隨著世界科技向智能化、高效率發(fā)展，激光雷達及其應用也受到越來越多的關(guān)注。但是，人們對激光雷達技術(shù)及性能等方面也存在一些誤解。本文將為大家揭開關(guān)于激光雷達的六個常見誤區(qū)。
1、激光雷達應用的技術(shù)復雜
雖然激光雷達是由不同硬件組成的復雜傳感器，但實際上其基本工作原理相當簡單。傳感器使用飛行時間法，該探測原理類似于蝙蝠使用聲波或雷達使用微波。
如果把傳感器分解成幾個部分，即激光器、探測器和光束偏轉(zhuǎn)單元，激光雷達就不再是一項令人望而生畏的技術(shù)了。激光源首先發(fā)出激光脈沖，這些脈沖通過微振鏡偏轉(zhuǎn)到場景中，探測器檢測反射光，根據(jù)激光脈沖發(fā)射時間和返回時間精確計算出距離。
每秒鐘重復數(shù)千次甚至數(shù)百萬次以上這個過程，實時生成精確的3D環(huán)境點云。這些3D點云數(shù)據(jù)易于分析和利用，例如，用于自動駕駛決策。
這項技術(shù)是在20世紀60年代早期發(fā)明脈沖激光器之后發(fā)展起來的，脈沖激光器重復發(fā)射光脈沖，而不是采用連續(xù)波。
2、在自動駕駛汽車應用中，激光雷達是多余的
埃隆·馬斯克(Elon Musk)在2019年的一次會議上忽視了激光雷達在自動駕駛汽車上的用途，這一事件迄今為止滋生了許多關(guān)于激光雷達的謬論。他聲稱，在相機和智能算法的輔助下，激光雷達是多余的，并將一直堅持自己的立場。
攝像機應用不同的圖像識別技術(shù)，可以采集彩色視覺圖像，但僅僅采用一個攝像機，只能捕捉到2D數(shù)據(jù)，很容易導致視覺錯覺和距離誤判。有不少的悲慘例子表明，這些缺陷是危險的，有時甚至是致命的。
相比之下，激光雷達可以可靠地捕捉3D數(shù)據(jù)，并精確識別出距離和物體尺寸。
融合精確的3D激光雷達數(shù)據(jù)有助于在攝像機“失明”的情況下依然能夠感知周圍環(huán)境，比如在走出隧道后攝像機需要一定時間適應光線變化等場景。
此外，攝像頭生成的2D圖像，表面上看起來可能足夠精確，足以訓練自動駕駛汽車的算法。但它們?nèi)匀挥泻芏嗖痪_的地方，會降低機器學習模型的準確性，從而降低車輛感知、預測和決策的能力。促進自動駕駛的機器學習能力需要具有可擴展性，并解決“長尾巴”問題。這意味著僅滿足道路上車輛所面臨的95%的場景是不夠的，基于機器學習的自動駕駛功能還要針對5%的棘手情況進行訓練，同時不斷提高其性能，這需要大量純相機系統(tǒng)數(shù)據(jù)用于訓練。 相比之下，激光雷達可以提供更多的機器學習預測模型，同時生成更高精度的訓練數(shù)據(jù)。因此，激光雷達是更可靠、更健壯的自動駕駛系統(tǒng)所必需的傳感器。
3、激光雷達可以完全被其他傳感器取代
關(guān)于激光雷達最常見的一個誤解是，它可以被相機或雷達傳感器替代，這種誤解源于人們對這些傳感器技術(shù)如何以不同方式對物體進行分類缺乏了解。在理解了這些傳感器的不同能力和產(chǎn)生的數(shù)據(jù)類型之后，大家會了解到它們在功能上的互補。相機采集到的是2D圖像，提供灰度或顏色信息、紋理和對比度。為了進一步分析這些數(shù)據(jù)，需要使用圖像識別軟件。因為相機應用的是被動測量原理，物體需要被照亮來檢測。此外，需要兩個或更多的相機來創(chuàng)建3D圖像，以及高計算能力。
雷達測量三維信息，在確定物體距離和速度方面具有極高的精度。然而，分辨率較低，他們無法精確探測(以厘米為尺度)或?qū)ξ矬w進行分類。
激光雷達將采集得到的三維數(shù)據(jù)創(chuàng)建形成點云，根據(jù)點云形狀和大小，可以精確地檢測物體，將物體分為不同的類別，如人、汽車、建筑物等。
