雷射雷達的體積、重量、成本、驅動電壓
應當符合車載系統的安裝水準
智能駕駛技術的迅速發展極大地推動了各類環境感知傳感器的研究。車載雷射雷達(laserdetectionandranging，LiDAR)因其具有可準確獲取目標的三維信息、解析度高、抗幹擾能力強、探測範圍廣、近全天候工作等優點，在智能駕駛環境感知系統中佔據了重要地位。
智能駕駛這一特定情境對車載雷射雷達的硬體技術與應用算法的性能均提出了很高的要求，如應用於Level3由SAE提出的智能駕駛自動等級。
從Level0~5共6級)以上智能駕駛系統的車載雷射雷達，其雷射安全等級應為Level1(功率小於0.4mW，低輸出雷射)，以保證智能駕駛汽車行駛過程中行人的安全；其探測距離至少應為100m，測量精度在釐米級，掃描頻率至少在5Hz~20Hz，以滿足智能駕駛汽車的高速行駛的要求；
而且LiDAR點雲數據的傳輸速率、點雲處理算法的運行速度、精度以及處理效果也必須滿足汽車高速行駛的需求；同時雷射雷達的體積、重量、成本、驅動電壓均應當符合車載系統的安裝水準(圖1)。
為達到智能駕駛對車載雷射雷達的高要求，針對車載雷射雷達關鍵技術與應用算法的相關研究正在不斷地深入拓展。
在雷射發射、接收、掃描等諸多雷射雷達硬體技術中，目前人們普遍認為掃描技術是車載雷射雷達的關鍵，它直接決定了雷達的掃描頻率、掃描範圍、點雲數據量等各項重要參數，是縮小車載雷射雷達的整體體積與降低成本的關鍵，也直接影響了車載雷射雷達的車規級量產的實現。
在應用算法開發方面，針對高掃描頻率與解析度的車載雷射雷達每秒產生的百萬計點雲數據，點雲處理算法多種多樣。
它們都是建立在應用開發者選取的不同應用場景之上，特性各有優劣，尚不存在完美的統一算法，但應用算法研究追求的目標是相同的，就是要在有效處理數據的基礎上不斷追求實時性與高精度，以便為智能駕駛系統的控制與決策提供有效的技術支撐。
隨著全球智能駕駛進入產業化與商業化的準備期，車載雷射雷達憑藉其優異性能成為了不可或缺的環境感知傳感器。應用於智能駕駛的車載雷射雷達主要是利用時間飛行法(timeofflight，TOF)完成測距的脈衝式雷達。
Velodyne公司、鐳神智能公司等雷射雷達供應商及哈爾濱工業大學、南京理工大學[8]等各大科研機構研發的車載雷射雷達均為脈衝式雷射雷達，涉及的關鍵技術包括：雷射器技術、光學系統設計技術、雷射掃描技術、信號處理技術、雷射測距技術等。
脈衝式雷射雷達系統由雷射發射模塊、接收模塊和信號控制處理模塊三部分構成，如圖2所示。雷達工作時，控制單元驅動電路，產生周期性脈衝信號驅動雷射器發射固定脈寬的雷射窄脈衝，該脈衝雷射經掃描單元以一定的時序在設定方向準直出射，實現一定範圍內的周期性掃描探測；
雷射發射的同時，控制單元將向脈衝測距電路發射計時起始信號。
若發射出的脈衝雷射遇到障礙物後反射，則被接收模塊中光學接收單元傳至光電探測器上，進而被轉化為電信號，再經信號處理電路進行放大、整形等處理；脈衝測距電路將根據處理後的電信號計算目標的距離信息，並向控制單元發送終止計時信號。
智能駕駛車載雷射雷達系統的各組成部分共同影響著其整體性能參數和生產成本，其中掃描方式及相關技術起著決定性的作用。
作為車載雷射雷達的關鍵技術，掃描單元首先決定著雷達的掃描性能，進而決定著雷達的功耗、重量、尺寸和成本。
