原標題：深度解析自動駕駛雷射雷達技術原理、感知系統的發展趨勢
目前，機械旋轉雷射雷達的高成本是一個限制因素，但是隨著基於 MEMS 的反射鏡、光學相控陣等新技術的出現，價格正在下降。近期禾賽、Ouster、Innoviz 紛紛推出高性能雷達。
本文介紹了最新的汽車雷射雷達技術和與這些技術一起使用的感知算法。首先分析了雷射雷達系統的主要組成部分，從雷射發射機到光束掃描機構。比較了各種解決方案的優缺點和現狀。對於雷射雷達的數據處理，回顧了模型驅動方法和新興的深度學習解決方案。最後，對汽車雷射雷達和感知系統的局限性、挑戰和發展趨勢做了分析。
據悉近日，Hesai 發布了新的 32 通道(也提供 16 通道版本)中檔雷射雷達。PandarXT 基於整合了 Hesai 自主開發的 LiDAR ASIC 的新系統架構，是一種經濟高效的解決方案，專為多種應用而設計，包括無人物流，機器人，測量，安全，製圖和中低速自動駕駛。
基於 Hesai 自主開發的 LiDAR ASIC 的新系統架構提供了額外的性能增強。PandarXT 的最小範圍為零，即使物體直接觸摸傳感器的外殼，它也會輸出有效的點雲。它還具有毫米級的測距精度和卓越的精度。此外，其提高的反射率精度和更大的動態範圍使得能夠準確，一致地檢測回射器，低反射率目標以及反射率突然變化的物體邊界。
而成立不到五年的以色列創業公司 Innoviz 已經擁有一個稱為 InnovizOne 的汽車級傳感器，該傳感器將於 2021 年在 BMW 上首次批量生產，他們縮小了設計規模，以保持與原始系統相似或更好的性能。
與 InnovizOne 一樣，InnovizTwo 傳感器具有 256 行垂直解析度和 0.1 度角解析度。封裝尺寸小於電流傳感器。對於具有 10%反射率的目標，檢測範圍預計將超過 200 m，其聲稱新型雷射雷達傳感器便宜 70%，計劃在 2021 年第三季度開始向客戶交付樣品，並有望在 2023 年秋季為批量生產應用做好準備。
在自主駕駛的環境中，雷射雷達是一種主動傳感器，通過發射雷射照亮周圍環境。通過處理從反射面接收到的雷射回波，可以精確測量距離。另一方面，基於雷射雷達的算法也進入了快車道。對於自主車輛，雷射雷達主要用於感知和定位。感知系統提供了一種機器可解釋的車輛周圍環境的表示。
從用戶的角度來看，感知系統的輸出包括三個層次的信息：
·物理描述：姿勢、速度、物體形狀。
·語義描述：對象的類別。
·意圖預測：物體行為的可能性。
因此，雷射雷達的輸出用於目標檢測、分類、跟蹤和意圖預測，對應於各個層次的信息。由於雷射雷達在測距精度上的優越性，所提供的物理信息具有很高的可靠性。而雷射雷達所攜帶的語義信息要比攝像機獲得的要少，甚至更難。
在實際應用中，雷射雷達和攝像機是相輔相成的：攝像機的距離估計能力差，而雷射雷達對目標的識別效果不理想。精確的物理和語義信息，加上地圖信息，將毫無疑問地提高意向預測。經過多年的發展，以雷射雷達為中心的感知系統對於基於模型的處理算法已經趨於成熟。深度學習(DL)正在改變這個領域的學習方法。傳統的基於模型的雷射雷達數據處理方法具有計算友好、可解釋性強等特點。而數據驅動的 DL 方法在提供語義信息方面表現出了超常的能力，這是傳統方法的弱點。
最明顯的傳感器是上面的 Velodyne UltraPuck 雷射雷達。
1。 雷射雷達技術原理和現狀分析
典型的雷射雷達是用一束或幾束雷射掃描其視場。通過這一系統，設計了精密的光束控制系統。雷射束是由一個振幅調製的半導體雷射器產生的，它在近紅外波段發射。雷射束被環境反射回掃描儀，光電探測器接收返回信號。
