【智驾深谈】撑起自动驾驶半壁江山:剧学铭谈Ibeo激光雷达

简介:

我做自动驾驶有些年头,研发过程中也接触过许多主流激光雷达产品(惭愧讲用坏过好几个),深知目前自动驾驶技术对激光雷达的依赖:一方面激光雷达为自动驾驶的感知系统提供了强有力的准确支持;另一方面相比毫米波和相机,其居高不下的价格也一直受人诟病。


后来机缘使然,我认识了剧学铭博士,他曾在慕尼黑工大任教,有多年宝马研究院自动驾驶项目传感器上扎实的工作,以及后来排除万难在北京创办欧百拓来推广Ibeo激光雷达,都给我留下了深刻的印象,而最让人敬佩的,是他对激光雷达由衷的热爱。在跟剧博士相识的颇久时间里,我们在不同场合多次交流和探讨激光雷达的好与坏。


两周前的一个晚上,剧博士在创新港组织的微信讲堂中进行了一次分享《主流激光雷达在自动驾驶中的应用》,算是他首次在公众面前讲述自己在激光雷达上的工作和看法,结合这次分享,我也谈一些思路。


博士的分享主要是四个部分:原理及现状,在自动驾驶项目中的应用,未来发展趋势和群友提问。本文部分整理自剧博士创新港分享,已得到博士授权。


激光雷达原理及现状



关于原理已经有太多的文章介绍和说明,不多赘述了,贴一张博士的图,就是靠汇聚光反射计算时间差。补充一点是,激光雷达这种工作原理,我实测在中雨以上的情况下会失效,雾霾400的时候倒是还能正常工作,因此在经常下雨的南方城市做测试的时候,效果不好不一定是算法问题,也可能是传感器被水滴遮挡。而激光雷达的数据,可视化以后是下图的模样。




接下来博士介绍了激光雷达的重要参数,包括有效距离、横向和纵向的识别范围,以及角分辨率。先说有效距离,一般来讲目前纵向可以做到200-300米,而实际使用过程中,决策程序一般对100米以外的障碍物就不怎么处理了。然后关于分辨率,目前激光雷达水平方向达到0.1度,个人感觉开发者并不需要这么细的分辨率,实际使用时也许只会划分为8-16个扇形通道来处理,法雷奥2017年准备发布的一款基于TOF的产品,就是16通道的数据,价格却只有几百。



当前用于自动驾驶系统的激光雷达主要有Ibeo和Velodyne公司在做,分成两个阵营,左边是Ibeo的系列,是德国公司做的无人驾驶应用;右边是美国的Velodyne,一般是做高线束的,就是高纵向角度无人驾驶应用。SICK在早些年研发过程中使用很多,现在主要被LUX取代,而ScaLa则是Ibeo和法雷奥合作生产的第一款准备用于量产项目的激光雷达。


无人驾驶中的应用


博士介绍的第二部分是应用,由于Ibeo激光雷达的用户太过于广泛,只是列举了几个例子,然而却是非常有代表性,充分表示了激光雷达在自动驾驶领域的重要地位。我们可以吧这几个例子抽象来看,其实代表了当前自动驾驶发展的几个垂直领域:公交、出租车、私家车和特种车辆。任何一个领域都存在驾驶的痛点,对自动驾驶从业者来讲都存在大把的机会。



Navia小巴车,代表公交运营领域



宝马自动泊车和奥迪900千米自动驾驶,代表私家车领域



东京2020奥运会的Robot Taxi,代表出租车领域。



重型矿山卡车,代表特种车辆领域,Ibeo解决高处的驾驶员脚下的盲区问题。


当然,Ibeo在业界的直接应用已经得到了认可,其实更重要的是它在自动驾驶技术前期开发的标注工作中,也起到很多作用。例如下图中,通过4线的激光雷达我们可以比较完整的自动识别路上一些移动物体的信息,可以把车的轮廓清晰地勾勒出来。



激光雷达还可以用于地图元素的自动生成,这可以极大地加速高精度地图生产过程。示例如下图。对这套标注和评测体系,博士给出了很高的评价:“目前激光雷达可能因为价格的原因,在很多项目中其实并没有真正大规模的采纳,但是这套测评体系所标注的结果对其他传感器的测评有非常重要的价值,因为它可以在你测试的场景中,把你周围的车辆的信息、车线的信息和其他的环境信息全部捕捉,这样测量完以后可以通过软件后处理,进行一个回放,然后就可以把之前驾驶场景中存在一些误识,存在一些未发现的风险,把这些因素进行重新的分析考量,可以对其他的摄像头、毫米波进行测评。这套测评系统的价值现在越来越多的得到体现,在很多欧洲的车企,他们可能不实际采用激光雷达,但是他们对于自己传感器的测评都采用以激光雷达为基础的评价系统。”





未来展望



博士对未来激光雷达的发展趋势总结了五点,会变得更小、更轻便,集成度更高,价格更低以及变成固态


下图是Ibeo总裁演讲中使用的一个未来激光雷达发展趋势图,一句话总结就是,需求很迫切,路线很明确,时间还需要一些





群友问答



从群友问答的情况来看,我觉得创新港做的这两次微讲座(包括第二期Mobileye)都很成功,吸引到了相当多的专业听众,很多自动驾驶研究人员,很多是汽车行业、IT行业的资深工程师,还有做产业分析,做投资的听众,也正是他们在最后贡献了好几个有代表性的问题,为这次分享画上圆满句号,这里摘录一些要点。