目前智能駕駛應用主流車載雷射雷達為機械掃描式雷達，因其體積大、功耗大，特別是成本遠遠超出了智能駕駛商業化預期，自然成為人們重點關注和致力研究解決的焦點問題，也由此形成了以掃描技術為核心的車載雷射雷達小型化、固態化技術研究趨勢。
根據掃描單元的結構不同，智能駕駛車載雷射雷達可分為機械式、混合式及全固態三類，除機械式雷達外，混合式車載雷射雷達已開始應用於智能駕駛解決方案中，全固態車載雷射雷達仍處於研發初期階段。
機械式車載雷射雷達是指通過機械旋轉實現雷射掃描的車載雷射雷達。其中，雷射發射部件在豎直方向上排布成雷射光源線陣，並可通過透鏡在豎直面內產生不同指向的雷射光束；
在步進電機的驅動下持續旋轉，豎直面內的雷射光束由「線」變成「面」，經旋轉掃描形成多個雷射「面」，從而實現探測區域內的3D掃描。
機械式車載雷射雷達是最早應用於智能駕駛的雷射雷達產品，時至今日憑藉其原理簡單、易驅動、易實現水平360°掃描等優點仍被廣泛應用於智能駕駛實驗測試車上。
美國Velodyne公司是著名的機械式車載雷射雷達供應商，Velodyne的兩款機械式雷射雷達產品如圖3所示。其代表性產品是64線雷射雷達HDL-64E，該產品發射系統與接收系統均隨著機械軸轉動，探測性能優異。
2007年在美國國防高級研究計劃局舉辦的無人車城市挑戰大賽中，HDL-64E助力卡耐基梅隆大學BOSS無人車和史丹福大學Junior無人車分別獲得了比賽冠軍和亞軍。
前不久，Velodyne推出了128線雷射雷達VLS-128，相比於HDL-32E其尺寸縮小了70%，探測距離增大了1倍，解析度則提高了4倍；從技術性能來看，VLS-128在探測距離和解析度上已全面超越市場上現有產品。
儘管機械式車載雷射雷達探測性能優越、技術成熟，是當前的主流，但其高昂的成本和較短的使用壽命卻使其無法實現車規級量產。
機械式車載雷射雷達內部結構精密，零件數多、組裝工藝複雜、製造周期長，因此生產成本居高不下。
HDL-64E售價高達8萬美元，VLS-128售價雖尚未公開，但可想而知必定更加昂貴。機械式車載雷射雷達內部含有大量可動部件，易受車輛振動影響，在行車環境下磨損嚴重，長期使用可靠性差。
如今機械式傳感器平均失效時間為1000h~3000h，而汽車廠商的要求是至少13000h。此外，機械式雷射雷達還存在接受光窗數值小、信噪比低等缺點。
為降低車載雷射雷達的生產成本，增加其結構的穩定性，同時保證其較好的探測性能，混合式車載雷射雷達和全固態車載雷射雷達應運而生。速騰聚創、光珀智能等不少雷射雷達初創企業和傳感器領軍企業都以固態化雷射雷達為主打產品，Velodyne、Ibeo等老牌供應商也開始了固態化雷射雷達的研發之旅；
在這些固態化雷射雷達中，落地生產並在智能駕駛解決方案中初步推廣應用的主要是混合固態雷射雷達，具有實用性的全固態雷射雷達產品仍在研發中。
混合式車載雷射雷達將微機電系統(microelectromechanicalsystem，MEMS)與振鏡結合形成MEMS振鏡，通過振鏡旋轉完成雷射掃描，一般稱為MEMS車載雷射雷達。
其發射系統結構如圖4所示，驅動電路驅動雷射器產生雷射脈衝同時驅動MEMS振鏡旋轉，雷射在旋轉振鏡的反射下實現掃描，經發射光學單元準直後出射。
MEMS車載雷射雷達將機械結構進行微型化、電子化的設計，避免了機械式雷射雷達那樣整體大幅度的旋轉，有效降低了功耗和整個系統在行車過程中出現問題的機率。