快速電子過濾信號，並測量發送和接收信號之間的差，與距離成正比。基於此差異，從傳感器模型中估計距離。通過信號處理，補償了由表面材料引起的反射能量變化的差異以及發射器和接收器之間的環境狀態。
雷射雷達輸出包括與掃描環境相對應的三維點雲和與反射雷射能量相對應的強度。圖 2 顯示了這個工作原理的概念表示。
圖 2:ToF 雷射測距儀的一個例子。測距儀採用直接法或相干法測量由掃描系統控制的某一方向的距離。
雷射雷達系統可以分為：雷射測距系統和掃描系統。雷射測距儀包括通過調製波照亮目標的雷射發射器；通過光學處理和光電轉換後從反射光子產生電子信號的光電探測器；將發射的雷射準直並將反射信號聚焦到光電探測器和信號處理電子設備，根據接收到的信號估計雷射源和反射面之間的距離。掃描系統通常會以不同的方位角和垂直角控制雷射束，用 i 表示，其中 i 是確定光束指向的方向的索引。
A、 雷射測距原理
用雷射束測量物體距離的測距儀被稱為雷射測距儀。它們的工作方式取決於雷射束中使用的信號調製類型。脈衝雷射被用來測量飛行時間(ToF)，這些被稱為直接探測雷射測距儀。雷射信號也可以是一種調頻連續波(FMCV)，利用都卜勒效應間接測量距離和速度。這些被稱為相干探測雷射測距儀。
飛行時間(ToF)：ToF 雷射測距儀通過計算發射和接收雷射之間的時差來測量距離：ToF 雷射雷達以其結構簡單、信號處理方法簡單等優點，在目前的汽車雷射雷達市場上佔據主導地位。然而，由於眼睛的安全要求，增加其最大射程的潛力受到有限發射功率的限制。在 ToF 雷射雷達中，返回信號可以是來自強太陽光的幹擾，也可以是來自其他 ToF 雷射雷達的雷射束的幹擾。
相干檢測：通過將本機載波信號與接收信號混合，可以對接收信號進行解調，從而獲得雷射信號的相位和頻移，從而獲得距離反射面的距離和速度。這可以看作是 FMCW(調頻連續波)雷達的光學版本，這是目前流行的乘用車 ADAS 系統。
圖 3:相干探測原理：通過混合發射和接收的光波產生的中頻(紅色跡線)來估計距離。
因為 FMCW 雷射雷達連續不斷地使用較少的發射功率來照明物體，從而符合眼睛安全要求，並且可以使用更多的功率來擴大視野。
FMCW 雷射雷達可以同時直接測量距離和速度，而對於 ToF 雷射雷達，速度是通過幾個連續的傳感器讀數間接估計得到的。通過使用 FMCW 雷射信號，可以減少來自其他雷射源和強光的幹擾效應。然而，FMCW 雷射雷達需要具有長相干距離的高質量雷射發生器。
B、 雷射發射和接收
雷射信號的產生和發射以及反射信號的接收電子設備也反映了雷射測距儀的性能和成本。
1) 雷射源：ToF 雷射雷達需要脈衝(調幅)雷射信號。這是用脈衝雷射二極體或光纖雷射器產生的。半導體雷射器通過向二極體的結處通電而引起雷射振蕩。
半導體雷射器可分為兩類：邊緣發射雷射器(EEL)和表面發射半導體雷射器(VCSEL)。EEL 在電信行業的應用由來已久。VCSEL 輸出圓形光束，而 EEL 發射橢圓雷射束，需要額外的光束整形光學元件。
在 VCSEL 中，在單個晶片上形成二維雷射陣列比 EEL 更容易，這一點很重要，因為它可以提高雷射雷達的解析度。相比之下，由於功率限制，VCSEL 的範圍更短。汽車用脈衝雷射二極體是一種混合型器件。
也就是說，雷射晶片上安裝了由 MOSFET 電晶體觸發的電容器。因此，在每次柵極打開時，電容器中積累的電荷將被釋放到晶片中，這將以可控的方式發射光脈衝。這些光源具有成本效益，因為它們的 905nm 輸出可以通過經濟高效的矽探測器檢測。
然而，這些二極體的脈衝重複率有限，峰值功率較低，可能需要冷卻。用於 3DFlash 雷射雷達的雷射二極體光源採用二極體堆疊技術，將多個邊緣發射棒組裝成一個垂直堆疊。散熱成為一個問題，因此需要散熱片以及累積超過眼睛安全要求的發射功率。