激光雷達可以收集非常詳細可靠的三維信息，從而填補了其他傳感器技術(shù)的不足。在各種環(huán)境下可以檢測和準確分類目標，因此在各類傳感器中脫穎而出。來自相機的數(shù)據(jù)可以用于更深入的分析，雷達收集的距離和速度數(shù)據(jù)可以用激光雷達進行驗證，以獲得更高的精度。這意味著，未來所有基于傳感器的應用都將集成攝像頭、雷達系統(tǒng)、激光雷達以及其他傳感器。
4、激光雷達不能在惡劣的環(huán)境條件下工作
攝像機不能在沒有足夠的環(huán)境照明的情況下工作，例如在汽車的應用中，攝像機的探測距離只能達到前照燈的照射距離。相比之下，無論光強度條件如何，激光雷達的探測范圍都可以達到數(shù)百米，因為它依賴的是紅外激光束而不是可見光。也就是說，一輛配備了激光雷達傳感器的自動駕駛汽車，即使關(guān)掉前照燈，在漆黑的環(huán)境下駕駛也能像在白天一樣順暢。
當談到像霧、雨或雪這樣的惡劣條件時，激光雷達在性能上再次展現(xiàn)出明顯的優(yōu)勢，可以在感知系統(tǒng)中彌補其他傳感器(如相機)的不足。
在雨中，激光雷達通常比相機表現(xiàn)得更好，因為它們的光束很大。這使得光束能夠繞過傳感器反射鏡上的障礙物(如雨滴)，因此激光雷達的射程在一定程度上不受影響。相比之下，相機的像素尺寸要比雨滴的尺寸小得多，因此它的視野會被遮擋。
大光束還使激光雷達能夠檢測來自不同范圍的多個回波，并只處理信號最強的那個。這在惡劣的天氣條件下也會很有用，比如下雪時，激光雷達可以忽略雪花的反射所帶來的影響。沒有加入任何機器學習算法的相機，不能區(qū)分雪花，濕鏡頭或硬物體，最終返回一個扭曲的圖像。
激光雷達的曝光時間和快門速度(百萬分之一秒)也比相機(千分之一秒)要短，這意味著雨滴不會被檢測為跨越多個像素的條紋，而是原始形狀。
由于激光雷達是一種光學設備，其性能在大霧等條件下也會受到負面影響，但它仍能夠提供更多比相機等傳感器的有價值的數(shù)據(jù)，并且檢測的距離更遠，如上圖所示。
5、激光雷達傳感器很昂貴
曾經(jīng)有一段時間，市場上唯一可用的激光雷達是旋轉(zhuǎn)式激光雷達，這種激光雷達非常昂貴，體積很大，無法大量生產(chǎn)。因此，人們對激光雷達及其高昂的價格仍有誤解是很自然的。但自從MEMS(微機電系統(tǒng))激光雷達問世后，徹底改變了這一說法。MEMS組件是由硅制成的，很容易進行生產(chǎn)擴展，因此具有非常高的成本效益。
固態(tài)激光雷達采用標準組件，無需定期維護，因此成本降低。近年來，這些激光雷達傳感器的成本已經(jīng)從幾千美元降到幾百美元，這種趨勢會在未來持續(xù)下去。事實上，中程傳感器在大批量生產(chǎn)時甚至可以以三位數(shù)的價格出售。
6、基于MEMS的激光雷達性能不高
盡管基于MEMS的激光雷達傳感器具有可量產(chǎn)、成本低等優(yōu)點，但人們經(jīng)常誤以為這些設備的探測范圍很小。這種說法源于MEMS微振鏡通常非常小(因此在MEMS中稱為“微型”)。一般來說，鏡子尺寸越大，接收面積越大，探測范圍越長。虹科開發(fā)了自己的MEMS微振鏡，其尺寸超過10mm，能將高比例的光子定向返回到光電探測器上。
虹科固態(tài)激光雷達傳感器借助同軸設計實現(xiàn)空間濾波，這意味著檢測器可以精確接收來自發(fā)射方向的光子。最小化背景光，實現(xiàn)高信噪比，從而增大探測范圍。
以上關(guān)于激光雷達技術(shù)及其應用的一些常見誤區(qū)。在本系列的第二部分內(nèi)容，虹科將會給大家揭開更多激光雷達應用中存在的誤區(qū)，敬請關(guān)注!