由於其將主要部件應用晶片工藝生產，量產能力隨之提高，成本大幅降低，售價遠低於同等性能的機械式車載雷射雷達。
加之技術上容易實現，因此是當下呼聲最高、最有希望短期內實現車規級量產的車載雷射雷達。
MEMS車載雷射雷達的不足之處在於MEMS振鏡機械掃描角度較小，需要增設角度擴大系統來實現大視場掃描。董光焰、Siepmann等採用正負透鏡組來擴大掃描角度，使掃描範圍增大到40°以上。
李啟坤等人提出一種基於2DMEMS鏡的雷射雷達，通過1´6高速光開關分時給6個水平探測角度為60°子系統提供光信號，實現360°水平方向全掃描，但該雷達有效探測距離僅限於一百米以內。
MEMS雷射雷達驅動電路的設計與振鏡整體結構的緊湊性相互制約，而且需綜合考慮其功耗、電壓和數據線性程度。常見的驅動方式有三種：靜電驅動、電磁驅動和壓電驅動。
壓電驅動是近幾年研究熱點，相比於靜電驅動，其驅動電壓與功耗較低，更適用於車載系統；相比電磁驅動，其無需進行磁屏蔽，緊湊性更好，利於實現小型化；
此外，壓電驅動穩定性好，驅動電壓與振鏡旋轉角度之間的線性程度高。其缺陷在於製作工藝具有一定難度，驅動角度較小。
全固態車載雷射雷達，完全取消了機械掃描結構，水平和垂直方向的雷射掃描均通過電子方式實現；相比於仍保留有「微動」機械結構的MEMS雷射雷達來說，電子化的更加徹底。
由於其內部沒有任何宏觀或微觀上的運動部件，可靠性高、耐持久使用，系統整體體積縮小。主要包括光學相控陣(opticalphasedarray，OPA)車載雷射雷達和閃光(Flash)型車載雷射雷達兩種。
1)OPA車載雷射雷達
OPA車載雷射雷達採用光學相位控制陣列技術實現雷射掃描。相位控制陣列由電光掃描單元排列而成，在特定電壓的作用下，各單元將發射出具有特定相位和光強的光波；
調節各發射光波之間的相位關係，可使其在某一特定方向上產生相互加強的幹涉，從而產生具有一定指向性的高強度光束；相控陣單元將按程序設計，在各設定方向上依次產生高強度光束，從而達到光束掃描的效果。
2016年美國國際消費類電子產品展覽會上，Quanergy推出的全球款專為智能駕駛汽車設計的固態雷射雷達S3即為OPA固態雷射雷達，如圖5所示，商家聲稱該產品成本低至200美元，只有手掌大小，探測距離150m，角解析度高達0.02°，水平視場為120°。
但S3至今尚未發售，在智能駕駛解決方案中的實際應用案例無從查詢，隨車使用時能否達到介紹的效果也不得而知。
目前用於實現電光掃描的主要材料有：液晶、光波導(鈮酸鋰晶體、GaAs等)、PLZT壓電陶瓷、鐵電疇、光纖光柵。
各種材料使用時的相關參數如表1所示，可以看出，PLZT壓電陶瓷、鐵電疇與光纖光柵的驅動電壓都很高，液晶與光波導材料(鈮酸鋰晶體、GaAs)的驅動電壓則較低。
由於車載系統難以提供較高的驅動電壓，因此目前車載雷射雷達中主要應用的電光材料為液晶與光波導。
液晶光學相控陣是一種基於液晶電控雙折射性和閃耀光柵原理的實時可編程光束偏轉器，多採用驅動電壓低、相位調製深度大的向列相液晶。
光束偏轉效率是決定液晶相控陣掃描系統性能的關鍵因素，為減少電場邊緣效應帶來的效率損失，在製作液晶光柵時應使光柵電極均勻，增加電極寬度和液晶盒厚度。
增加電極寬度將降低光束偏轉精度，增加液晶盒厚度會增大響應時間。因此，為提高液晶對光束的控制能力，改變傳統的電極排列方式和控制方式、研製新型液晶材料將成為重點研究方向。
