城市NOA为什么离不开激光雷达?
随着各车企在智能驾驶领域的竞争不断加强,越来越多新技术在汽车上得以搭载,城市NOA作为体现智能驾驶应用最为普遍的一个场景,也成为车企技术追逐的重点。当越来越多车企公布自己的城市NOA方案后,可以发现一个很明显的趋势,那便是城市NOA似乎都需要激光雷达进行辅助,虽然曾一直高呼“纯感知”的技术路线,但也不得不承认激光雷达的“真香”定律。就如比亚迪的天神之眼智驾系统,其天神之眼A与天神之眼B均搭载了激光雷达,且功能更为强大的城市之眼A更是搭载了3个激光雷达,以实现全国无图导航(即在无预先加载地图情况下的导航驾驶)和四方泊车功能,为何城市NOA离不开激光雷达?
基于激光雷达的自动驾驶解决方案
激光雷达基于激光束的发射与接收,通过测量激光脉冲从发射到目标反射返回所需的时间或相位差,精确计算出物体的距离。这一技术利用激光在空气中的传播速度以及激光器与接收器的协同工作,生成大量的三维点云数据,从而构建出高精度的三维环境模型。由于激光雷达能够直接输出物体的距离和角度信息,因此相比传统的摄像头,其在弱光、强光以及恶劣天气条件下表现更为稳定,并且大大减少了对复杂图像处理和深度学习算法的依赖。正是这些优点,使得激光雷达成为自动驾驶系统中不可或缺的核心传感器,为车辆在复杂道路环境中实现精准定位与高效路径规划提供了强有力的技术支撑。
激光雷达在实际应用中,根据扫描方式、线束数量、测距原理及产品结构等维度可以划分为不同类别。传统的机械式激光雷达采用发射系统与接收系统整体旋转,通过360度扫描构建环境模型,虽然这种技术测距距离较远且技术成熟,但其内部结构复杂、机械部件寿命有限以及装配调试工艺要求高,使得成本较高且难以实现大规模量产。
为了解决这些问题,混合固态激光雷达应运而生,其核心在于利用微动器件替代传统的机械扫描,通过诸如MEMS振镜、转镜和棱镜式的方案实现激光束的扫描。其中,MEMS振镜技术因体积小、成本低而受到关注,但受限于振镜转动角度的不足,往往需要多台设备拼接使用;转镜式技术则因其良好的稳定性和可靠性成为当前的主流选择;而棱镜式激光雷达则在提高探测精度和距离上具有独特优势,但机械结构相对复杂。随着技术不断进步,纯固态激光雷达凭借完全无机械运动部件的特点,通过光学相控阵(OPA)或闪光(Flash)方式实现扫描,结构更加简单、体积更小且耐用性大幅提升,将逐步成为未来车载以及消费级产品的主流发展方向。
在自动驾驶系统中,激光雷达、摄像头、毫米波雷达和超声波雷达通常共同构成多传感器融合感知系统。摄像头在识别物体颜色、纹理以及细节信息方面具有天然优势,但受环境光线变化的影响较大,需要依赖深度学习算法进行图像处理。毫米波雷达则具有较强的穿透能力和抗干扰能力,但其分辨率和测距精度往往无法满足高精度环境建模的需求。相比之下,激光雷达凭借高距离精度、高角度分辨率及低延迟等特性,可以在复杂场景下稳定提供详细的三维环境数据,为自动驾驶系统构建准确的道路场景和物体边界提供了极为关键的数据支持。这种直接获取精确距离和角度信息的优势,使得激光雷达在提升自动驾驶系统安全性和响应速度方面具有不可替代的作用。
为何城市NOA离不开激光雷达?
城市NOA(城市导航辅助驾驶)离不开激光雷达,主要原因在于其在复杂城市交通场景中的独特技术优势。与高速公路等相对规则的驾驶环境不同,城市道路场景存在大量如行人、非规则障碍物、交通标志、静态基础设施和其他车辆等动态且不可预测的因素。激光雷达通过高密度的三维点云数据,能够在复杂的城市环境中实时捕获周围物体的位置、形状和动态信息,构建高精度的3D环境模型。相比摄像头、毫米波雷达等其他感知设备,激光雷达具备更高的精度和更强的环境适应性,可以为城市NOA提供更可靠的环境感知数据,显著降低感知系统误判或漏判的风险。
激光雷达在识别非规则障碍物方面具有无可替代的优势。在城市交通环境中,不规则障碍物的种类繁多,这些目标的形状和反射特性各异。摄像头通常需要通过深度学习算法来识别物体类别,但在阴影、强光或夜晚等光照条件下的可靠性较低。毫米波雷达则更适合探测金属或规则形状的物体,对小型或非金属物体的反射较差,且分辨率较低。相比之下,激光雷达直接输出高精度的3D点云信息,无需复杂的图像处理,能够准确、快速地识别不规则障碍物的位置和形状,为路径规划和动态决策提供精准的环境数据支撑。
激光雷达在静态与动态物体的高精度测距能力方面极为重要。城市NOA需要车辆在动态交通环境中应对频繁变动的车辆与行人行为,譬如车辆突然变道、行人闯红灯或骑行者从盲区突然出现等场景经常会出现。在这种场景中,激光雷达能够以厘米级精度测量物体与车辆之间的距离,并通过连续的点云帧数据快速判断物体的运动轨迹和速度。这种能力使得车辆在短时间内快速完成路径重规划,避免交通事故的发生。这种高速且精准的环境感知特性,是摄像头和毫米波雷达难以单独实现的,特别是在紧急情况下,激光雷达提供的实时性和高置信度成为保障车辆安全的重要支撑。
