当前位置：首页 > news >正文

自动驾驶01 激光雷达原理

news 来源：原创 2025/7/28 2:12:17

部分转载于
原文链接：https://blog.csdn.net/qq_45193988/article/details/143982588

1. 什么是激光雷达

激光雷达LiDAR的全称为Light Detection and Ranging 激光探测和测距。
激光雷达的工作原理：对红外光束Light Pluses发射、反射和接收来探测物体。白天或黑夜下的物体与车之间的距离。甚至由于反射度的不同，车道线和路面也可以区分。光束无法探测到被遮挡的物体

2. 废话不多说，直接上lidar

禾赛128

禾赛128是禾赛科技（Hesai）推出的一款高性能激光雷达（LiDAR），主要用于自动驾驶、机器人、测绘等领域。以下是其主要参数及其含义：

1. 通道数（Channels）

参数值：128
含义：激光雷达的通道数指的是激光发射器和接收器的数量。128通道意味着该雷达有128个独立的激光发射和接收单元，能够同时生成128条激光束。通道数越多，雷达的分辨率和探测能力越强。

2. 测距范围（Range）

参数值：通常为200米（具体值可能因型号不同而有所变化）
含义：测距范围指的是激光雷达能够探测到的最远距离。200米的测距范围意味着雷达可以探测到200米以内的物体。对于自动驾驶车辆来说，较长的测距范围有助于提前感知前方障碍物。

3. 角分辨率（Angular Resolution）

参数值：水平角分辨率通常为0.1°至0.2°，垂直角分辨率取决于通道数
含义：角分辨率指的是激光雷达在水平和垂直方向上的最小可分辨角度。角分辨率越小，雷达生成的点云数据越密集，目标识别和场景重建的精度越高。

4. 扫描频率（Scan Frequency）

参数值：通常为10Hz至20Hz
含义：扫描频率指的是激光雷达每秒钟完成完整扫描的次数。10Hz至20Hz的扫描频率意味着雷达每秒钟可以生成10到20帧点云数据。较高的扫描频率有助于实时感知动态环境。

5. 视场角（Field of View, FOV）

参数值：水平视场角通常为360°，垂直视场角取决于通道数和设计
含义：视场角指的是激光雷达能够覆盖的角度范围。360°的水平视场角意味着雷达可以全方位扫描周围环境，而垂直视场角则决定了雷达在垂直方向上的覆盖范围。

6. 点云密度（Point Cloud Density）

参数值：取决于通道数和扫描频率
含义：点云密度指的是单位面积或单位角度内激光雷达生成的点云数据量。点云密度越高，雷达生成的场景细节越丰富，有助于提高目标识别和环境建模的精度。

7. 精度（Accuracy）

参数值：通常为厘米级（如±2cm）
含义：精度指的是激光雷达测量距离的准确度。厘米级的精度意味着雷达可以非常精确地测量目标物体的距离，这对于自动驾驶和精密测绘非常重要。

8. 功耗（Power Consumption）

参数值：通常为几十瓦（如20W至30W）
含义：功耗指的是激光雷达在工作时消耗的电能。较低的功耗有助于延长设备的使用时间，特别是在电池供电的应用场景中。

9. 工作温度（Operating Temperature）

参数值：通常为-20°C至60°C
含义：工作温度指的是激光雷达能够正常工作的环境温度范围。较宽的工作温度范围使得雷达能够在各种气候条件下稳定运行。

10. 防护等级（IP Rating）

参数值：通常为IP67
含义：防护等级指的是激光雷达的防尘和防水能力。IP67表示雷达具有较高的防尘和防水能力，能够在恶劣环境中稳定工作。

总结

禾赛128激光雷达凭借其高通道数、长测距范围、高角分辨率和360°视场角等优势，广泛应用于自动驾驶、机器人导航和测绘等领域。其高精度和高点云密度使得它能够生成高质量的环境模型，为各种应用场景提供可靠的感知能力。

3. 激光雷达种类

1. 按扫描方式分类

机械旋转式激光雷达（Mechanical LiDAR）
- 特点：通过机械旋转部件实现360°水平扫描。
- 优点：视场角大，扫描速度快。
- 缺点：机械部件易磨损，体积较大，成本较高。
- 应用：自动驾驶、测绘、机器人导航。
固态激光雷达（Solid-State LiDAR）
- 特点：无机械旋转部件，通过电子方式实现光束控制。
- 优点：体积小，可靠性高，成本较低。
- 缺点：视场角相对较小，扫描速度较慢。
- 应用：自动驾驶、无人机、消费电子。
混合固态激光雷达（Hybrid Solid-State LiDAR）
- 特点：结合机械旋转和固态技术的优点，部分部件为固态。
- 优点：视场角较大，可靠性较高，成本适中。
- 缺点：仍存在部分机械部件。
- 应用：自动驾驶、机器人、工业检测。