光纖雷射器可以有更高的輸出功率，這在工作在高波長時非常有用。它們的輸出光束可以使用光纖進行分割和路由到多個傳感器位置，它們具有更好的脈衝重複頻率、更好的光束質量等。但是，它們可能體積龐大，從而導致難以集成到車輛中的非緊湊系統。
2) 雷射波長：選擇合適的雷射波長應綜合考慮大氣窗、眼睛安全要求和成本。850-950nm(近紅外)和 1550nm(短波紅外)雷射器因其在工業上的廣泛應用而得到了廣泛的應用。無論是價格低廉的二極體雷射器，還是波長 850-950nm 或 1550nm 的更強大的光纖雷射器，都很容易從市場上買到。
1550nm 雷射的眼睛安全標準允許的最大功率高於 850-950nm 的雷射，這意味著可以獲得更大的射程。然而，昂貴的 InGaAs 基光電二極體需要探測 1550nm 的雷射回波。InGaAs 基光電二極體的效率低於成熟的矽基光電二極體。另外，大氣對 1550nm 的吸收比 850-950nm 強。因此，近紅外波段(例如 905nm)的雷射雷達系統仍然是主流。
3) 光電探測器：光電探測器通過光電效應將光功率轉換為電能。光敏感度是描述光電探測器接收光子時的響應的最關鍵特性之一。光敏性取決於接收雷射的波長。因此，雷射雷達系統中光電探測器的選擇與雷射波長的選擇密切相關。最常用的探測器有 PIN 光電二極體、雪崩光電二極體(APD)、單光子雪崩二極體(SPAD)、矽光電倍增管(SiPM)。
PIN 光電二極體：是由 p-i-n 結形成的一個沒有移動電荷載流子的耗盡區。通過對光電二極體施加反向偏置，吸收光子將在反向偏置光電二極體中產生電流。
雪崩光電二極體(APD)：是一種通過雪崩效應施加反向電壓來倍增光電流的光電二極體。與 PIN 光電二極體相比，APD 倍增信號的能力降低了噪聲的影響，獲得了更高的內部電流增益(約 100)和信噪比。因此，apd 在當代雷射雷達系統中相當普遍。矽基 apd 是敏感的通過可見光譜區直到近紅外約 1000nm.InGaAs 的 apd 波長可長至 1700nm，但成本較高。
單光子雪崩二極體(SPAD)：是一種 APD，設計用於在高於擊穿電壓(Geiger 模式)的反向偏壓下工作，允許在非常短的時間內檢測到極少數光子。SPAD 可以獲得 106 的增益，這明顯高於 APD。這一特性使 SPAD 能夠在遠距離探測到極弱的光。此外，可用於 SPAD 製造的 CMOS 技術使得在一個晶片上集成光電二極體陣列。這對於提高雷射雷達的解析度，同時降低成本和功耗是很有必要的。
矽光電倍增管(SiPM)：基於 SPAD，同時啟用光子計數。SPAD 工作的 Geiger 模式是一種光子觸發模式，SPAD 無法分辨接收到的光通量的大小。為了克服這個問題，SiPM 集成了一個密集的「微電池」陣列(一對 SPAD 和一個失超電阻)，它們工作相同且獨立。SiPM 的輸出本質上是從每個微單元檢測到的光電流的組合。在這種方法中，SiPM 能夠給出關於瞬時光子通量大小的信息。
C、 掃描系統
掃描系統(或光束控制系統)是為了使發射的雷射能夠快速探測大面積區域而設計的。現有的掃描方法通常分為機械旋壓或固態掃描。
前者通常包含一個龐大的旋轉鏡系統，如早期自主駕駛史上的 Velodyne HDL64。後來的「固態」指的是沒有運動部件的掃描系統(甚至有些仍然由微鏡控制)，這是汽車工業的首選。機械旋轉：目前最流行的汽車雷射雷達掃描解決方案是機械旋轉系統，該系統通過由電機控制的旋轉組件(如鏡子、稜鏡等)來控制雷射束，從而產生大視場(FoV)。
