激光雷达眼中的世界：点云与时间的艺术

因为明天可以去速腾看激光雷达，这里我就简单的写一下过于雷达的一些技术的问题，不过话说到这里，我看看我手边有什么雷达？

哎呀，就是这三个了~，就是简单展示

告诉大家，雷达就是身边（至少在我的身边）

参观公司，我觉得应该有必要看一下它的产品线，笑死，万一都能摸一摸呢？

看看官网，你可能看不出来这种感觉

好像还是看不出来（等我有钱就买个好屏幕）

这个叫V2X，车路协同

这个是主业的激光雷达的产品，就看一个激光雷达就好

这个是车规级的雷达，测距方法是TOF

激光窗口

对这种精密的仪器没有一点点的抵抗力

这里有写这个问题，我稍微说下

任何一个做自动驾驶的人，相信都躲不过一个词：“corner cases”。所谓的corner cases，在论文中使用的定义是“there is a non-predictable relevant object/class in a relevant location”。用大白话来说便是“在正确的位置上出现了不可预测的目标”，例如单纯一把椅子，下图第1列是正常的可预测的椅子，第2-4列对一个计算机视觉模型来说，很可能便是难以预测的“corner cases”。

对自动驾驶而言，倘若感知系统遇到了corner cases，则会带来严重的安全隐患。例如前几年发生的Tesla的Autopilot 没有识别出正在横穿的白色大卡车，直接从侧面撞上去，导致车主立即死亡；Uber 的自动驾驶车在亚利桑那州撞死一名推自行车过马路的女性……

倘若存在能够检测出corner cases的方法，首先，可以用于offline筛选包含corner cases的数据，用于训练新的感知算法，能够用于在实际应用中正确识别和处理这些corner cases情况；其次，还能作为online的安全监控和警告，一旦检测出遇到corner cases情况，可以主动提醒驾驶员进行干预。

动态提高ROI区域垂直分辨率至0.1°，更早看清远处障碍物，让车辆提前响应，提升自动驾驶体验。

范围

全景

侧面

正面

高速场景

远场行人和桶锥路段

人车混杂

看视角和接口

这里也可以看看激光雷达的参数

文档齐全

这个是安装的一个推荐图

解析点云的公式

文档给的很好呀，这个中文版本的一看就很舒服，自然ROS的驱动是少不了的，很全面。

这个就是非ROS包支持的雷达

依赖的一些库

尴尬的就是star好少

点云是一个数据集，数据集中的每个点代表一组X、Y、Z几何坐标和一个强度值，这个强度值根据物体表面反射率记录返回信号的强度。当这些点组合在一起时，就会形成一个点云，即空间中代表3D形状或对象的数据点集合。

点云+激光反射强度。这类点云通常可以通过回波特性和反射强度判别物体的状态，例如植被会有多次回波，反射强度也要弱于建筑。

三维坐标测量机获得的点数量较少，点与点的间距也较大，称为稀疏点云(如全站仪获取的点云)。

而三维激光扫描仪或照相式扫描仪得到的点云，数量较多且较密集，称为密集点云。

点云也可以自动上色，以实现更真实的可视化。生成点云的数据可以通过多种方式采集, 其中包括全站仪、地面和机载激光扫描仪、无人机、移动测绘系统、快照图像，从手簿中采集到的视频，还有智能手机和生成表面和结构模型的CAD程序。

激光雷达，从原理上说就是一种dToF(直接测量飞行时间)方案，通过激光发出和返回的时间结合光速计算出距离，与其它使用调制光/电磁波，并检测相位差的间接飞行时间方案相比。

缺点在于检测点和扫描区域较为固定，要想克服这种缺陷，就需要增加更多激光源组成阵列，以及增加旋转轴、振镜等活动部件，使激光束能够以一定的周期覆盖更大范围，同时以一定的频率接收返回信号，由此带来了激光雷达眼中世界的构造：点云。

探测的效果则取决于激光雷达方案的扫描频率与角分辨率，越高的扫描频率也就是越短的扫描周期，可以使激光雷达能更直观地反馈探测主体移动带来的变化，以及周边环境本身的变化。垂直和水平两个方向角分辨率则影响到点云数据的精细程度，具体而言就是能够在多远的距离探测到多小的物体。可以想象整个工作周期中激光束以激光雷达为原点向四面八方射出，每隔0.5°或1°接受一个点的距离信息，自然在越近的距离上点越密集，越远则越稀疏。

我这里也有一些过于激光雷达的书籍

这个是一个关于激光雷达的简单路程

啧，写的越来越乱

这个是一个激光雷达的技术框图

最后推荐一本书，不过对自动驾驶来讲这个书可能不是很好

随便写写，大家晚安，明天去南山看看，回来再写一篇。

下班

https://blog.csdn.net/qq_45957458/article/details/123823155

https://github.com/RoboSense-LiDAR/rs_driver

作者：丁我爱链接：https://www.jianshu.com/p/5ab134804d4c来源：简书著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

https://www.robosense.cn/