科普课堂|自动驾驶感知-——雷达模块

图1 机械式雷达

图2 ACC自适应巡航示意图

    在21世纪10年代，谷歌启动”Google Self-Driving Car Project”项目，开始在自动驾驶领域进行技术研究。其感知方案为：

摄像头识别语义、激光雷达获取三维空间信息、毫米波雷达测量障碍物与自身的相对速度。

图3 Google X 感知方案

    在这之后，Waymo成立，逐渐发展成了多传感器融合的感知技术框架，也是目前无人驾驶以及机器人领域中常见的技术思路。

    延续这个思路，在大学生无人驾驶方程式赛事中，我们面临的赛道工况是由红黄蓝三色锥桶摆成的赛道。因此，我们提取其中多传感器融合的核心思想。我们使用激光雷达来探测锥桶的坐标位置，然后利用摄像头读取颜色信息，区分左右边界以及终点等含义。

    （1） 激光雷达分类

    目前，按结构进行分类，激光雷达主要分为三类：机械式、半固态式、全固态式。

    机械式：使用电机带动激光发射模块以及接收模块。在早期的自动驾驶中普遍使用的是这种雷达。然而这种雷达成本高，电机消耗大，寿命短，体积大不便于安装。随着技术进步逐渐被半固态式取代。

图4 机械式雷达示意图

    半固态：与机械式使用电机转动激光和接收模块不同，半固态式让内部的反射镜进行旋转，来扫描一个范围内的环境。

    这样做的优点就是在与机械式的精度相近的情况下，体积大幅度降低，成本也降低，实现了量产。然而因为内部还有机械式旋转结构，还是面临着寿命问题。目前大部分车规级雷达都选用半固态式的雷达。

图5 半固态式雷达示意图

    全固态式：目前这方面的技术还不是很成熟，还在发展中。其思路就是使用电子方式，来控制光束的方向，实现对环境的感知。如OPA（光学相列阵）

    整个系统采用硅光子集成在一个单芯片上。OPA由一系列发光元件组成，相位可控。通过改变相位，实现光学信号不同方向的传输。

图6  全固态式雷达示意图

    （2） 测距原理

    对于在大学生无人驾驶方程式中，普遍使用的激光雷达而言，其测距原理是飞行时间法（ToF），基本原理就是我们小学就会的

    在介绍完雷达简单的基本知识后，我们得到了由雷达传进来的众多点，那我们怎么对这些点进行处理呢？

    首先我们要明白一个概念，我们在进行点云处理时，我们处理的不是“点”，而是“点的数据”。我们得到的点实际上是一个拥有XYZ坐标和强度的元素，而点云是拥有这些点的集合。那我们把这些作为我们算法的输出量。我们的输出量就应该是一个个含有锥桶坐标的向量。明确了输入量和输出量后，我们的任务就是撰写中间处理程序，使输入量变成输出量。

图7 雷达点云示意图

    其中最传统的方法就是写雷达聚类程序。聚类程序距离的聚类和基于密度的聚类。其中，欧式聚类（Euclidean Clustering）是点云处理中应用较广的一种方法，它通过计算点与点之间的空间距离，将距离较近的点划分为同一类别。例如，在无人赛车中，多个靠近的激光雷达点可能属于同一个锥桶，通过欧式聚类可以将这些点组合起来，得到锥桶的位置。另一类常见方法是DBSCAN（Density-Based Spatial Clustering of Applications with Noise）密度聚类算法，它根据点云分布密度进行分类，不需要提前设定聚类数量，并且能够有效识别噪声点。相比欧式聚类，DBSCAN对于复杂环境中的目标检测具有更好的适应能力。这里要注意，聚类后得到的只是点云簇，并不是坐标向量，还需要计算点云簇的质心坐标，来代替检测目标的坐标。

    这就是一个基础的利用雷达进行环境感知以及目标检测的思路。那在实际应用中，目标检测会更复杂，需要探测不同的物体，这时候可能会使用PointNet++，Point RCNN等算法，这里就留给大家感兴趣的话自行了解。

结语

   从毫米波雷达的测速测距，到激光雷达的三维点云，再到聚类算法把一堆散乱的点变成一个个锥桶坐标，雷达始终扮演着无人赛车"感知世界"的重要一环。

    它测得准、不受光照影响，但也有自己的短板——比如无法直接分辨颜色。这也是为什么实际系统里雷达往往还要和摄像头配合，才能既知道锥桶在哪，又知道锥桶是什么颜色。下一期，我们将聚焦感知的另一条路一相机视觉，看看摄像头是如何弥补雷达的短板，帮助无人赛车更完整地"看懂"赛道的。

供稿人 |薛皓天

编辑 |贺暄

   审核 |金兆辉