傳統上，點頭鏡系統和多邊形鏡系統是主要的應用類型。例如，如圖 4(a)所示的機械旋轉方案，嵌入式點頭鏡系統傾斜雷射器以產生垂直視場。然後，旋轉雷射雷達基座，獲得 360°水平視場。最先進的雷射雷達使用多光束來減少移動機構。
圖 4:按掃描方法分類的雷射雷達系統。
例如，Velodyne VLP 系列使用雷射二極體和光電二極體陣列來增加點雲密度。與寬視場相比，機械旋壓系統具有高信噪比(SNR)的優勢。然而，在汽車內部這種複雜的振動環境中，旋轉機構是很常見的。典型的產品示例：Velodyne 的 HDL64 如圖 5(A)所示。
圖 5:雷射雷達產品示例：
(a)來自 Velodyne 的機械旋轉 905nm 雷射雷達，(b)來自 Luminar 的 1550nm MEMS 雷射雷達、(c)大陸公司的 Flash 雷射雷達。
MEMS 微掃描：MEMS(Micro-Electro-Mechanical Systems)技術允許使用矽製造技術製造微型機械和機電設備。從本質上講，MEMS 反射鏡是嵌入晶片上的反射鏡。
MEMS 反射鏡通過平衡兩種相反的力來旋轉：
一種是由繞在反射鏡周圍的導電線圈產生的電磁力(Lorentz 力)，另一種是來自扭杆的彈性力(作為旋轉軸)。這一原理如圖 4(b)所示。MEMS 反射鏡可以是一維運動的單軸，也可以是二維運動的雙軸。
同時，MEMS 反射鏡可以在其固有振蕩頻率下以諧振模式工作，從而獲得大偏轉角和高工作頻率。在非諧振模式下，可以控制 MEMS 掃描鏡，使其跟隨程序化的掃描軌跡。
例如，對於基於 MEMS 的 AEYE 雷射雷達，雷射雷達可以動態地改變視場和掃描路徑，以聚焦於某些關鍵部件。雖然 MEMS 雷射雷達仍然包含運動部件，但由於 IC 工業中成熟的技術能夠滿足嚴格的成本要求，這種近固態技術仍然具有廣闊的應用前景。Luminar 的 MEMS 1550nm 雷射雷達示例如圖 5(b)所示。
Flash:最初用於太空飛行器自主著陸和與衛星對接，3DFlash 雷射雷達完全移除掃描系統內的旋轉部件。因此，它們是真正的固態。Flash 雷射雷達的行為就像照相機。一種由光學擴散器傳播以同時照亮整個場景的單個雷射器。
然後，它使用一個 2D 光電二極體陣列(類似於用於照相機的 CMOS/CCD)來捕捉雷射回波，最後對其進行處理以形成 3D 點雲，如圖 4(c)所示。由於 Flash 雷射雷達的所有像素同時測量距離，避免了平臺運動引起的運動補償問題。此外，基於半導體的 3DFlash 雷射雷達有助於大規模生產的製造和封裝，從而降低成本。
然而，3DFlash 雷射雷達的一個關鍵問題是它的探測範圍有限(通常小於 100 米)，這是因為為了保護眼睛的安全，在一個小功率閾值下，一個擴散雷射就負責探測整個區域。另一個缺點是視野有限，因為它不能像掃描式雷射雷達那樣旋轉和掃描周圍環境。大陸集團用於中程感知的商用閃光雷射雷達產品的典型示例如圖 5 所示
光學相控陣(OPA)：作為一種真正的固態雷射雷達，光學相控陣(OPA)雷射雷達不包含運動部件。與相控陣雷達類似，OPA 能夠引導雷射束通過各種類型的相位調製器。
如圖 4(d)所示，當雷射通過透鏡時，光速可以通過光學相位調製器改變。因此，不同路徑中的不同光速允許控制光波陣面形狀，從而控制轉向角。雖然 OPA 作為一種很有前途的技術被寄予厚望，但目前市場上還沒有商業化的產品。
D、 汽車雷射雷達的現狀
機械旋壓雷射雷達是第一個進入量產車階段的產品。2017 年，奧迪發布了最新的豪華轎車 A8，該車配備了 Valeo 的 Scala 雷射雷達以實現自動駕駛功能，這是世界上第一款搭載汽車級雷射雷達的商用車。
