大疆览沃浩界(Livox Horizon)激光雷达测评

测评人 - 董小胖

Livox Horizon(览沃浩界)介绍

Livox Horizon(览沃浩界)是大疆专为L3/L4自动驾驶打造的一款激光雷达。

与传统的采用机械旋转结构的激光雷达不同,浩界采用的是非重复式扫描方式。传统的机械激光雷达,通过电机带动整个激光头做圆周运动,其扫描方式通常呈360度线式扫描。这种扫描方式带来的后果是,线与线之间总会有间隙,线不够密集的情况下,存在漏检物体的可能性。而非重复式扫描的激光雷达,随着积分时间增大,点云视场覆盖率会持续增大,直至视场覆盖率接近100%。当然,与传统机械激光雷达相比,浩界的FOV较小且视场覆盖率取决于积分时间。

浩界(Horizon)主要参数如下:

 浩界(Horizon)点云分布:

 积分时间与视场覆盖率:

下图是不同积分时间下 浩界(Horizon) 的视场覆盖率,和当前市场上常见的几款多线机械旋转式激光探测测距仪的对比。

 接下来进入到开箱环节,我们先来看看包含哪些配件。

 

主要有:浩界(Horizon)x1、电源转接插座2.0x1、Horizon快速入门指南x1、电源线x2、同步信号线x2、其他螺丝等小配件若干。

 

雷达正面(接近1.2kg的重量拿在手上挺沉的,不适合重量敏感的小轴距无人机,不过,这款主要还是给自动驾驶设计的,对重量敏感的应用场景可以考虑觅道MD-40或者觅道MD-70。)

 

主动散热模块(可拆卸部分。拆卸后用户需要自行设计散热通道,保证外壳温度低于 85°C,超温后 Horizon 会进入错误状态并停止工作,重启可恢复。

 

电源接口:连接至外部电源。电源转接插座2.0的工作电压为 9-30V。
以太网线接口:连接至以太网线。使用标准 RJ45 以太网接口。
同步信号线接口:连接至同步信号线。

 

激光探测测距仪连接头接口:连接激光探测测距仪激光雷达连接头。

 

准备测试

我采用的是乞丐版数据采集平台,主要有:40块钱买的小车、Horizon、Nvidai TX1、电源模块、电池、显示屏等。

 

实时点云

 

室外环境

 

室外环境

 

室内停车场环境

 

室内停车场环境

 Livox Horizon雷达点云数据

 

livox_horizon_loam是览沃官网开源的一款软件包,主要应用于低速(~5km/h)感知场景下的应用,通过点云的帧间匹配实现激光雷达的位姿估计,实现了激光里程计(Lidar Odometry)和建图(Mapping)。livox_horizon_loam是基于LOAM(Lidar Odometry and Mapping in Real-time),与现在主流的激光雷达开源算法LeGO-LOAM、LIO-SAM等相比,没有回环检测和后端优化。

livox_horizon_loam算法的核心主要在于两个部分:特征提取(Lidar Registration)和里程计解算(Odometry and Mapping)。核心思想与LOAM是完全一致的。

详见:

https://github.com/Livox-SDK/livox_horizon_loam.git

附上测试视频以供大家参考:

大疆览沃浩界(Livox Horizon)激光雷达测试

 

关于Livox Horizon LOAM的测试说明:

测试平台的移动速度是成年人的正常行走速度。TX2主要用来记录雷达的数据,建图是在笔记本电脑上完成的(随着地图的增长,TX2的内存吃不消)。由于没有例如RTK GPS等比较准确的真值轨迹做对比,没法对定位精度做一个定量分析(后期有机会我会公布相关测试结果)。虽然Livox Horizon内置了BMI088 IMU,不过我并没有用IMU数据,上面两个数据都是纯激光完成的。 

总体来说,效果还是不错的,目前发现的主要问题是Z轴的漂移,当然之前也说过,LOAM是没有回环检测和后端优化的。(后期有机会我将和LeGO-LOAM做对比并公布相关结果。

由于时间有限,这次测评比较初级,后期有机会我将持续更新分享我做的一些工作,比如:

(1)对雷达、RTK GPS、IMU、磁罗盘和相机的融合。

(2)对比测试更现代化一些的激光雷达算法,如LeGO-LOAM等。

(3)建图部分使用Octomap、Voxblox等,以便于嵌入式设备运行的SLAM。

关于Livox雷达行业应用的思考:

(1)Livox还是有很多优点,如随着积分时间增大,视场角的覆盖率也会增大,机械结构更可靠、价格更亲民等。不过,Livox的价格是最大的优势,所有商业化最后不得不面对价格这一道坎。64线、128线的激光好不好?好,这是肯定的。但动辄几十万的价格,对于很多应用场景都是接受不了的。

(2)当然Livox也有明显的缺点,例如单个雷达的FOV较小,市场的覆盖率取决于积分时间等。不过,我认为抛开应用场景来谈雷达是不合适的。比如,以我拙见,Livox在无人机测绘领域优势还是比较明显的。

本文为助教投稿。文章开通了打赏通道,所有打赏费用将转交原作者,此外,我们将额外支付其50-100元的稿费。 如需投稿,请添加课程助手微信:jiayue199506

Livox Hap激光雷达数据中的高程差特征点可以通过以下步骤提取: 1. 首先,将Livox Hap激光雷达数据加载到你的代码中。 2. 对于每个扫描线上的点云数据,计算它们的高程值,并将它们与相邻点的高程值进行比较。 3. 如果相邻点的高程值之间的差异超过一个阈值,则可以将其视为高程差特征点。 4. 使用高程差特征点的位置和高程值来进行进一步分析和处理。 下面是一个简单的Python代码示例,可以帮助你提取Livox Hap激光雷达数据中的高程差特征点: ```python import numpy as np import open3d as o3d # Load the Livox Hap point cloud data point_cloud = o3d.io.read_point_cloud("livox_hap.pcd") # Extract the Z-coordinate values from the point cloud data z_values = np.asarray(point_cloud.points)[:,2] # Compute the difference between adjacent Z-coordinate values z_diff = np.abs(np.diff(z_values)) # Define a threshold for the difference in Z-coordinate values threshold = 0.1 # Find the indices of the points where the Z-coordinate value difference exceeds the threshold feature_indices = np.where(z_diff > threshold)[0] # Extract the feature points from the original point cloud data feature_points = point_cloud.select_down_sample(feature_indices) # Visualize the feature points o3d.visualization.draw_geometries([feature_points]) ``` 这个示例代码可以帮助你提取Livox Hap激光雷达数据中的高程差特征点,并将它们可视化出来。你可以根据自己的需求,对代码进行修改和优化。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值