激光雷达在复杂城市场景中的全场景适用性,也进一步巩固了其在城市NOA系统中的不可替代性。与高速公路不同,城市道路存在大量静态基础设施与动态交通要素,如交通灯、路牌、路沿、树木和建筑等,环境高度复杂且具有随机性。激光雷达可以通过高角度分辨率的三维建模能力,在高密度交通或复杂基础设施环境中,清晰区分不同类型的物体。这种识别与分割能力不仅有助于精准导航,还能有效提升车辆在复杂场景下的通过能力。
激光雷达在低延迟响应与高安全冗余方面的优势,也是城市NOA不可或缺的重要原因。在城市道路中,如行人可能会从视线盲区突然出现,骑行者可能会因躲避障碍物突然变道,或者前方车辆在拥堵中突然刹车等突发事件的发生频率远高于高速公路。在这些场景中,车辆必须在毫秒级时间内做出决策,低延迟的响应直接关系到交通安全。激光雷达不依赖于环境光照,能够在各种天气和光线条件下输出稳定、可靠的点云数据,实时测量环境变化。这种快速响应与高精度感知能力,为自动驾驶决策系统提供了足够的时间窗口来进行紧急制动、躲避或路径重规划,大大提升了系统的整体安全性。
在多传感器融合技术下,激光雷达也承担了关键的感知冗余角色。实现高级别自动驾驶(L3及以上)的一大难点是如何在单一传感器失效时,依靠其他传感器提供足够的信息冗余来确保系统安全。由于激光雷达与摄像头、毫米波雷达的感知原理不同,它们在不同场景下的感知特性具有高度的互补性。在视觉受限(如大雾、夜晚或强光)或雷达信号干扰严重的情况下,激光雷达依然能够提供完整且高精度的三维环境数据,成为系统冗余设计的重要支撑。通过与摄像头和毫米波雷达的数据融合,激光雷达为城市NOA系统提供了多重保障,显著提升了整体的系统可靠性。
激光雷达在地图重建和高精度定位中的作用同样不可忽视。城市NOA不仅仅依靠标准地图导航,还需要结合高精度地图来实现厘米级定位,这对车辆在复杂城市环境中的精准行驶至关重要。激光雷达通过实时扫描周边环境,获取地标性信息(如路沿、标志性建筑或路牌)并与高精地图中的静态地标进行匹配,从而实现车辆的精准定位。这种基于环境感知的定位方式,不仅在GPS信号弱或失效时提供了关键备份,还能够动态更新地图数据,以应对城市环境中基础设施的变化。这一能力极大提升了城市NOA系统在复杂动态环境中的鲁棒性与可靠性。
激光雷达发展趋势
激光雷达看似简单,却涵盖了激光发射模组、激光接收模组、测时模块以及控制模块等多个部分,其中光电系统的成本占据了整机成本的绝大部分。激光器作为激光雷达的核心部件,涵盖固体、气体、染料、半导体及光纤激光器,而在车载应用中,常用的激光发射波长主要为905nm和1550nm。
905nm激光器因具有较低成本和较小体积而被广泛应用,而1550nm激光器则凭借更高的安全性和更远的探测距离在特定场景中展现出优势。激光接收模组则通过高灵敏度的光电探测器将反射回来的光信号转换为电信号,为后续的距离计算提供数据支持。此外,测时模块和控制模块则对整个激光雷达系统的响应速度、数据采集和处理能力提出了极高要求。
近年来,得益于芯片化和集成化技术的发展,激光雷达的设计实现了从大量分立元件到少数高集成芯片的转变,使得系统成本大幅下降。据统计,与2016年相比,2023年激光雷达单线收发成本仅为当时的1/20,这种成本的降低无疑为激光雷达在更多细分市场中的普及奠定了坚实基础。
在激光雷达技术快速发展的今天,芯片化设计也是降低成本和提升性能的核心途径。通过将传统上复杂、分立的激光器控制电路、信号采集转换电路和波形处理电路等功能集成到少数几片专用芯片上,不仅大幅减少了系统中的零部件数量,同时也使得系统的结构更加简化和稳定。
借助芯片制程的不断进步,激光雷达实现了类似“摩尔定律”的成本下降效应,每隔一段时间产品的性能就能显著提升,而价格则相应降低。集成化程度的提高也使得激光雷达的体积得以大幅缩小,更简化了生产流程和光学校准环节,从而进一步提高了生产效率。固态化发展则代表了激光雷达技术未来的主流方向。通过取消所有机械运动部件,纯固态激光雷达凭借其结构简单、体积小、耐用性高和成本不断下降的优势,正逐步替代传统机械式和混合固态产品,成为车载及消费级产品的重要选择。尽管当前纯固态技术在某些方面尚存在一些挑战,但随着VCSEL、Flash和OPA等技术的不断优化,其应用前景无疑十分广阔。
未来,激光雷达将继续沿着降本增效、技术集成和产品多样化的方向不断前行。持续降本和量产化是激光雷达技术发展的核心动力,通过芯片化和集成化设计,激光雷达的生产成本将进一步降低,而生产效率和产品一致性也将得到大幅提升。同时,产品的多样化与应用场景的不断拓展,使得激光雷达不再局限于自动驾驶领域,在机器人、智慧交通、工业巡检和安防监控等领域也将发挥越来越重要的作用。
-- END --
原文标题 : 为什么城市NOA离不开激光雷达?

发表评论
请输入评论内容...
请输入评论/评论长度6~500个字
暂无评论
暂无评论