法雷奧的 scala 3 是一種 4 層機械旋轉雷射雷達，類似於它的表兄 IBEO Lux4。通過 Scala 的授權，A8 能夠實現 L3 級別的自動駕駛功能，而不需要手放在方向盤上(需要法律允許)。2019 年，法雷奧從多家汽車製造商那裡獲得了下一代雷射雷達 Scala2 的 5 億訂單。
同時，為了降低成本，提高系統的魯棒性，很多公司都把目光投向了固態掃描系統。
如表一所示， Innoviz、Continental 和 Quanergy 正在分別開發 MEMS、Flash 和 OPA 雷射雷達。2018 年，寶馬宣布與 Innoviz 合作在 2021 年進行系列生產。為了增加最大探測距離，一些人使用了工作在單光子探測模式(蓋革模式)下的 SPAD 陣列。
表一：具有代表性的雷射雷達製造商和採用的技術。標有*的製造商使用單光子蓋革模式 SPAD 作為光電探測器。
outster OS-1644 採用 CMOS 基 SPAD 檢測 2D VCSEL 雷射器陣列發射的 850nm 雷射。豐田製造了一個雷射雷達原型，其中包含一個用於接收 905nm 雷射的 CMOSSPAD 陣列(202x96 像素)。
Princetion Lightware(收購方阿爾戈艾)還實現了 SPAD 雷射雷達原型 5，同時信息披露較少。至於 SiPM，SensL(OmmniVision 收購)已經製造了一個 LiDAR 原型，而商業產品仍在開發中。
由於比近紅外雷射允許更高的功率閾值，一些人轉而使用 SWIR 雷射器(例如 1550nm)，如 Luminar(宣布與豐田合作)、AEYE。基於相干探測的 FMCW 雷射雷達受到汽車製造商和投資商的追捧。
Strobe 和 Blackmore 這兩個具有代表性的 FMCW 雷射雷達初創公司，分別很快被 Cruise 和 Aurora 收購。在本文中，我們對幾家具有代表性的汽車雷射雷達供應商及其公開技術進行了分類和列舉。
雷射雷達的另一個發展趨勢是克服惡劣的天氣條件，如雨、霧、雪、灰塵等。根據公式 1，不利的天氣條件增加了傳輸損耗 Tr，並削弱了接收能量變小的物體β的反射率。由於 SWIR 雷射器(如 1550nm)可以獲得更高的傳輸功率，因此該波長的雷射雷達有望在惡劣天氣下具有更好的性能。
2。 雷射雷達感知系統
對於自主車輛，其感知系統根據感知傳感器的輸出、定位和地圖數據，將感知環境解釋為層次化的對象描述(即物理、語義、意圖感知)。
如圖 6 所示，傳統的 LiDAR 數據處理流水線分為 4 個步驟：目標檢測、跟蹤、識別和運動預測。最近興起的深度學習技術正在改變這一經典流程，我們將在經典方法之後介紹它。由於 Velodyne 雷射雷達在研究領域的普及，綜述的數據處理方法主要基於這種機械旋轉雷射雷達。
圖 6:典型的雷射雷達感知系統的管道，每個步驟的輸出示例。示例來自作者的平臺，如圖 1 所示。請注意，在目標檢測後，我們只處理道路內的物體(用黃線表示)。
A、 目標檢測
目標檢測算法提取候選對象並估計其物理信息：被檢測對象的位置和形狀。由於在大多數交通場景中，目標垂直於一個平坦的地面，目標檢測算法通常包括：地面濾波和聚類。地面過濾將點雲標記為地面或非地面。然後，利用聚類方法將非地面點劃分為不同的目標。
在早期的研究中，雷射雷達的點雲被投影到圍繞雷射雷達 360°的極坐標網格中。每個網格單元內的點被連續處理以生成一個虛擬掃描，該掃描指定了空閒、佔用和遮擋的區域。佔用的虛擬掃描被分組到對象簇中。
