激光雷达+imu多传感器融合的定位与地图构建

[原文链接] 拆解激光雷达功能 看看为什么这么重要！

要点速览
自动驾驶汽车各种传感器各有优缺点，多传感器融合是共识。
激光雷达可获得高清三维环境感知信息，但价格较贵。
2.摄像头质地丰富，价格合适，但受环境光照影响较大。
3.毫米波雷达在雨雾天气性能优越，但分辨率较低。
激光雷达是自动驾驶汽车不可缺少的传感器，具有五大功能。
1.障碍物检测。
2.障碍物分类。
3.跟踪障碍物。
5、实时定位
激光雷达分为扫描和非扫描两类。
1.扫描激光雷达分为机械扫描雷达，基于逐点扫描测距MEMS微机电系统雷达和相控阵雷达。
2.非扫描激光雷达是Flash雷达像手电筒一样打出面阵光测距。
3.从另一个角度来看，机械和MEMS相控阵和Flash属于固态雷达。
目前，机械雷达相对成熟，但硬件成本昂贵，大规模生产困难，稳定性有待提高。目前，许多公司正朝着固态激光雷达的方向发展。
四、激光雷达通过SLAM生成高精度地图并定位技术。
1、自动驾驶汽车需要使用激光雷达、摄像头等传感器来感知外部环境，构建环境模型，并使用该模型来确定车辆的位置，该技术被称为SLAM。
基于摄像头等纯视觉传感器SLAM被称为VSLAM，获取数据成本低，数据量丰富，但受光照影响较大。
基于激光雷达SLAM不受光照影响，数据量少，地图精度高，但价格昂贵。
2、创建SLAM在系统中，主要考虑四个要素：稳定性、精度、计算量和传感器成本。
3.激光雷达通过比较车辆的初始位置和高精度地图信息来获得精确位置。
首先，GPS、IMU并给出轮速等传感器的初始位置。
其次，提取激光雷达的局部点云信息，并结合初始位置获得全球坐标系下的矢量特征。
最后，将上一步的矢量特征与高精度地图的特征信息相匹配，得到准确的全球定位。
今天的分享分为四部分，第一部分是激光雷达是无人驾驶不可缺少的传感器，第二部分和第三部分是LiDAR应用于自动驾驶，包括地图创建和定位。四是速腾如何贡献力量加速LiDAR的应用。
激光雷达是自动驾驶不可缺少的传感器

上图为自动驾驶系统框架，左侧为传感器和高精度地图。正如高德的谷所说，高精度地图实际上是自动驾驶的特殊地图，所以我们也可以理解高精度地图是一个特殊的传感器，除了激光雷达、摄像头和毫米波雷达。中间部分是负责障物检测和识别分类的定位感知层，最右边的部分是路径规划和执行层。

这张照片是传感器的介绍。左边的激光雷达、摄像头和毫米波雷达主要用于感知物体，右边的激光雷达GPS、IMU和Encoder(编码器)这些主要用于定位。激光雷达、摄像头和毫米波雷达各有优缺点。激光雷达可以获得高清三维环境感知信息，但价格相对昂贵。相机能获得比激光雷达更丰富的质感，价格也适合，但受光照影响较大。毫米波雷达在雨雾天气性能优越，但分辨效果较弱。各种传感器各有优缺点，所以目前采用多传感器集成方案是大家达成的共识。

激光雷达能在哪些部分工作？激光雷达是生成高精度地图的一个非常重要的传感器。同时，我们可以使用激光雷达实时定位、检测、分类和跟踪障碍物。

接下来，我们来谈谈激光雷达产业的发展。我把激光雷达分为扫描雷达和非扫描雷达两种。扫描式雷达又分为Mechamical Scanning LiDAR，基于MEMS的LiDAR，以及Optical Phase array LiDAR(相控阵雷达)Flash LiDAR，它是通过面阵光测距的面阵光。为什么这样分雷达？因为扫描雷达是通过逐点扫描来测的，flash LiDAR这种非扫描雷达不是逐点扫描，而是像手电筒一样发射面阵光进行测距。
机械雷达有两个问题，一是目前的硬件成本比较贵，二是量产性有限，二是产品不车辆规则。因此，每个人都急于朝着固态的方向发展。固态是基于MEMS，MEMS当中还有微机械的部分，还有全固态的相控阵、FlashLiDAR。在固态雷达的研发过程中，我们选择了不同的方向，有些正在做MEMS，有些在做OPA，有些在做FLash，目前各种雷达各有优缺点。
二、Lidar应用于自动驾驶-地图创建

现在我们来谈谈雷达在自动驾驶中的第一个应用——地图创建。无人驾驶车辆需要使用激光雷达、视觉系统等传感器来感知环境，并构建环境模型，并使用该模型来确定车辆的位置。同时考虑了无人驾驶车辆在地图上的创建和定位技术， Smith和Cheeseman在九十年代首次提出了同时定位和制图的思想，也就是SLAM。
基本思想是利用创建的地图来纠正基于运动模型的机器人的位置姿势误差，并根据可靠的位置姿势创建更高精度的地图，SLAM自提出以来，一直受到国内外研究人员的关注，逐渐成为一项关键技术。SLAM事实上，这是一个蛋生鸡生蛋的想法。准确的定位可以获得准确的地图信息，准确的地图也可以获得准确的定位信息，相辅相成。根据传感器的划分，可分为视觉SLAM，即VSLAM，以雷达为基础SLAM。这两种方法的优缺点主要是由于传感器原始数据的不同。