光波導光學相控陣利用光波導材料作為相控陣列單元。在電壓的作用下，每個波導層具有不同附加折射率，使得輸出光場具有按一定規律分布的附加相位差，從而實現光束掃描。
鈮酸鋰晶體與GaAs是目前常用的光學相控陣材料，其驅動電壓低且可實現光束的快速掃描。
OPA車載雷射雷達掃描速度快，可達兆赫茲量級以上；可控性好，可對目標區域進行高密度掃描而對其他區域進行稀疏掃描；成本低，售價在幾百到幾千美元不等，遠低於同等性能的機械式和混合式車載雷射雷達。
目前制約OPA車載雷射雷達實現車規級量產的原因首先在於其易形成旁瓣、影響光束作用距離和角解析度；其次在於其採用高精度集成的微陣列晶片式設計，製作工藝難度高。
Flash型車載雷射雷達屬於非掃描式雷射雷達，運行時直接發射出一大片覆蓋探測區域的雷射，隨後由高靈敏度接收器陣列計算每個像素對應的距離信息，從而完成對周圍環境的繪製。
Flash型雷射束直接向各個方向漫射，只要一次快閃便能照亮整個場景，因此能快速記錄環境信息，避免了掃描過程中目標或雷射雷達移動帶來的運動畸變。
目前其無法用於智能駕駛汽車的原因在於其探測距離小，當探測目標距離過大時返回的光子數有限，導致探測精度降低，無法準確感知目標方位。
2016年美國亞德諾半導體公司發表的相關專利中提出通過將視角分段、將雷射器與探測器分組的方法解決上述問題。
2017年，美國PrincetonLightwave公司推出了Flash3D雷射雷達產品GeigerCruizer，該產品使用了單光子雪崩二極體這種高敏感度傳感器，在合適的頻率一個光子就能將其激活，這使得GeigerCruizer感知距離超過300m且符合人眼安全要求。
根據其官網公布的測試視頻可見，近至50m處的飛盤，遠到350m處高速公路上以時速60km行駛的汽車均在其快閃時成像；近處目標的3D點雲成像較為完善，遠處目標的3D點雲成像則有一定程度的缺失。
高效的應用算法對車載雷射雷達充分實現探測性能至關重要，因此業界越來越多的人認為智能駕駛汽車最終將成為一個「軟體產品」。
為及時準確感知周圍環境，跟蹤並識別障礙物、完成智能駕駛汽車定位和行駛路徑規劃，保證其安全、高效的行駛，車載雷射雷達的數據處理應滿足實時、穩定、高精度的要求。
現有車載雷射雷達應用算法都具有不同程度的局限性：首先，算法可靠性和實時性相互制約，二者難以同時滿足；其次，算法多為針對某一特定場景開發，難以保證可移植性和穩定性。
場景的複雜性和多樣性使得算法的研究異彩紛呈，呈現出多層次、多角度的多元組合態勢。
車載雷射雷達應用算法可分為三類：點雲分割算法、目標跟蹤與識別算法、即時定位與地圖構建算法(simultaneouslocalizationandmapping，SLAM)，
如表2所示。各類算法的合理選擇使用將解決不同場景下的智能駕駛問題，其中點雲分割算法是目標跟蹤與識別的基礎，目標跟蹤與識別將實現對汽車周圍障礙物運動狀態和幾何特徵的判斷，SLAM將實現汽車的精確定位與可通行路徑規劃。
點雲分割是依據數據點間距和密度等特性，將點雲劃分為獨立子集的過程。理想情況下，每個子集均將用於一個實際存在的目標物體，且包含物體的幾何與位姿特徵。
精確的點雲分割是後續目標跟蹤與識別的重要前提。根據實驗原理不同，點雲分割方法主要分為非模型投影法與聚類法兩類。
