第四章：激光雷达原理——机械式与固态激光雷达、TOF与FMCW原理、点云数据结构、激光雷达与相机联合标定

各位同学，欢迎来到第四章。

这一章，我们聊聊激光雷达。说实话，激光雷达是自动驾驶感知系统里最“贵”的传感器，也是最“傲娇”的。它不像摄像头那样便宜，也不像毫米波雷达那样皮实。但它的优势，别的传感器真比不了——直接给你三维空间的距离信息，精度能到厘米级。

我刚开始做感知那会儿，公司买的第一台64线机械式激光雷达，价格够买一辆小轿车。每次调试都小心翼翼，生怕磕碰。现在固态雷达便宜多了，但原理上的门道，反而更多了。

4.1 机械式激光雷达 vs 固态激光雷达

先说说机械式。这玩意儿，说白了就是让激光发射器转起来。一个或者几个激光收发模块，装在旋转电机上，一边转一边发射激光，扫一圈就是一帧点云。

机械式雷达的好处是：视野广，360度全覆盖。我早期做无人车路测时，车顶装的就是Velodyne的64线机械雷达。那数据量，一秒钟几十万点，处理起来电脑风扇呼呼转。

但缺点也很明显：

  • 机械结构复杂——电机、滑环、旋转轴承，任何一个坏了，整个雷达就废了。
  • 寿命有限——旋转部件磨损，一般几千小时就得维护。
  • 成本高——精密机械加工，良率低。

固态激光雷达就不一样了。它没有旋转部件，靠电子扫描或者光学相控阵来实现光束偏转。常见的有两种：

  • MEMS微振镜式——一个小镜子高速振动，反射激光束实现扫描。我去年测试过一款MEMS雷达，体积只有火柴盒大小，但视场角只有120度左右。
  • OPA光学相控阵——通过控制阵列中每个发光单元的相位，让光束干涉偏转。这个技术更前沿，目前量产还不多。

固态雷达的优势很明显：体积小、寿命长、成本低。但视场角受限，一般需要多个组合才能覆盖360度。

我的经验：机械式雷达适合做研发测试，数据质量高，调试方便。量产车上，固态雷达是趋势。但别迷信“固态一定比机械好”——有些固态雷达在雨雾天气的表现，还不如老款机械式。

4.2 TOF与FMCW——两种测距原理

激光雷达怎么测距？主流就两种方法：TOF和FMCW。

TOF（飞行时间法），原理很简单：发射一个激光脉冲，等它反射回来，算时间差。光速是固定的，时间差除以2，再乘以光速，就是距离。

公式长这样：

距离 = (光速 × 飞行时间) / 2

TOF雷达的优点是：原理简单，技术成熟，响应快。市面上90%的激光雷达都是TOF的。

但TOF有个硬伤——抗干扰能力差。多个TOF雷达同时工作，容易互相串扰。我在一次多车协同测试中就遇到过，两辆车上的TOF雷达对射，点云里全是噪点。

FMCW（调频连续波），这个就高级一些了。它发射的是频率连续变化的激光，通过比较发射信号和反射信号的频率差，来推算距离和速度。

原理有点像毫米波雷达。FMCW的优势：

  • 抗干扰强——不同雷达可以用不同调频斜率，互不干扰。
  • 直接测速——多普勒效应，一次测量就能得到速度。
  • 灵敏度高——可以探测更远的距离，甚至透过一些遮挡物。

但FMCW也有缺点：系统复杂，成本高，对激光器的线宽要求极高。目前量产的FMCW激光雷达还不多，但我觉得这是未来方向。

避坑指南：我曾经在项目里选型时，被FMCW的“测速功能”吸引，结果发现它的点云密度远不如同价位的TOF雷达。做目标检测时，稀疏的点云让算法效果大打折扣。所以，选型不能只看原理，还得看具体应用场景。

4.3 点云数据结构——你看到的不是图像

激光雷达输出的数据，叫点云。它不是图像，而是一堆三维坐标点。

每个点通常包含：

  • x, y, z——三维坐标，单位米
  • intensity——反射强度，跟目标材质有关
  • ring——线束编号，机械式雷达常用
  • timestamp——时间戳，用于同步

点云数据量有多大？举个例子：一台32线机械式雷达，10Hz刷新率，每秒大约产生64万个点。每个点按16字节算，每秒数据量约10MB。一帧点云大约1MB。

点云在内存里怎么存？常见格式有两种：

  • PCD格式——Point Cloud Library的标准格式，可读性好，但文件大。
  • BIN格式——二进制文件，直接存储浮点数，解析快，体积小。KITTI数据集用的就是这种。

我一般用BIN格式做实时处理，PCD格式做离线分析。读取BIN文件的代码很简单：

import numpy as np

def load_bin_pointcloud(file_path):
    points = np.fromfile(file_path, dtype=np.float32)
    points = points.reshape(-1, 4)  # x, y, z, intensity
    return points

注意：不同雷达的BIN文件格式可能不一样。有的存的是(x,y,z,intensity)，有的存的是(x,y,z,ring,timestamp)。一定要看雷达厂商的文档。

警告：点云数据是稀疏的，不像图像那样密集。一个100米外的行人，可能只有几个点。算法设计时，千万别用图像处理的思路去处理点云。我见过不少新手，上来就对点云做卷积，效果一塌糊涂。

4.4 激光雷达与相机联合标定——让两个世界对齐

激光雷达和相机，一个给三维点，一个给二维像素。怎么让它们对应起来？这就是联合标定要解决的问题。

说白了，就是求一个变换矩阵，把激光雷达坐标系下的点，投影到图像坐标系上。

标定需要两个步骤：

  1. 内参标定——相机本身的参数，焦距、畸变系数等。这个用棋盘格就能搞定。
  2. 外参标定——激光雷达和相机之间的旋转和平移关系。这个需要找对应点。

外参标定常用的方法：

  • 手动选点法——在点云和图像中，手动选择3对以上对应点，解算变换矩阵。简单，但精度看操作。
  • 自动标定法——用标定板或者特定场景，自动检测角点，优化求解。精度高，但需要专用工具。

我习惯用自动标定法。具体做法是：

  1. 放置一个棋盘格标定板，确保激光雷达能扫到，相机能拍到。
  2. 从点云中提取标定板的平面，计算角点的三维坐标。
  3. 从图像中提取标定板的角点，得到二维坐标。
  4. 用PnP算法求解外参矩阵。

代码示例（伪代码）：

# 假设已经提取了3D点和2D点
# 3D_points: Nx3, 2D_points: Nx2
# 相机内参矩阵 K: 3x3

# 使用OpenCV的solvePnP
success, rvec, tvec = cv2.solvePnP(3D_points, 2D_points, K, dist_coeffs)

# 旋转向量转旋转矩阵
R, _ = cv2.Rodrigues(rvec)

# 外参矩阵 = [R | tvec]

标定完成后，验证方法很简单：把点云投影到图像上，看看轮廓是否对齐。如果行人点云投影到图像上，正好落在行人像素区域内，说明标定成功。

我的经验：标定不是一次性的。温度变化、振动、时间久了，外参都会漂移。我建议每次路测前，都做一次快速验证。如果发现投影偏差超过5个像素，就该重新标定了。

嗯，这一章的内容就到这里。激光雷达的原理，说白了就是“发射-接收-算距离”。但真正用好它，还得理解点云的特性，以及如何跟其他传感器配合。下一章，我们聊聊毫米波雷达，那个家伙虽然分辨率低，但测速和抗干扰能力，激光雷达还真比不了。

← 上一章 📖 返回目录 下一章 →