000041.   引言

在自动驾驶中，会用到多传感器融合感知环境，激光雷达因为可以直接提供一个3D精确的场景而备受自动驾驶研究者的关注。2009年，谷歌开创了waymo公司目的是促使之前成熟的技术进一步商业化；2015年Uber Advanced Technologies Group以自动驾驶可完全加入驾驶服务为目的开展研究；到目前为止，已有包括像Apple, ,Baidu, Didi, Lyft, Tesla, Zoox等公司开展了自动驾驶方面的研究工作。3D点云在自动驾驶领域中的应用可以分为以下两个方面：1）基于场景理解和目标检测的实时环境感知和处理；2）基于可靠定位和参考的高精度地图和城市模型的生成和构建。

图1 基于3D点云的自动驾驶示意图

000042.   基于3D点云的自动驾驶系统

000042.1   自动驾驶系统中的3D点云处理技术

通常在自动驾驶无人车中，两种点云被时常使用：实时扫描的lidar sweep和point-cloud map；point-cloud map显示了点云的初级环境信息：该map的作用是（1）定位模块在点云配准中以该Map为参考得到自身的定位信息（2）感知模块通过point cloud map分割前景和背景；lidar sweep信息则是在定位模块中与point cloud配准的点云信息和为感知模块用于检测周围的目标。

图2 自动驾驶系统组成示意图

• Real-time LiDAR sweeps

根据lidar扫描的机制，我们可以得到每一个点对应的激光束和对应的时间戳，因此也可以将点云按照x轴（时间戳）和y轴（激光束）将点云定义为二维image，如果这样，我们可以把每一个sweep当做是一个有规律的点云。例如，对于64线的点云中的每一束激光会发射数千次在1秒内，因此我们可以得到一系列和64个方位角相关的3D点。但是对于点云而言，上下两束位置的激光是不同步的，同时会受到距离远近的问题。因此LiDAR sweeps包含的特性有：在二维晶格上布置点，但是因为不同步，所以不是完美的规整的。和一般的从多个角度得到的点云不同的是，该点云仅仅只包含一个特殊的角度；前面的物体会遮挡后面点的点云；不能提供很细节的形状信息对于比较远的物体而言这也就是KITTI目标检测中的3D数据类型，通常包含了点的反射强度信息。

• Point-cloud maps

根据实际上是从多个无人车上同时得到的Real-time LiDAR sweeps的集合，总结一下具有如下特性：由多个sweep整合得到的，因此可以得到比较细节的3D形状；无序性；多视角融合，可以使得物体遮挡问题消失；更多的细节信息和更完整的几何结构会得到更准确的语义信息,一般的Point-cloud maps不含有点的强度信息，但是具有点云的法向量信息。

000042.2   基于3D点云的自动驾驶系统的定位技术

在自动驾驶场景中，高精度的要求表明平移误差应在厘米级，旋转角度误差应在微弧度级，这在这其中是很重要的；同时要具有很好的鲁棒性，保证在不同的自动驾驶场景都能使用。

图3 自动驾驶系统定位模块示意图

如同图3展示的内容，标准的定位模块包括了两个核心组件：点云-地图配准和多传感器融合技术。其中点云-地图配准则是通过实时点云sweep和HD map配准得到初始的pose，后续采用多传感器融合的方式进一步提高pose的置信度和鲁棒性。多传感器融合组件是通过对多个传感器的测量，包括IMU、GPS、里程计、相机，以及上一个liar to map中得到的初始pose。

多传感器融合的标准方法是采用贝叶斯滤波形式，如卡尔曼滤波、扩展卡尔曼滤波或粒子滤波。贝叶斯滤波器考虑了一种基于车辆运动动力学和多传感器读数的迭代方法来预测和修正激光雷达的姿态和其他状态。在自主驾驶中，Bayes滤波器跟踪和估计的状态通常包括姿态、速度、加速度等与运动相关的状态，以及IMU偏差等与传感器相关的状态。

Bayes过滤器工作在两个迭代的步骤:预测和校正。在预测步骤中，在传感器读数之间的间隙，Bayes滤波器根据车辆运动动力学和假设的传感器模型预测状态；在校正步骤中，当接收到传感器读数或位姿测量时，贝叶斯滤波器根据相应的观测模型对状态进行校正。

000043.   结束语

3D点云具有周围环境的几何结构和深度信息，这使得目前基于点云的方法在3D感知方面成为主流，并取得了SoTA的感知效果。本文对基于3D点云的自动驾驶关键技术进行了概述与总结，后续将进一步对其他经典的3D点云处理方法及其在行业的应用进行详细分析与阐述。