非模型投影法根據投影方向的不同分為地面投影法和虛擬像平面投影法兩類。地面投影法首先將點雲投影至俯視平面，再利用柵格地圖法進行處理。
較為典型的柵格地圖處理法為柵格高度差法，該方法計算投影至每個柵格的點雲高度差值，通過與經驗閾值比較初步將柵格劃分為障礙物和地面兩類，最後通過對障礙物柵格聚類來檢測目標物體；
實現過程簡單高效，且在柵格基礎上有利於進行多傳感器融合。但柵格單元參數無法自適應調節，容易造成過分割與欠分割。
虛擬像平面投影將點雲投影至以雷射雷達旋轉軸為中心的虛擬圓柱體上，生成用像素值表示數據點至雷射雷達距離的深度圖像。計算機圖形學的深度圖像法僅適用於噪聲少、環境幾何模型簡單的點雲數據，難以應用在智能駕駛車行駛的複雜環境中。
Moosmann等人提出將深度圖像與表面幾何特徵融合的分割方法，能應對複雜度稍高的環境，但點雲局部凸性特徵過於依賴法向量精度，處理單幀數據需600ms，耗時過長。用於點雲分割中的聚類法經典算法有K-means聚類
DBSCAN(density-basedspatialclusteringofappli-cationswithnoise)聚類，迭代自組織數據分析算法(iterativeselforganizingdataanalysistechniquesalgo-rithm，ISODATA)等。
K-means聚類原理簡單、易於實現，但需要指定聚類數量。DBSCAN可對任意形狀的稠密數據集進行聚類，解決了K-means對初始值和異常值敏感的問題，但調參更加複雜，且當樣本數據集較大時，聚類收斂時間較長。
ISODATA算法在K-means算法的基礎上增加對聚類結果的合併和分裂操作，有效解決了聚類數量需預先設定的問題，但設定的額外參數過多，難以指定合理值。近年來，在經典算法核心原理的基礎上延伸出了許多新型算法。
段建民等人提出了一種基於加權歐氏距離的改進算法(orderingpointstoidentifytheclusteringstructure，OPTICS)，其不受參數約束，增加了目標提取的準確性，但提取出的目標類別有限。
王肖等人利用地面直線可以表徵地面狀態變化的特點，通過分塊直線擬合算法去除背景地面數據，對保留下的前景點雲數據進行聚類並計算其類屬參數，大幅加快了目標物體分割速度，但聚類標準單一，難以克服多目標間距離過近的情況。
總的來說，非投影模型法較為簡單高效，但難以對不規則或較複雜形體進行準確分割，而聚類法可實現較為精準的特徵級分割。點雲分割時，應綜合考慮探測環境的類型和所得數據量大小等特點選擇合適的方法，以對車輛、行人、道路設施等目標精確檢測。
通過在單線雷射雷達數據中提取人腿部的幾何特徵來檢測行人，使用倒立擺模型和擴展卡爾曼濾波器計算行人邁步頻率和幅度，實現了在雷達運動過程中對多行人目標的檢測與跟蹤。但此方法主要針對室內場景下的二維雷射雷達數據，若與三維點雲特徵結合，計算效率將難以保證。
柵格單元級目標檢測與跟蹤方法是建立在環境佔據柵格圖基礎之上的，可避免物體級跟蹤方法中數據關聯錯誤的問題，代表性的方法為貝葉斯佔領濾波器(Bayesianoccupancyfilter，BOF)，即使用貝葉斯濾波器完成被測目標所在柵格的狀態參數估計。
Qadeer等人將BOF與快速聚類跟蹤算法(fastcluster-ing-trackingalgorithm，FCTA)結合，採用包含佔領狀態和速度信息的柵格單元表示周邊環境。
