多線激光雷達感知的案例
激光雷達感知方案
固態激光雷達采樣數據
固態激光雷達一般將旋轉器件做到芯片中如MEMS方式，或者徹底取代旋轉器件，如OPA或FLASH方式。其采樣得到的高分辨率點云圖密度很高，下圖是一張MEMS固態激光雷達采樣的點云圖：
相比前兩種激光雷達能夠得到更多的目標特征信息。
由于機械式雷達的原理都一樣，所以我們用速騰聚創的產品進行機械式雷達感知方案的分析（絕非打廣告，只是資料相對多）；混合固態雷達的感知方案本文采用覽沃科技的產品做分析，因為小編工作上使用過他家的Horizon，MID-70，相對了解一些。
二、機械式雷達感知方案
速騰聚創的雷達產品包括機械式激光雷達，如RS-LiDAR-16、RS-LiDAR-32、RS-BPearl、RS-Ruby等；也包括固態激光雷達，如RS-LiDAR-M1。
采用以上激光雷達的組合可以提供應對中低速場景的LiDAR感知方案和應對高速場景的LiDAR感知方案。
1. 低速場景的激光雷達感知方案
1.1 硬件配置
采用單顆RS-LiDAR-16型號的16線激光雷達（或32線），安裝在車頂前方。適用于低速近距離50以內的障礙物檢測和跟蹤。
展開 綜述論文-“激光雷達感知深度的域適應方法“
如下是激光雷達感知的DA分類：基本分數據驅動和模型驅動兩個方向
domain-invariant representation方法如圖：hand-crafted方法，針對sensor-to-sensor domain shift，做數據預處理，包括Sampling Alignment in 2D Space和Geometric Representation in 3D Space。
Domain mapping方法如圖：主要是sim-to-real 和 dataset-to-dataset DA，域數據遷移，包括Adversarial Domain Mapping和Non-Adversarial Domain Mapping。
domain-invariant feature learning方法如圖：基本是兩個原則的方法分類，Divergence Minimization和Discriminator-based 方法。
還有Normalization Statistics及其他方法：在DNN，normalization layers 改進訓練收斂性，主要通過對訓練數據分布校準（Distribution alignment），這樣控制內部covariate shift 和梯度尺度；不過，在圖像域有效的方法，即通過每個域不同的batch norm statistics對初始pseudo-labels迭代細化，對激光雷達域的效果沒有實驗驗證過。
展開 圖森未來無人駕駛卡車雷達測距高達1公里 是激光雷達測距的三倍多
圖森未來（TuSimple）的自動駕駛卡車
該款卡車周邊配置了多個傳感器，包括：兩個激光雷達激光掃描儀及一個前向式雷達。該系統的關鍵之處在于其側部及后部的多個攝像頭。據其首席技術官透露，在競爭愈發激烈的無人駕駛卡車領域，圖森未來堅持使用攝像頭設備，該款攝像頭的最大測距為1000米，幾乎是其他競爭對手車載雷達測距的三倍多。激光雷達系統通常測距有限，即便是最強大的設備，其探查距離也只能等到250-300米。
在駕駛座前方的中央位置，有一塊顯示屏（監視器，monitor），該系統可根據Skittles-y sprinkle顏色（隨機分配，assigned at random）來識別其他車輛，并顯示對方的距離及車速。就像一名經驗豐富的駕駛員，該款無人駕駛卡車可根據數據來作出駕駛決策。在進入高速前會減速，遇到緊急車輛也會作出避讓，直到后者安全通過。
若前方無車輛阻擋，該款攝像頭的測距高達1000米，該設備可謂是“大殺器”，因為大部分攝像頭的最大測距都達不到該水平，后者通常只能維持在300米這一極限值。這也就導致，許多卡車無法在如此近距離作出應對，規避碰撞事故、車道偏離及避讓消防車等舉動，更遑論自行作出制動或變道決策并執行了。然而，圖森未來的無人駕駛卡車卻能在短短30秒內完成該操作，因為其攝像頭可提前探查到情況，并作出應對。
在演示結束后，該款卡車還進行了語音提示：“自動駕駛模式關閉（Autonomous driving off）”。