2. 按测距原理分类

飞行时间法激光雷达（Time of Flight, ToF LiDAR）
- 特点：通过测量激光脉冲从发射到接收的时间来计算距离。
- 优点：测距精度高，适用于长距离测量。
- 缺点：受环境光影响较大。
- 应用：自动驾驶、测绘、无人机。
相位法激光雷达（Phase-Shift LiDAR）
- 特点：通过测量发射和接收激光信号的相位差来计算距离。
- 优点：测距精度高，适用于短距离测量。
- 缺点：测距范围较小。
- 应用：工业检测、机器人、消费电子。
三角法激光雷达（Triangulation LiDAR）
- 特点：通过三角测量原理计算距离。
- 优点：结构简单，成本较低。
- 缺点：测距范围有限，精度较低。
- 应用：消费电子、工业检测。

3. 按激光波长分类

近红外激光雷达（Near-Infrared LiDAR）
- 特点：使用近红外波段（如905nm）的激光。
- 优点：技术成熟，成本较低。
- 缺点：对人眼安全性较低。
- 应用：自动驾驶、测绘、机器人。
短波红外激光雷达（Short-Wave Infrared LiDAR）
- 特点：使用短波红外波段（如1550nm）的激光。
- 优点：对人眼安全性高，穿透雾霾能力强。
- 缺点：成本较高。
- 应用：自动驾驶、无人机、军事。

4. 按应用场景分类

车载激光雷达（Automotive LiDAR）
- 特点：专为自动驾驶车辆设计，具有高精度、高可靠性和实时性。
- 应用：自动驾驶汽车、智能交通系统。
机载激光雷达（Airborne LiDAR）
- 特点：安装在飞机或无人机上，用于大范围地形测绘。
- 应用：地形测绘、林业调查、城市规划。
地面激光雷达（Terrestrial LiDAR）
- 特点：安装在地面固定或移动平台上，用于高精度三维建模。
- 应用：建筑测绘、文化遗产保护、工业检测。

5. 按探测方式分类

单线激光雷达（Single-Line LiDAR）
- 特点：只有一条激光束，适用于一维距离测量。
- 应用：机器人导航、避障、工业自动化。
多线激光雷达（Multi-Line LiDAR）
- 特点：有多条激光束，适用于二维或三维环境感知。
- 应用：自动驾驶、无人机、测绘。

4. 自动驾驶常见传感器

传感器类型	优点	缺点	主要应用场景
激光雷达	高精度三维建模，不受光照影响	成本高，恶劣天气性能下降	环境感知、障碍物检测
摄像头	成本低，识别颜色和纹理	受光照影响，无法直接测距	目标识别、车道检测
毫米波雷达	测距测速精度高，全天候工作	分辨率低，难以识别小物体	自适应巡航、碰撞预警
超声波传感器	成本低，适合短距离检测	探测范围有限，易受噪声干扰	泊车辅助、近距离障碍物检测

liDAR与Radar的区别

这里主要介绍不同点：

Radar即毫米波雷达发射的是无线光波而不是激光或者光，相较于光波，无线电波具备更长的波长，因此它能覆盖更远的距离，也具备更强的穿透性。

尽管Radar的准确性有很多不足之处，但它比LiDAR要可靠得多。LiDAR由于波长较短，很容易收到空气介质中的各种杂质干扰。大气中的水分会影响LiDAR系统的性能，而且在恶劣天气下（比如雨雪雾天），LiDAR系统表现并不理想。较短的波长也容易发生信号衰减，在晴朗天气中，LiDAR的探测范围就小于Radar系统；而在恶劣天气中，LiDAR的感知范围会远小于Radar。下面四张图分别展示了自动驾驶场景的Radiate数据集在晴天、雨天、雪天、雾天四种场景下，Radar和LiDAR成像的结果。可以看到，在晴天的条件下，Radar的探测范围要略大于于LiDAR；而在其他几种恶劣天气条件下，尤其是雾天，Radar的探测范围要远大于LiDAR的范围。

5. 激光雷达感知框架

pointcloud_preprocess：点云预处理模块对输出的点云数据进行预处理。删除超值点、太远的点、扫描到自身车辆上的点、太高的点。
pointcloud_map_based_roi：过滤 ROI 之外的点云。感兴趣区域 (ROI) 指定可行驶区域，包括从高精地图检索到的路面和路口。 HDMap ROI 过滤器处理 ROI 外部的lidar点，去除背景物体，例如道路周围的建筑物和树木。剩下的就是ROI中的点云以供后续处理。给定HDMap，每个 LiDAR 点的隶属关系指示它是在 ROI 内部还是外部。
pointcloud_ground_detection：点云地面检测，检测地面点，并保存所有非地面点的索引。
lidar_detection：基于点云进行3D物体检测，并输出检测到的物体的位置、大小和方向。 Apollo提供了4种激光雷达检测模型：centerpoint、maskpillars、pointpillars、cnnseg。
lidar_detection_filter：根据对象属性、车道线、ROI 等过滤前景和背景对象。
lidar_tracking：跟踪模块用于跟踪障碍物的运动轨迹，更新障碍物的运动状态和几何形状，并分配跟踪id。
multi_sensor_fusion ：多传感器融合模块融合Lidar、Camera、Radar多个传感器的输出结果，使检测结果更加可靠。该模块采用后处理技术，采用的算法是概率融合

以下具体操作请看下文！