首先通過BOF估計佔領柵格運動狀態分布，隨後通過FCTA進行柵格分類與跟蹤，在高速公路上完成了假陽性率較低的卡車識別；為應對複雜城市道路環境，該濾波框架中預測步驟的近似算法還需進一步改進。
總的來說，物體級目標檢測與跟蹤常用於高速公路等簡單的環境或實時性要求高的場景；柵格單元級目標跟蹤方法在柵格解析度高時具有更高的跟蹤準確率，但計算效率變低，無法進行實時運行。
2)分類與識別基於車載雷射雷達點雲數據的分類與識別通過點雲特徵提取實現，一般認為具有相似特徵的點雲同屬於一個特定的類別；其方法根據特徵提取時計算尺度的不同分為兩類：基於全局特徵提取的方法與基於局部特徵提取的方法。
基於全局特徵的目標識別與分類方法在整個目標尺度上進行特徵計算，用一個向量來描述目標的幾何屬性。常用的全局特徵為視點特徵直方圖(viewpointfeaturehistogram，VFH)。
VFH源於快速點特徵直方圖(fastpointfeaturehistogram，FPFH)，由擴展FPFH分量和視點特徵分量組成。擴展FPFH使得VFH具有較快的特徵提取速度和較強的識別力，視點變量的加入使得VFH在保持特徵縮放不變性的同時具有位姿特異性。
Aldoma等人在VFH的基礎上提出了聚類視點特徵直方圖
(clusteredviewpointfeaturehistogram，CVFH)，只計算穩定聚類區域的全局特徵，主要針對點雲有殘缺時的識別與分類問題。
局部特徵提取技術用少數參數描述一個點及其鄰域的幾何特徵，分為使用局部參考坐標系(localref-erenceframe，LRF)的方法和不使用LRF的方法。
不使用LRF的局部特徵提取方法通過將點雲法向量、曲率等幾何屬性累加至直方圖中構建特徵，無法表示點雲空間信息，位姿描述性較低。
Taati等人提出了變維數局部形狀特徵，迭代求解局部面特徵的最優值，但優化過程效率較低，無法實時運用。使用LRF的局部特徵提取方法根據點雲鄰域內數據分布構建局部參考坐標系，並在該坐標系下提取特徵描述子。
Mian等人提出一種基於張量表示的特徵，為每個有向點對定義LRF，並將交叉區域編碼為多維表，可以有效處理具有噪聲和遮擋的場景，但由於需要為每個點對定義LRF，導致組合數據過多、效率不高。
實際應用中應根據點雲數據特點選擇合適的特徵提取方法。基於全局特徵的目標識別與分類方法使用FPFH後計算複雜度較低，具有實時應用的可能性，但其利用目標點雲整體的信息，受環境遮擋影響較大。局部特徵提取方法具有一定的抗噪聲能力，但計算量較大，抗密度幹擾性差。
即時定位與地圖構建技術指的是搭載特定傳感器的主體，在未知環境中運動時，同時完成對環境的建模和對自身運動的估計。
根據搭載的主體傳感器的不同，大體分為兩類：基於視覺傳感器的視覺SLAM和基於雷射雷達的雷射SLAM。
應用於智能駕駛的SLAM多為雷射雷達SLAM，這是因為視覺傳感器受光照變化影響大、不能準確快速獲取探測目標的深度信息，而相比之下雷射雷達可在日常情況下精確高效感知環境的三維信息、更為穩妥可靠。用於實現雷射SLAM的技術主要包括概率濾波器和圖優化兩種。
基於概率濾波器的雷射SLAM算法通過計算雷射雷達和環境中路標點位姿的概率分布完成定位和建圖。
