$$\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]=R\left[\begin{array}{c}{X}^{\prime }\\ Y^{\prime }\\ Z^{\prime }\end{array}\right]+T$$    $R$为激光雷达坐标系到车体坐标系的旋转矩阵$T$为激光雷达坐标系到车体坐标系的平移向量

4.3.1 纸箱法

1. 在水平地面上摆放正方体纸箱,采集激光雷达数据
2. 获得纸箱顶点的激光雷达坐标系坐标
3. 通过测量得到纸箱顶点的车体坐标系坐标
4. 用纸箱顶点的坐标代入坐标变换方程求出旋转矩阵和平移向量

4.4 相机与激光雷达联合标定

将雷达点云向图像融合
将图像像素向雷达点云融合

    通过融合的方式可以弥补单个传感器的不足可以更好地环境感知。因此就需要对相机和激光雷达进行联合标定。

标定内容标定从激光雷达坐标系到相机坐标系的空间变换关系。

    对于单线激光雷达选择标定箱上的两个端点
    对于多线激光雷达选择标定箱上下边沿的左右端点。    获取像素雷达点对之后结合相机内参求解关于旋转矩阵和平移向量的线性方程即可标定。

参考文献

[1] L. Fan, X. Xiong, F. Wang, N. Wang and Z. Zha
ng, “RangeDet: In Defense of Range View for LiDAR-based 3D Object Detection,” 2021 IEEE/CVF International Conference on Computer Vision (ICCV), Montreal, QC, Canada, 2021, pp. 2898-2907, doi: 10.1109/ICCV48922.2021.00291.

声明

本人所有文章仅作为自己的学习记录若有侵权联系立删。本系列文章主要参考了清华大学、北京理工大学、深蓝学院、百度Apollo等相关课程。