问:激光雷达和其他传感器的数据融合


答:任何一个单一的传感器方案都是不稳妥的,博士推崇激光雷达+视觉的方案,既可以保证测距的准确性和可靠性,又可以拥有颜色和纹理等特征。


问:关于激光雷达未来的价格


答:只要量产价格就会有个合理的下降,例如目前4线LUX是10万人民币,量产后在3000元以下。这个回答可以说是给很多团队坚定了选用激光雷达的信息,对毫米波供应商一个很大的冲击。因为跟激光雷达相比,毫米波的准确度会差一些。当然毫米波雷达有它的优点,就是对于在不同天气情况下鲁棒性会略微好一些。但是如果我们对于安全级别有比较高的要求,或者是在无人驾驶项目上,激光雷达是可以作为一个核心数据的供应,行驶这样的一个角色。


问:天气对激光雷达的影响


这个我就可以回答,别问了,天气不好就自己开吧,OK?


结语


如果我设计自动驾驶系统,跟博士的看法比较一致,会推荐选用毫米波+摄像头+前置4线激光雷达的做法,这样既能保证产出有价格优势,还可以对未来有所预期。而从任何角度来看,激光雷达在过去、现在和未来,都为自动驾驶提供了极其精准的效果,说它撑起半壁江山根本不过分,就这样。


文章转自新智元公众号,原文链接

相关文章
|
安全 程序员 编译器
【C/C++ 泛型编程 进阶篇 Type traits 】C++类型特征探究:编译时类型判断的艺术
【C/C++ 泛型编程 进阶篇 Type traits 】C++类型特征探究:编译时类型判断的艺术
1144 1
|
存储 Java 编译器
经验总结:源代码-目标代码的区别
源代码是由程序员用高级语言编写的可读文本文件,需编译成机器可执行的二进制目标代码。目标代码由编译器生成,包含机器指令,对机器可读但对人类不易理解。源代码便于修改,而目标代码需重新编译以反映更改。源代码不受系统限制,目标代码则特定于系统。此外,链接程序处理源文件间及库函数的引用,将目标文件连接成可执行文件。Java中的本地方法则允许调用非Java语言编写的代码,实现与底层系统的交互,提高程序性能或实现特定功能。
787 5
|
人工智能
如何利用ai快速写汇报、方案、总结。
本文介绍了一套与AI有效沟通的方法,以生成符合需求的文章。通过构建【角色+背景+任务+要求】的提示词框架,并辅以调试优化,可显著提升AI输出内容的质量。角色设定应包括单位、身份与能力;背景描述需涵盖宏观、微观及受众层面;任务需界定清晰,并可细分为文本输出或立意构思;要求则涉及语言风格、字数限制及内容结构。通过不断调试,最终产出满足期望的文章。
1421 6
|
SQL 数据挖掘 关系型数据库
|
监控
通过Lua脚本实现禁止员工上班玩游戏的软件的自动化任务管理
使用Lua脚本,企业可以自动化管理员工行为,防止上班时间玩游戏。Lua是一种轻量级脚本语言,适合编写监控任务。示例脚本展示了如何检测工作时间内员工是否玩游戏,并在发现时执行相应操作,如关闭游戏或发送警告。此外,另一脚本演示了如何将监控数据通过HTTP POST自动提交到网站,以实现有效的行为管理。这种解决方案灵活且可定制,有助于提升工作效率。
449 1
|
机器学习/深度学习 人工智能 弹性计算
2022云栖内容精选—AI助力新型电力系统建设
本篇内容主要分为三个部分: 1. “双碳”目标下的新型电力系统与挑战 2. 在电力预测、调度决策、虚拟电厂决策方向的创新与积累 3. 关于未来的产品展望
1812 1
2022云栖内容精选—AI助力新型电力系统建设
【分享】宜搭抽屉内嵌入表单,表单提交后自动隐藏抽屉
抽屉内嵌入表单,表单提交后自动隐藏抽屉
832 1
|
机器学习/深度学习
1 分钟搞定!ChatGPT + XMind 打造最高效的思维导图
1 分钟搞定!ChatGPT + XMind 打造最高效的思维导图
1719 1
|
机器学习/深度学习 传感器 人工智能
2022最新综述!稀疏数据下的深度图补全(深度学习/非引导/RGB引导)(上)
获取正确的像素级场景深度在各种任务中发挥着重要作用,如场景理解、自动驾驶、机器人导航、同时定位和建图、智能农业和增强现实。因此,这是过去几十年来研究的一个长期目标。获得场景深度的一种成本有效的方法是使用单目深度估计算法,从单个图像直接估计场景深度。
2022最新综述!稀疏数据下的深度图补全(深度学习/非引导/RGB引导)(上)
|
SQL 程序员
【Sql Server】时间转换和查询时间范围查询不正确的原因
最近在做时间方法封装的时候发现了一个问题! 如果sql语句输出的时间字段转为了字符串输出,那么在使用此字段作为时间范围筛选时发现无效了,没法过滤对应的时间范围内记录
【Sql Server】时间转换和查询时间范围查询不正确的原因