採用了這種方法，而不是對每個點進行處理，而是採用基於網格的局部平面擬合方法。將能夠擬合為平面的網格劃分為接地網，剩餘的非接地網採用連接元件標記(CCL)進行聚類。然而，基於極坐標網格的方法往往需要將三維雷射雷達點投影到離散網格中，這會丟失雷射雷達測量的原始信息。
在球面坐標系(r，ψ，θ)中處理雷射雷達信號提供了一種更好的方法。對於作者所用的 Velo-dyne 超光球，每束雷射的垂直角是固定的，方位角由掃描時間和電機轉速決定。因此，每個量程讀數可以用 Pi 表示，j=(ρi，j，i，θj，)，其中 i 表示某一雷射束，j 是方位角指數，如圖 7 所示。
圖 7:用於進一步處理的旋轉雷射雷達(Velodyne UltraPuck)的距離圖。偽彩色的範圍圖像(32x1800)有助於以下處理。
這種方法自然地將範圍讀數填充到預定義的數據緩衝區(範圍圖像)，因此允許快速訪問點及其相鄰點。近幾年來，在距離視角下處理雷射雷達數據變得越來越流行。
例如，基於一幅距離圖像，對每一列中的地面點進行了分割。剩餘的非地面點通過距離和角度的標準很容易地進行分組。對於 32 束雷射雷達來說，在英特爾 i5 處理器中，它們達到了 4 毫秒。逐行處理範圍圖像。他們在每個掃描行(實際上是距離圖像中的行)中應用聚類，然後逐行合併這些簇。
圖 6 顯示了基於距離圖像的地面濾波和聚類的示例結果。綠色點是地面點，非地面點被分組到候選對象中(在藍色多邊形中)。目標檢測提供初始的物理信息，例如物體的位置。以下步驟(如識別和跟蹤)對檢測到的對象補充語義和更多物理信息，如航向、速度。
B、 物體識別
基於機器學習的對象識別方法為檢測到的對象提供語義信息(如行人、車輛、卡車、樹木、建築物等)。使用的典型識別過程包括計算緊湊對象描述符的特徵提取步驟和預訓練分類器基於提取的特徵預測對象類別的分類步驟。
文獻中提出的特徵可以大致分為兩類：整體對象的全局特徵，或每個點的局部特徵。物體的大小、半徑、中心矩或最大強度是最基本的全局特徵。將主成分分析(PCA)應用於三維點雲是獲取全局形狀特徵的另一種有效方法。
通過分析主成分分析得到的特徵值，可以得到三個顯著特徵(表面性、線性性、分散性)。對於局部特徵，計算了每個點及其相鄰點的三個顯著性特徵。對三個顯著性特徵提取 3 個直方圖，每個直方圖包含 4 個間隔在 0 到 1 之間的箱子，作為局部特徵。一個更複雜的特徵是引入的自旋圖像(SI)。
SI 是通過圍繞給定點 p 的曲面法線 n 旋轉網格來創建的。SI 的虛擬像素是到通過 n 的直線或到由 p 和 n 定義的平面的距離。將單個逐點特徵轉換為全局特徵：對於一個對象，只使用其中心點的 SI 作為對象描述符。在文獻中，有更複雜的特徵，比如全局傅立葉直方圖(GFH)描述符。然而，實時性要求限制了特徵的複雜性。
特徵提取後，分類是一個典型的有監督機器學習過程：由一個真實數據集訓練的分類器預測輸入對象的類別。著名的數據集如 kitti6 提供了豐富的資源。在機器學習(ML)的武器庫中，可以應用大量的機器學習工具，如 Naive Bayes、支持向量機(SVM)、KNN、隨機森林(RF)和梯度提升樹(GBT)。
基於徑向基函數(RBF)核的支持向量機(SVM)由於其速度快、精度高等優點，仍然是目前最流行的支持向量機方法。圖 6 顯示了基於我們的實現(基於 RBF 核的 SVM)對檢測到的道路目標的識別結果。最近，應用證據神經網絡對雷射雷達目標進行分類。證據分類器可以更好地處理實踐中經常遇到的未知類。
C、 目標跟蹤
多目標跟蹤(MOT)算法通過時空一致性來關聯和定位檢測 / 識別的目標。MOT 保持被探測物體的身份，並給出它們的物理狀態，即軌跡、姿態、速度。
