激光雷达在智能汽车中的应用价值

车控快讯（文/每日一CHEK）感知-决策-控制，感知的安全有效是NGP、LCCL、AEB等智能驾驶功能安全性的前提。为此，使用激光雷达+毫米波+摄像头的多传感器融合感知方案，获得充分冗余的感知能力，以保证感知信息安全可靠。

激光雷达、摄像头与毫米波雷达的成像对比

• 摄像头色彩信息丰富，受环境光的影响大，面对强光照射、高亮反白物体容易过曝、“亮瞎眼”，而在夜晚弱光环境则会“眼前一片黑”，BEV可以通过深度学习让摄像头2D信息转换3D信息，但依旧无法克服上述环境光照导致的失效问题。BEV、占据栅格网等技术无法有效将未知障碍物准确转换到三维空间，且测距不准确的问题依然存在。视觉算法虽然能检出常规障碍物，但是对运动障碍物的运动方向检测不稳定。
• 激光雷达主动发射激光探测，实时采集高精度三维空间数据信息，不受环境光的影响，白天和晚上都能照常工作，成像分辨率像素级（角分辨率0.1°~0.2°），测距精度厘米级。视觉的难点，恰恰是激光雷达的长处，物理层面，激光雷达白天和晚上都能照常工作，保证感知信息的持续有效，精准度与检出率方面，激光雷达直接探测环境障碍物形状大小，无需特征比对，未知类型障碍物依然有效检出，且障碍物边界刻画清晰与行驶轨迹预判准确。
• 毫米波雷达穿透能力强，且具备测速功能，但成像分辨率低，且在检测非金属材质静止物体方面存在局限性，对行人等检测不准确，新型4D毫米波雷达在分辨率上有所提升，但是与激光雷达相比依然相去甚远（4D毫米波雷达角分辨率1°~5°，激光雷达角分辨率0.1°~0.2°，相差10倍以上），所以说是4D毫米波无法替代激光雷达，但可以替代传统3D毫米波雷达。（比如，飞凡汽车在R7和F7上，同时使用摄像头、激光雷达、4D毫米波雷达融合，抛弃了传统3D毫米波雷达。）
• 学术研究数据：参考全球权威的自动驾驶3D目标感知学术竞技场 nuScenes detection task排行榜：
• 成绩最好的前16名均采用激光雷达+视觉融合方案，前77名方案均包含激光雷达，纯视觉方案最好的排名为第78名；
• 成绩最好的纯激光雷达方案感知能力表现（mAP:0.705）比成绩最好的纯视觉方案感知能力表现（mAP:0.624）高出12%以上；
• 成绩最好激光雷达与视觉融合方案感知能力表现（mAP:0.757）比成绩最好的视觉与毫米波雷达融合方案感知能力表现（mAP:0.575）高出24%以上。

来源：https://www.nuscenes.org/object-detection?externalData=all&mapData=all&modalities=Any

激光雷达在应用场景中对智能驾驶安全性与体验性的提升

体现到智能驾驶的应用场景中，激光雷达将大幅提升智能驾驶的安全性和舒适性。

安全性方面，激光雷达保障对未知障碍物、异型车辆、开门车辆等物体的有效检测，保障黑夜或强光照场景障碍物检查，避免智能驾驶因摄像头漏检而导致的碰撞事故。

夜间驾驶，摄像头与激光雷达感知对比

舒适性方面，视觉算法运动障碍物的运动方向检测不稳定，可能将直行车辆识别为变道转向车辆，或者将转向变道车辆识别为直行车辆，在加塞博弈中，这将导致对相邻车辆意图的误判，体现驾驶行为上，要么是过分保守让路、要么激进跟车；而在高速上，与邻车并行时，这会导致刹车急停或点刹顿挫。相比之下，激光雷达可以直接检出车辆姿态指向和运动方向，给出稳定的检测信息，让智能驾驶能够准确占位或友好避让。实车体验中，搭载RoboSense双激光雷达的小鹏P7i，其XNGP系统在复杂拥堵路段中，对多车博弈表现出色，甚至在混合小电驴穿插的情景也能准确作出响应。类似的，在无保护左转和掉头场景中，激光雷达同样可以大幅提升智能驾驶的舒适性。

视觉感知，图中中间车辆识别框指向与行车方向明显偏离

激光雷达感知，所有车辆识别框行驶方向指向检测准确

视觉算法对障碍物的检测的精度低，障碍物边界刻画模糊，是导致智能驾驶舒适性不足的另一大原因，当遇到大卡车等大型车辆紧贴车道线行驶的场景，摄像头算法难以判断大卡车是否跨车道行驶，进而导致不恰当的点刹或变道，严重降低智能驾驶的舒适性，另外距离检测依据是视觉算法的短板，比如对于100米处障碍物，视觉算法可能给出车80米或120米的感知结果。而激光雷达通过激光直接测量，精准描绘障碍物的边界与相对距离，测距精度达到厘米级，对于前后左右车辆及其他障碍物的距离判断精准，帮助智能驾驶果断执行变道并线、汇入车流、直行加减速等驾驶动作。

激光雷达在BEV架构中如何发挥作用

激光雷达三维点云模式本身就是三维立体的鸟瞰图（BEV），目前BEV鸟瞰图视角技术是通过深度学习Transformer将视觉图像信息从2D转换为3D，让图像信息变成鸟瞰图，使其模式与激光雷达三维点云相仿，这让视觉和激光雷达以及其他传感器的前融合变得容易，两者的前融合可以给感知算法提供更多的设计空间，从而提高感知算法上限，例如大幅提高增强静态建模能力，这有助于加速自动驾驶脱离对高精地图的依赖。

BEV技术虽然让视觉感知由2D转换为3D，但是并不能解决视觉在黑夜、强光照过曝等场景失效问题，而且视觉对未知障碍物漏检、对常规障碍物位置精度低与轨迹预测不准确等问题依然存在。

在BEV前融合框架下，激光雷达的优势可以充分发挥，比如激光雷达对未知障碍物、道路边沿以及可行驶区域等检测能力，这都将更好地服务智能驾驶，尤其在中国复杂的道路交通场景中，此优势体现更加明显。

如果你是汽车发烧友，关注智能汽车、竞品对标、数据报告、智能驾驶、接管率、危险接管里程、续航达成率、泊车成功率、揉库次数、智能座舱、评价指标、车主群...微信搜车控CHEK一下！