展開 線上研討會 | SYNOPSYS 與 ASAP 聯合設計仿真激光雷達的解決方案（免費）
為幫助大家了解不同軟件間的協同設計方法，武漢墨光將于06月28日開展 SYNOPSYS 與 ASAP 聯合設計仿真激光雷達的解決方案 線上研討會。旨在通過分享運用不同光學設計軟件進行激光雷達設計分析的案例演示，帶大家更為直觀的學習了解 SYNOPSYS 和 ASAP 兩款軟件間的交互操作。以下是本次研討會的具體介紹：
會議大綱
1.激光雷達系統介紹
激光雷達簡介
激光雷達原理和分類
激光發射和接受光學系統
2.使用 SYNOPSYS 設計激光雷達鏡頭
自動搜索初始結構
激光雷達鏡頭優化
激光雷達鏡頭像質分析
3.使用 ASAP 分析激光雷達系統
激光雷達鏡頭雜散光分析
激光雷達系統偏振分析
會議詳情
主辦單位：武漢墨光科技有限公司
會議講師：武漢墨光科技資深光學工程師
會議時間：2023年06月28日（15：00-16：00）
報名方式
#騰訊會議：305-303-673(名額有限，滿額請致工作人員咨詢)
咨詢電話：13396044940
展開 
活動 | 激光雷達種類那么多，究竟誰才是高級別自動駕駛的終極解決方案
混合固態激光雷達的技術有轉鏡式、微振鏡式（MEMS）等，其中微振鏡式激光雷達憑借其低成本、小體積、高可靠性等特點，成為目前激光雷達市場中的主流研發方向，也是最有量產可能的產品，但也存在振鏡尺寸與懸梁臂結構等問題亟待解決。
通常來說，全固態激光雷達只有兩種，根據使用技術的不同，分為光學相控陣（OPA）激光雷達和FLASH激光雷達。OPA運用相干原理，采用多個光源組成陣列，通過調節發射陣列中每個發射單元的相位差，來控制輸出的激光束的方向，有著體積小、掃描速度快、精度高、可控性強等優點。FLASH激光雷達則是采用垂直腔面發射激光器（VCSEL），通過短時間直接發射出一大片覆蓋探測區域的激光，再以高度靈敏的面陣接收器，來完成對環境周圍圖像的繪制，從而一次性實現全局成像來完成探測，無需考慮運動補償。全固態激光雷達被普遍認為是未來激光雷達的發展趨勢，但目前技術還在發展中，在抗干擾能力、角分辨率、探測距離等方面仍有提升空間。
除了以上提到的三大類激光雷達以外，調頻連續波（FMCW）激光雷達也是行業內的一個熱點方向。與常見的飛行時間（ToF）測距原理不同，FMCW激光雷達的優勢在于可實現更高的探測靈敏度和精度，適合硅光子和相控陣技術低成本批量生產，并且可以有效阻止其他雷達的干擾。但是，該技術對元件的功耗處理能力要求很高，若要獲得市場認可，其中的激光器必須要在調頻速度、調頻范圍、線性度、激光相干性、是否滿足車規以及能否低成本量產等多方面取得進展。
綜上所述，在激光雷達市場繁榮發展的今天，各種類型的產品都有其優勢與可提升的空間。
展開 歐美網聯式自動駕駛典型案例簡析
一種是以Waymo為代表，通過多線激光雷達來進行環境感知；另一類是以特斯拉為代表，依賴于攝像頭，同時運用大量的深度學習算法來進行環境感知。
近幾年，中國一直主推網聯式（或車路協同）自動駕駛路線，而歐洲和美國近年也開始推動協同式或網聯式自動駕駛。
美國聯邦公路管理局領導的CARMA計劃，歐洲道路運輸研究咨詢委員會ERTRAC推動的Connected Automated Driving，以及2019年歐盟聯合美國、日本成立的新聯盟ARCADE（Aligning Research & Innovation for Connected and Automated Driving in Europe），都是希望通過自動駕駛車輛與道路基礎設施的協同開發來改善交通狀況，推動協同式自動駕駛。
歐洲的網聯式自動駕駛發展概況
2019年3月，歐洲道路運輸研究咨詢委員會（ERTRAC）更新發布了”Connected Automated Driving Roadmap”，強調協同互聯的內涵，增加了網聯式自動駕駛的內容。
ERTRAC的Connected & Automated Driving路線圖
來源：ERTRAC
該路線圖明確提出基于數字化基礎設施支撐的網聯式協同自動駕駛（Infrastructure Support levels for Automated Driving，ISAD）。
展開 