MOT 是一個經典的工程問題，已經被研究了很長時間。基本體系結構主要包括單個目標跟蹤器，該跟蹤器「最優」估計被跟蹤對象的狀態，數據關聯將新的檢測分配給跟蹤器。
單目標跟蹤器將運動建模為動態狀態空間模型，並在貝葉斯濾波框架下對運動狀態進行估計。Kalman Filter(KF)家族 - 高斯線性假設下的經典 KF 及其變種擴展 Kalman 濾波器(EKF)，Unscented Kalman Filter(UKF)，是目前流行的工具箱。
使用了一個帶有恆定速度模型的 KF 來跟蹤雷射雷達探測。作為 KF 的一種非線性形式，EKF 被用於雷射雷達目標跟蹤。交互多模型(IMM)濾波器將單個動態模型擴展到多個機動模型，能夠處理更複雜的情況。
IMM 濾波器由多個並行運行的濾波器組成，每個濾波器使用不同的運動模型。對於單個物體，IMM-UKF 濾波器應用，其中三個 UKF 用於三個運動模型：恆定速度、恆定轉彎速率和隨機運動。
作為另一種常用的方法，粒子濾波(PF)是為更一般的不滿足高斯線性假設的情況而設計的。PF 在雷射雷達數據處理中的應用可以追溯到 DARPA。最簡單的方法是最近鄰(NN)濾波器，它根據檢測和軌跡之間的歐氏距離或馬氏距離將檢測分配給最近的軌跡。NN 濾波器對於雜波場景是不夠的。
相比之下，聯合概率數據關聯濾波器(JPDAF)為檢測航跡關聯提供了一種軟的、概率的方法。JPDAF 在一個選通窗口中考慮所有可能的檢測(包括不檢測)，估計它們對軌跡的分配概率，並取所有關聯假設的加權平均值。
與雷達基 MOT 相比，基於 LiDAR 的 MOT 的所有檢測都被建模為點，而基於 LiDAR 的 MOT 的獨特之處在於它還應該跟蹤檢測的形狀。最簡單的形狀模型是一個二維邊界框，它假設檢測到的是類似汽車的物體。
L 形擬合是估計包圍盒中心、寬度、高度和方向的最常用方法。然而，二維邊界盒不足以滿足更一般的物體，如行人、樹木、建築物等。一種更複雜的方法實現了多個形狀模型：點、多邊形、L 形和各種對象的線。在跟蹤運動目標時，其形狀隨姿態和傳感器視點的變化而變化。
D、 目標意向預測
前面介紹的模塊提供檢測到的目標的過去和現在的信息。而在自主駕駛系統中，決策和路徑規划算法需要跟蹤目標的未來運動。以往的工作基於某些運動學模型，假設是完美地擬合檢測對象，不適用於長期預測。
針對這一缺點，提出了一種基於機器學習方法的機動或行為識別方法。車輛常見的操縱有切入、變道、制動、超車等。採用高斯混合模型(GMM)或隱馬爾可夫模型(HMM)對汽車跟馳、變道行為進行了建模。基於 HMM 實現的機動分類，
在車輛交互模型約束下，利用變分高斯混合模型(VGMMs)預測車輛的運動。隨著 RNN 在時序數據建模中的成功應用，基於 LSTM 的方法越來越流行。利用 LSTM 對交叉口駕駛員的意圖進行分類，結果表明 LSTM 優於其他傳統的機器學習方法。
提出了一種用於機動識別和軌跡預測的編解碼 LSTM 模型。除了識別單個物體的動作外，社交 LSTM 被提出用來捕捉所有物體之間的相互作用。這是通過社會池實現的，它將目標的相鄰對象的 LSTM 狀態下採樣為一個社會張量。應用和改進了原有的社會統籌部分，用於車輛軌跡預測。
E、 新興的深度學習方法
在計算機視覺和語音識別取得巨大成功之後，雷射雷達數據處理也迎來了深度學習的浪潮。深度學習是機器學習算法的一個子集，主要使用多層神經網絡。
與支持向量機等傳統的機器學習方法相比，DL 技術能夠從原始輸入中自動提取特徵。卷積神經網絡(CNN)和遞歸神經網絡(RNN)，如 LSTM(long-short-term memory)是最常用的工具。
