说过了扫描方式,接着说说FMCW激光雷达相对于ToF激光雷达特有的运动补偿,而且是逐点补偿。
考虑车载使用场景,在相对平坦的地面上可以忽略车体上下垂直方向的运动,并且为了简化仿真流程,所以以下仿真主要考虑激光雷达和目标在z轴方向相对运动的速度补偿和点云成像(仅仅是假设,为了容易把事情说清楚)。下图为本方法下FMCW激光雷达扫描成像场景侧视图。如下图所示,假设激光雷达初始位置在离地高 h=1.5m处,坐标为(0,1.5,0) ,激光发射重频为8kHz,扫描方式为旋转双棱镜圆环扫描,角速度为40πrad/s,扫描全角为φ=20° ,光锥轴线方向与z轴平行。目标物体为放置于地面上的三个球体,直径皆为0.5m,三个球体球心位置分别为 (0,0.5,100) ,(0,0.5,101) ,(-1,0.5,100) 。激光雷达以速度为vl沿z轴方向运动,目标物体以速度为v0沿z轴方向运动( vl ,v0 皆以z轴方向为正)。分以下几种情况进行仿真。
(1)不进行速度补偿
假设激光雷达以速度为vl=60km/h 沿z轴正方向匀速运动,靠近目标物体,目标物体静止,不进行速度补偿时,激光雷达点云成像为:
由上图可见,由于存在相对运动,在不同时刻在激光雷达坐标系下采集到的点坐标与静态坐标系下的实际位置坐标存在差异,不进行速度补偿会造成成像畸变,无法正常成像。
(2)使用传统加速度计方法进行速度补偿
同样假设激光雷达以速度为vl=60km/h 沿z轴正方向匀速运动,靠近目标物体,目标物体静止,不进行速度补偿时,激光雷达点云成像为:
由上图可见,在只存在激光雷达运动的情况下,传统加速度计方法可以进行测速补偿成像。
而在激光雷达以速度为vl=60km/h沿z轴负方向匀速运动的同时,目标物体以速度为v0=20km/h沿z轴负方向与激光雷达相向运动时,激光雷达点云成像为:
由上图可见,使用惯导进行测速补偿方法成像的结果仍然存在一定程度的拉伸畸变,畸变程度与物体运动速度相关,从细节图可以依稀分辨2个分离目标,但已经完全无法还原小球的真实尺寸与轮廓。
(3)使用FMCW激光雷达测速逐点补偿方法进行运动补偿
假设激光雷达以速度为vl=60km/h沿z轴负方向匀速运动,同时,目标物体以速度为v0=20km/h沿z轴负方向与激光雷达相向运动。使用本方法进行激光雷达点云成像的结果为:
由上图结果可见,在目标物体运动的时候,使用激光雷达测速逐点补偿方法进行速度补偿的激光雷达点云图依然可以较好的反映出目标物体的外部轮廓及其细节部分,可以清晰辨认3个小球,以及地面与小球之间的位置关系。
使用补偿误差 δ作为成像畸变补偿效果的评价指标,
其中, Δv为补偿后激光雷达与目标间的剩余速度差,f为扫描成像帧频。在扫描成像帧频不变的情况下,补偿后激光雷达与目标间的剩余速度差越小,补偿误差越小,精度越高。而使用惯导方法补偿时,以前文仿真为例,激光雷达与目标相对速度仍有20km/h,补偿后仍然出现一定程度的成像畸变;使用FMCW激光雷达补偿后不存在相对速度引起的畸变——即所见即所得,与人眼看到的一模一样,人的大脑会自动给运动物体做运动补偿,但当人与物体之间相对运动速度过大时,人眼也会出现看不清楚的情况,即补偿精度降低。FMCW激光雷达的运动补偿能力远大于人眼,敬请期待我们的FMCW激光雷达实际点云效果。
FMCW激光雷达用于现有无人驾驶汽车的障碍物识别算法,不仅仅可以有效提供速度矢量供算法甄别不同的障碍物,同时给到识别算法的物体不存在畸变——大小,航向,速度等参数都精确(相对多帧跟踪算法推算出来的结果),这样不就可以提升识别跟踪算法的运算速度/效率,减少对算力的需求。更多益处,谁用谁知道。