自動駕駛汽車不可或缺的「光達」LIDAR到底是什麼？它怎麼讓汽車看得更清楚？

光達（LIDAR，「光」和「雷達」的組合詞）是許多自動駕駛汽車不可或缺的重要元件，透過光來測量距離，成為自動駕駛汽車的眼睛。不過，光達的原理是什麼？它為什麼能夠偵測到路上汽車的變化呢？

想像一下，你站在一個黑暗的房間裡，你能感覺到周圍環境的唯一方式是伸出棍子觸碰物體。 首先，你徑直向前伸出棍子，棍子在伸出12英呎後撞擊到一個堅實的物體。 然後你向右伸出棍子，伸出8英呎後停止。接下來試試你的左邊，有12英呎。最後，在你的後方，棍子伸出了18英呎。於是，即使你看不到任何東西，也不移動身體，你也能獲得一些關於房間的訊息。 

如果你在不同的方向重複幾百或幾千次這樣子動作（並且記憶力極強），你將能夠根據物體和你的距離大致瞭解這個屋子的全貌。

 （針對一間屋子周圍的牆的2D掃瞄）

那麼，我們進一步來看，如果你向上或向下傾斜棍子，你甚至能夠根據輪廓「看到」你周圍的物體，如椅子和門。這些訊息可以產生一個叫做「點雲」（point cloud）的東西，它是3D坐標系中的一系列點。當你擁有足夠多的點，你就可以生成一個非常完整的基於點雲的房間，像這樣：

針對牆和飲水機的3D掃瞄

 

光達的工作原理

光達測量光脈衝的飛行時間，進而能夠判斷感測器和物體之間的距離。想像一下，當發出光脈衝時啟動秒錶，然後當光脈衝（從遇到的第一個物體反射出來）返回時停止計時器；透過測量雷射的「飛行時間」，並且知道脈衝行進的速度，就可以計算距離。光以每秒30萬千米的速度傳播，因此需要非常高精度的裝置來產生關於距離的資料。

 用雷射當「棍子」來測量距離

為了產生完整的點雲，感測器必須能夠非常快速地對整個環境進行採樣。光達是透過在單個發射器/接收器上使用非常高的採樣率， 每個發射器每秒發射數萬或數十萬個雷射脈衝。這意味著，多達100000個雷射脈衝在1秒內完成從雷射器單元上的發射器到被測量的物體的往返行程，並返回到光達上位於發射器附近的接收器。較大的系統具有多達64個這樣的發射器/接收器（它被稱為「線」）。多線使系統能夠每秒產生超過一百萬個資料點。

然而，64個固定線不足以映射整個環境——它只是在非常集中的區域給出非常清晰的解析度。 由於光學中所需的精度，製造更多的線是非常昂貴的，因此在線數超過64後繼續增加線數會使成本更快速的增加。相反，許多光達系統使用旋轉組件或旋轉鏡來使線圍繞環境進行360度掃瞄。

常見的策略包括使單個發射器和接收器向上或下偏轉使雷射器視野覆蓋範圍更大。 例如，Velodyne的64線道光達系統具有26.8度的垂直視角（透過旋轉使其擁有360的度水平視角）。這個光達可以從50公尺外看到一個12公尺高的物體的頂部。

下面，你可以看到，對應於光達的不同線，有著不同的清晰帶，這是由於資料傳真度隨著距離而下降。雖然它不是完美的，但是較高解析度可用於較近的物體，因為隨著到感測器的距離增加，發射器之間的角度（例如，2度）會導致這些點帶之間的間隔更大。

 旋轉的多線光達產生的點雲

 

目前光達所需要克服的問題

1.反射面的材料

由於光達是基於對雷射脈衝返回感測器所需時間的測量，因此如果雷射打向的是高反射率的表面，這將會給測量帶來問題。大多數材料從微觀來看，都是表面粗糙，並且會向所有方向散射光；這類散射光總會有一小部分能夠返回到感測器，並且足以產生距離資料。

然而，如果表面反射率非常高，光就會向遠離感測器的方向散射，那麼這一區域的點雲就無法偵測到，數據將會不完整。

 

2.空氣中的環境

空氣中的環境也可以對光達讀數造成影響。大霧和大雨會減弱發射的雷射脈衝而對光達造成影響。為瞭解決這些問題，較大功率的雷射器投入使用，但它對於較小的、行動或對功率敏感的應用情境來說並不是一個好的解決方案。

 

3.旋轉時的數據更新率

光達系統面臨的另一個挑戰是旋轉時的更新率相對較慢。系統的更新速率受複雜的光學器件旋轉速度的限制。光達系統最快的旋轉速率大約是10Hz，這限制了資料的更新速率。

當感測器旋轉時，以60英里/小時行駛的汽車在1/10秒內行進8.8英呎，因此感測器對於在汽車駛過期間，在這8.8英呎內發生的變化可以說是無法辨識的。更重要的是，光達覆蓋的範圍（在完美條件下）為100-120公尺，這對於以60英里/小時行駛的汽車來說僅相當於不到4.5秒的行駛時間。

 

4.成本

也許對於光達來說，高昂的裝置成本是它需要克服的最大挑戰。儘管自該技術得到應用以來其成本已大幅降低，但成本仍然是個重要障礙。對於主流汽車工業來說，一個價值2萬美元的感測器將無法被市場接受。

 

最後，雖然我們將雷射雷達視為電腦視覺的一個組件，但點雲卻是完全基於幾何呈現的。相反，人眼除了形狀之外還能識別物體的其他物理屬性，比如顏色和紋理。現今市場上的光達系統，就無法區分紙袋和岩石之間的差別，而這本應是感測器理解和試圖避開障礙物時考慮的因素。

（本文作者為Adam Kell，是Comet Labs合夥人，負責人工智慧和機器人領域的早期投資投資。Kell畢業於斯坦福大學，曾任StartX加速計畫的硬體負責人，在產品設計，製造和硬體領域擁有豐富經驗，曾被《富比士》評為2014年度能源和工業領域30位30歲以下行業精英。）