感知系統的基本組成部分、地面分割、目標檢測、跟蹤和識別都可以通過深度神經網絡(DNN)來實現。例如，通過將 CNN 應用於由多通道距離圖像表示的 LiDAR 點來分割地面點。
與基於聚類的可檢測任意目標的目標檢測方法不同，基於 DNN 的解決方案基於有監督學習的模式，通過識別來實現目標檢測。車輛可以通過基於 CNN 的神經網絡在雷射雷達點的 BEV(鳥瞰圖)表示中檢測到。
一種更為複雜的神經網絡，將 CNN 用於雷射雷達數據的距離像和 BEV，然後與攝像機檢測進行融合。然而，由於雷射雷達的物理局限性，雷射雷達只能對車輛進行有效的檢測，KITTI benchmark 中行人檢測的最佳結果平均精度僅為 52.40%(在本文寫作時採用的方法是不可信的)。
將證據理論集成到基於雷射雷達的道路分割和製圖的 DL 體系結構中。利用 DL 實現了目標跟蹤。與傳統跟蹤算法中描述的濾波跟蹤框架不同，提出了一種檢測跟蹤框架下的深層結構模型。
檢測網首先處理一系列的雷射雷達數據和圖像以生成檢測方案。然後，通過尋找最佳檢測關聯來估計軌跡，並通過行軍網和計分網實現。
除了改進傳統的感知成分外，點式語義切分在以前很難實現，現在可以通過深度學習來實現。提出了一種通用的三維點雲語義分割方法點網。然而，由於雷射雷達數據 w.r.t 距離的稀疏性，該方法不能很好地應用於自動駕駛場景。
squezeseg 將 CNN 應用於雷射雷達點的距離視圖中，實現了實時分割。由於缺少大量帶注釋的數據集，這兩種方法的性能還不能在實際使用中部署。雖然這種情況已經被 semantickitti8 所改變，Semantickitti8 是基於 KITTI 的最新也是最大的逐點注釋數據集。
基於這個數據集，RangeNet 通過一個並不複雜的 DNN 結構展示了令人著迷的性能和速度。圖 8 示出了 RangeNet 的結構和示例結果。隨著越來越多的標註數據集，我們有充分的理由期待基於 LiDAR 的語義分割將有更好的性能。
圖 8:RangeNet 中提出的神經網絡結構
3。 結論與未來方向
本文首先對雷射雷達技術進行了綜述。介紹了雷射雷達如何「看到」世界和什麼構成了雷射雷達。分析了雷射雷達技術的主要發展方向。綜上所述，目前的汽車雷射雷達面臨著以下限制或挑戰：
1)成本；
2)滿足汽車可靠性和安全標準(如 ISO26262、IEC61508)；
3)測量距離長(如公路應用>200m)；
4)惡劣天氣，如雨、霧、雪等；
5)圖像級解析度；
6)尺寸較小，便於集成。目前，各種可能的解決方案，從雷射源(905nm V.S.1550nm)、掃描方法(自旋 /MEMS/OPA/Flash)或測距原理(ToF 或 FMCW)都被用來克服這些困難。
很難預測哪種汽車雷射雷達解決方案將主導未來，但有一點是肯定的：汽車雷射雷達正在走出實驗平臺，進入越來越多的量產汽車。
然後，介紹了基於雷射雷達的自動駕駛感知系統的簡明教程。介紹了感知系統提供的三個層次的信息，以及典型的處理流程。一般來說，與攝像機或雷達相比，雷射雷達是測量距離最精確的傳感器。
因此，由基於雷射雷達的算法評估的物理信息(物體的位置、方向、形狀等)是非常可靠的。然而，語義描述是雷射雷達的缺點。這是由於雷射雷達的解析度低，其本質是作為一個距離測量傳感器，而不是上下文傳感器。與攝像機的融合彌補了雷射雷達在識別方面的不足。
意圖預測水平獨立於特定的傳感器，而雷射雷達所帶來的精確物理信息將增強其預測能力。將深度學習應用於雷射雷達的三維數據將是未來研究的重要方向之一。缺乏大量的三維點雲數據集是深度學習方法成功應用的瓶頸。隨著新型雷射雷達的快速發展，將出現更加適用於特定雷射雷達的新算法。
（文章來源：與非網）
(責任編輯：DF318)