基于视觉的SlAM优点是获取数据的成本相对较低，就像摄像头一样，它的价格相对合适，数据量相对丰富，对周围环境的描述也相对充分，但最大的缺点是环境光对其影响相对较大，视觉有限。我们目前使用的摄像头的视觉并不那么大。假设全景为360度，其畸变将更严重，因此其后续计算将相对较大。

基于雷达的SLAM其优点是相对稳定，不受环境光照的影响，可在白天和晚上使用，数据量相对较少，定位和地图创建精度高，主要缺点是传感器价格昂贵。
所以我们以前做过SLAM，基于雷达的户外广泛使用SLAM，在室内，基于视觉和雷达SLAM都会使用。

创建SLAM在系统中，我们主要考虑几个维度，一是影响稳定工作的因素，二是定位和地图创建的精度，三是计算量，四是传感器的成本。
从第一个维度（工作稳定）上来看，VSLAM易受环境光照影响，依赖纹理颜色。在没有纹理的环境中，如果两边都是白墙，就无法实现定位和绘图。激光雷达依靠结构化信息来感知环境SLAM，若处于又长又直的通道中，其性能将相对较差。但如果结合激光雷达输出的反射率元素，即雷达输出除外XYZ还有一个反射率I，情况会好很多，但毕竟它的信息量不够，所以效果不会特别好。最后最可靠的方法是多传感器集成。
第二个维度是定位和地图构建的精度，激光雷达远优于这种基于视觉的方式。
激光雷达的输出是点云，从第三维度(计算需求)来看。点云这个词让人觉得数据量很大，但事实并非如此。例如，速腾目前的32线激光雷达每秒的输出数据不到3兆，但视觉图片有几兆。如果按20帧计算每秒输出，可能需要20张图片甚至更高。因此，从这个角度来看，视觉数据量无疑会比激光雷达多得多。从硬件支持的角度来看，激光雷达不需要特别强的处理芯片，而是需要视觉算法，但现在芯片发展非常快，如英特尔、英伟达等制造商也在加速硬件处理能力的发展，未来不会成为大瓶颈。
从第四个维度(传感器成本)来看，激光雷达目前比较贵，比如Sick或者hokuyo中等距离单线激光雷达价格上万元，速腾16线激光雷达价格上万元。因此，降低成本是一种不可避免的趋势。一方面，通过大规模生产降低成本，另一方面，向固态方向进行技术创新，朝着低成本、大规模生产的方向发展。目前，包括速腾在内的国内外制造商正在加快创新。我相信成本不会在2到3年内成为问题。
通过这四个维度的结合，我们可以得出结论，第一点是多传感器集成是一种不可避免的趋势，第二点是特征提取将从基本定义特征转向深度学习，激光雷达的创新成本也将朝着降低成本的方向发展。
你可以先看看SLAM的demo。(视频在文末)
三、Lidar在自动驾驶中的应用-定位

接下来，我们来谈谈定位。（过去，移动机器人的定位导航被定义为三个问题（无人驾驶车辆也属于移动机器人）。我在哪里？我要去哪里？我该怎么办？
无人驾驶定位的问题实际上是无人驾驶车辆通过内部或外部传感器确定其在道路环境中的位置。
无人驾驶车辆的定位与地图创建密切相关。准确的地图信息有利于实现高精度定位，高精度定位是构建可靠地图信息的前提。我们目前正在使用它GPS的定位精度肯定是不够的，它基本上就是米级。
我们现在手的定位导航在自主驾驶肯定是精度不够，同时由于周围的建筑物密集、高楼林立或者树比较高的，GPS信号也容易受到减弱，甚至屏蔽，这样是非常危险。依靠地面基站的RTK的方式能够在很大的程度上解决误差问题，达到精度的要求。它能够解决一些在GPS传递过程中的问题，但是依然没有没办法解决在隧道或者高楼林立的环境中的一些信号中断问题。所以增加其他的方式进行稳定的高精定位是非常有必要的。

基于视觉或激光雷达的定位是常用的定位方法。我们这里重点讲一下激光定位。这是一个基于激光雷达定位的框架，首先GPS给定初始位置，通过IMU和车辆的Encoder（编码器）可以得到车辆的初始位置，然后将激光雷达的局部点云信息，包括点线面的几何信息和语义信息进行特征提取，并结合车辆初始位置进行空间变化，获取基于全局坐标系下的矢量特征，接着将这些特征跟高精度地图的特征信息进行匹配，最后获取一个准确的定位。

基于雷达的定位还是会走多传感器融合的方式，如结合GPS、IMU、Encoder或者摄像头，来进行定位。IMU和Encoder其实能够很好地解决一些初始位置的定位问题，初始位置是非常关键，而GPS相当于是做全局定位。
比如GPS的精度在分米级别，那么我们是能够保证在所有的定位精度在分米级别，如果GPS的定位精度在厘米级别，那么我们先保证精度在厘米级别，GPS会限制住最大误差。这种基于GPS、IMU、Encoder、雷达和高精度地图的定位方式是一个多传感器融合的方式。