人类已经开发出多种技术来观察和分析我们的环境。这些技术具有不同的功能、限制和用例。其中一项技术是基于激光反射的激光雷达(光探测和测距)。尽管激光雷达已经面世 50 多年,但它的全部潜力和应用仍有待发掘。Apple 在其 iPhone 12 Pro 和 iPad Pro的摄像头中添加了激光雷达传感器,将激光雷达技术带到了日常用户的手中。而激光雷达在自动驾驶汽车导航方面仍面临挑战,该技术拥有一系列令人惊叹的用例,是其他成像和物体检测方法的强大辅助工具。
激光雷达基础
激光雷达使用激光来测量距离。发射器发射光脉冲,这些光脉冲从表面反射并返回到接收器。接收器记录每个光脉冲返回所需的时间,用于计算每个光束行进的距离。这些时间和距离产生一组称为点云的数据点。然后可以将点云转换为描绘表面、地形、结构和物体的3D图像。激光雷达可以检测多种材料,包括硬物以及化合物和云。激光雷达扫描仪可以是机载或地面、地形(使用近红外激光检查干燥地形)或测深(使用绿色透水光绘制水下地形图)。它们可以是移动的(安装在车辆或无人机等移动物体上)或静态的(安装在静止的表面上)。激光雷达测绘非常准确,即使在远程应用中也能以2-3厘米的精度描绘表面和物体。
激光雷达功能和应用
由于目标检测和测距是许多应用程序的基础,因此激光雷达的用例种类繁多。迄今为止,激光雷达在航空、地球物理测绘和自动驾驶汽车导航方面的应用广为人知。以下是其附加用途的部分列表:
· 生态/保护——森林管理、野火分析和管理、污染研究
· 替代能源——基于位置和植被分析的太阳能系统规划和优化;通过测量风速增加风电场输出
· 农业——作物测绘、种子和肥料优化、昆虫监测、植物物种分类(用于杂草控制)
· 气象学——云、风和大气化学物质和气体的评估
· 执法- 速度跟踪;犯罪现场扫描以显示物体、血液和子弹轨迹
· 灾害管理——洪水、地震、野火、泥石流等的评估和管理。
· 基础设施和交通——建设和评估桥梁和道路,发展交通网络
· 考古学——绘制考古遗址地图,揭示看不见的结构和文物
· 机器人技术——环境感知、导航、物体分类
· 石油和天然气勘探——通过检查大气中的化学物质来寻找石油和天然气矿床
· 视频游戏/虚拟现实/增强现实——利用高精度激光雷达数据增强景观和场景的模拟
· 3D 摄影——创建用于测量、3D建模、室内/布局设计、建筑/改造、艺术和休闲摄影的物体和场景的 3D照片。
激光雷达的优势
激光雷达是航空导航和地球物理测绘的中流砥柱,其主要优势在远程测绘应用中最为明显:
准确性
即使在很远的距离,激光雷达扫描也可以产生非常详细和准确的测量结果;目前的地面扫描仪声称在2500m的距离上可以达到5mm的精度。
速度
与人工人工测量和测绘相比,激光雷达扫描以闪电般的速度生成大量数据。这在测绘应用(想象人类测量员收集林业数据、爬上单棵树以测量它们的高度)以及工业扫描和建模中尤其重要。
安全
当人类不再需要亲自到现场来测量地形和水体、评估工业厂房的布局或分析电线、道路或交通状况时,安全性就会成倍增加。这些过程越能自动化和远程控制,它们就越安全。
成本
对于大规模测绘,激光雷达应用比人工成本效益高得多,因为单个激光雷达扫描仪可以快速完成大量人员的缓慢工作。在小规模用例中,激光雷达目前的设备成本很高,但随着激光雷达技术和硬件的发展,这种情况将会改变。例如,为家庭改造或建筑工作购买专门的激光雷达扫描设备是不切实际的,但由于激光雷达可在iPhone和iPad上使用,激光雷达3D建模已经变得更容易用于小型项目。
激光雷达的挑战
激光雷达在生成高度准确的景观和物体3D表示方面有着良好的记录。然而,3D激光雷达数据收集仍然对自动驾驶汽车导航提出了一些挑战。这些包括:
恶劣天气