Smith等人提出使用擴展卡爾曼濾波器(theextendedKalmanfilter，EKF)進行增量式定位與建圖，通過觀測模型和運動模型遞歸估計由雷達位姿和路標點位姿構成的聯合狀態變量。EKF估計值較為精確，但對錯誤的數據關聯十分敏感，且時間複雜度與狀態變量數目呈平方關係，無法長時間工作。
MontemerloM等人提出了
FactoredSolutiontoSLAM(FastSLAM)，結合使用粒子濾波器和EKF求解狀態變量，將時間複雜度降為線性，但能既準確又實時地表示位姿狀態的粒子數目幾乎無法確定。
基於圖優化的雷射SLAM算法將累積的定位誤差建模為非線性最小二乘問題，用圖模型表達該問題的優化關係并迭代計算使誤差最小化的位姿最優解。
谷歌提出的Cartographer將局部地圖構建時的幀數據匹配表示成最小二乘優化問題，藉助Ceressolver完成求解；
同時，使用分支定界幀匹配法(branch-and-boundscanmatching，BBS)進行迴環檢測，並通過稀疏位姿優化(sparseposeadjustment，SPA)將迴環閉合。
由於採用了迴環檢測消除累積誤差，其建圖效果十分穩定；由於採用了BBS和SPA，其迴環檢測精度高、可實時。
但Cartographer最初是針對室內場景設計的，若要用於智能駕駛，需補充並實現合理有效的地圖內存管理機制，圖7即為Cartographer所構建室內場景地圖。
總的來說，基於概率濾波器的算法多採用馬爾可夫假設，僅通過上一時刻的狀態估計當前狀態；在小場景下表現較好，無法勝任大場景下的SLAM，且難以進行迴環檢測。
而基於圖優化的算法在優化過程中利用所有時刻的狀態求解全局最優解，但對初始值要求較高、容易陷入局部極值。在長時間或大場景情況下可採用批量優化策略緩解計算負擔，且可實施迴環檢測，是目前雷射雷達SLAM的主流技術。
END。
不難發現，智能駕駛車載雷射雷達要實現車規級量產，最重要的是進行可生產性設計，降低成本、提高性能。
目前，雖然機械式車載雷射雷達仍處於應用主流，混合式車載雷射雷達已開始應用且有望量產，但符合小型化、低成本化理念的固態車載雷射雷達在業內呼聲越來越高，已成為理想目標。
各類智能駕駛功能均依靠特定的應用算法開發實現。智能駕駛的環境複雜多變，從龐雜的雷射雷達點雲數據中準確快速地提取有效數據並正確理解與分析有用信息是雷射雷達應用算法開發的終極目標。
目前，智能駕駛車載雷射雷達應用算法尚沒有統一的框架和評判標準，具有較強的針對性和一定的特殊性。
相關研發團隊提出了諸多算法方案，其共性技術包括點雲分割技術、目標跟蹤與識別技術、即時定位與地圖構建技術等，如何提高算法魯棒性和規模化的能力是研究的關鍵。
面向智能駕駛應用的車載雷射雷達產品目前仍面臨著很多挑戰：
1)成本居高不下高昂的成本幾乎是車載雷射雷達被大規模推廣使用的最大障礙。
目前市場上性能優異、適用於高級別智能駕駛汽車的車載雷射雷達售價從幾千美元至幾萬美元不等，遠高於其他環境感知傳感器，有些甚至超出智能駕駛汽車本身價格，難以被智能駕駛市場接受。
2)車規級量產困難自法國法雷奧(Valeo)公司宣布在奧迪A8車型上量產4線雷射雷達ScaLa之後，關於雷射雷達車規級量產的消息幾近空白，而且已量產的ScaLa能實現的自動駕駛功能相當有限。