激光雷达传感器对雨、雪和雾很敏感,在这些条件下可能会产生不完整或不准确的数据。即使在正常天气条件下,清晨的雾气和白色背景下的明亮物体也会给激光雷达传感器和接收器带来问题。出于这个原因,自动驾驶汽车目前结合了多种类型的传感器(如激光雷达、雷达和声纳),而不是依赖于单一的测距技术。
表面反射率
在给定范围内,激光雷达传感器数据的精度(返回到接收器的激光脉冲数)根据各种表面的反射率而变化。纹理或“漫反射”表面,例如沥青和衣服,会产生可预测的反射,因此适用于激光雷达。“反光”表面,包括道路上的油漆标记、反光路标和动物的眼睛,也是激光雷达的良好目标,因为光束返回时没有太多信号损失。然而,像镜子、玻璃和光滑的水这样的“镜面”表面会产生非常小的、分散性差的反射,这些反射通常会错过接收器,从而导致激光雷达测量不准确。
振动
平台移动和振动也会影响一些激光雷达扫描仪测量。在移动形式的激光雷达(如自动驾驶汽车)上,传感器必须通过振动和冲击以及正常磨损和清洁来保持性能。虽然减振器和传感器可以减轻和补偿机械振动、颠簸和突然移动的影响,但不平坦的地形仍然是地面激光雷达应用面临的挑战。
激光雷达标注
激光雷达依靠ML(机器学习)模型来提供点云数据的实时解释。分析3D激光雷达点云数据是一个复杂、重复且耗时的过程。此外,点云通常稀疏且分辨率低,使得对象识别不明确。出于这个原因,激光雷达应用程序只有在ML模型进行大量数据处理时才实用且有价值。然而,训练这些ML 模型需要大量准确标注的训练数据,这些数据由人工标注者手动标记。3D激光雷达点云标注需要比2D图像和视频标注更复杂的分析和标注,包括:
· 激光雷达语义分割,其中点云中的每个点都必须根据其所属的对象进行识别和分类。
· 激光雷达地标标注,标记物体的解剖或结构特征,允许ML算法确定不同尺寸物体的形状,包括较小的物体。
· 激光雷达多边形标注,创建精确绘制在感兴趣对象周围的多边形,例如标志、徽标和不同姿势的人,以训练对象检测和定位算法。
· 激光雷达折线标注,用于标记道路标记,以帮助自动驾驶车辆检测高速公路和城市街道上的车道。
激光雷达融合
虽然激光雷达本身可以提供关键的深度和距离测量,但与摄像、摄影、雷达和声纳等其他成像模式结合使用时,它的功能更加强大。
3D激光雷达和2D图像/视频融合
激光雷达的距离测量提供准确的3D表示,但缺乏视觉细节和丰富性;相反,2D摄影和摄像提供了丰富的视觉信息,但缺乏准确的深度和距离信息。将激光雷达和摄影测量(用于测绘的摄影)融合在UAV(无人驾驶飞行器或无人机)中,以生成用于专业土地测量的准确地形图像。此外,个人设备现在将激光雷达和传统摄影相结合,让智能手机和平板电脑用户能够制作独特的3D照片。
雷达和声纳
激光雷达扫描也可以与雷达和声纳配合使用。在恶劣的天气条件下、水中和跟踪快速移动的物体时,组合模式可以增加感官范围并提高性能。因此,使用的自动驾驶汽车结合使用这些扫描方法(除了 GPS 跟踪器)可以实现自动驾驶汽车导航和避障。
结论
激光雷达是一种通用的、成熟的技术,具有广泛的实际应用。它最近通过 iPhone 12 和 13 pro 以及 iPad Pro 进入智能手机用户手中,提高了公众对其功能的认识。激光雷达已经在实现地球物理测绘和环境管理等领域的自动化和变革,但在其广泛使用对自动驾驶安全且对小规模应用具有成本效益之前,仍存在一些技术挑战。此外,激光雷达数据标注是一个复杂、详细和劳动密集型的过程。激光雷达机器学习模型训练的高质量数据标注将随着激光雷达变得越来越重要扩大其在工业、商业和个人用途中的足迹。总体而言,激光雷达技术正处于快速增长的轨道上,并且刚刚开始大踏步前进。随着硬件、部署方法和机器学习模型的改进,激光雷达的使用将推动各行各业的重大进步,使其成为不远的未来的明智投资。
摘自https://zhuanlan.zhihu.com/p/564392564