雷射雷達要實現車規級量產，需滿足性能、環境適應性、可靠性、產品一致性等多方面要求，且供應商需建立規範化、自動化的裝配生產線。此外，車載雷射雷達車規級的有效驗證方式也尚未有定論。
3)氣候環境影響車載雷射雷達的探測光束，受大氣吸收、散射、折射效應的影響。
首先，智能駕駛汽車中的雷射雷達一般安裝在汽車頂部或嵌於車身四周，較低的安裝高度使得大氣中某些氣體分子和懸浮粒子引起的回波縮減效應較大，從而造成雷射雷達探測器的接收效果變差。其次，在雨、霧、冰雪等惡劣天氣下，空中的懸浮物會對雷射發射、反射以及檢測等過程產生不良影響，造成雷射雷達探測範圍減小、檢測精度降低。
4)應用算法的適應性當前各種車載雷射雷達應用算法通常只針對某個特定場景開發，而且往往精度越高、適應性越差，使用範圍相當有限。面對各類複雜多變的智能駕駛場景，使算法具有擴展性和可移植性，提升算法的自適應性尤為必要。
為戰勝上述挑戰，未來研究熱點將包括：
1)車載雷射雷達固態化技術傳統機械式車載雷射雷達短期內還難以擺脫高成本的制約，更具價格優勢的雷射雷達固態化成為大勢所趨。
固態化技術研究的關鍵點在於進一步提升技術可靠性，改善探測距離、範圍、精度等重要性能，加快製造性設計落地。
2)車載雷射雷達的智能化、網絡化技術為適應智能駕駛複雜應用要求，車載雷射雷達將日趨智能化。
如：部分數據處理功能下移；工作模式可靈活配置，實現對用戶感興趣的區域集中探測；可擴展等。隨著5G來臨，在車聯網技術的支持下，智能駕駛將實現雲、車、路信息一體化共享。
彼時車載雷射雷達可能將作為整個網絡中的節點，不僅僅專屬於智能車，還能合理應答網絡終端命令調整自身工作模式，從而實現軟硬體解耦，更加高效靈活地完成感知任務。
3)多傳感器數據融合以及新型智能組合器件單一傳感器無法獨自可靠完成智能駕駛環境感知任務。
多傳感器冗餘配置和信息融合將突破單一傳感器的局限性，發揮多傳感器的聯合優勢，提高系統可靠性和魯棒性，擴展系統的時間和空間覆蓋率，更加準確和全面地感知環境。如：雷射雷達和毫米波雷達結合將克服惡劣天氣的影響，雷射雷達和視覺相機的結合將同時獲得探測物體的深度信息和色彩紋理信息等。
在深入研究多傳感器數據融合算法的同時，基於該原理的新型智能組合器件開發初見端倪。
如：美國AEye公司發布的LiDAR傳感器，將MEMS雷射雷達與微光攝像機進行物理融合，可直接輸出彩色3D探測數據，故也被稱為全彩雷射雷達(truecolorLiDAR)。
4)典型應用算法優化和封裝智能駕駛場景的複雜和多樣造成了雷射雷達應用算法的多元性和特異性，為了便於移植、提高開發效率，對典型算法進行優化和封裝，將其作為成熟的模塊提供給研發者調用是當下亟待解決的問題。
智車行家，專注於智能網聯汽車行業智慧共享互動交流平臺，組建了10+行業交流群，定期放送線上專題直播。
誠邀您加入自動駕駛雷射雷達行業微信交流群：
群內包括國內40+車載雷射雷達企業負責人，100+主機廠模塊工程師，涵蓋企業總經理，研發總監，主任工程師，高校教授專家等，集合雷射雷達關聯產業鏈行業精英。歡迎進群交流。
請加小易@智車行家微信：18512119620，申請入群 。
【免責聲明】文章為作者獨立觀點，不代表智車行家立場。如因作品內容、版權等存在問題，請於本文刊發30日內聯繫智車行家進行刪除或洽談版權使用事宜。
往期精彩回顧
自動駕駛 | 雷射雷達
毫米波雷達 | 汽車電子
1500+專業社群邀您加入！
後臺回復「入群」加入