从光电技术角度看自动驾驶,还有这些问题待解决!

发布者:colchery最新更新时间:2018-03-28 关键字:激光雷达  传感器技术  自动驾驶 手机看文章 扫描二维码
随时随地手机看文章

激光雷达和与之竞争的传感器技术(相机、雷达和超声波)加强了对传感器融合的需要,也对认真谨慎地选择光电探测器、光源和MEMS振镜提出了更高的要求。

 

传感器技术、成像、雷达、光探测技术及测距技术(激光雷达)、电子技术和人工智能的进步,使数十种先进的驾驶员辅助系统(ADAS)得以实现,包括防撞、盲点监测、车道偏离预警和停车辅助等。通过传感器融合实现这些系统的同步运行,可以让完全自动驾驶的车辆监视周围环境,并警告驾驶员潜在的道路危险,甚至采取独立于驾驶员的躲避行动以防止碰撞。

 

自动驾驶汽车还必须在高速状态下区分和识别前方的物体。通过测距技术,这些自动驾驶汽车必须快速构建一张约100m距离内的三维(3D)地图,并在高达250m距离范围内创建高角分辨率的图像。如果驾驶员不在场,车辆的人工智能必须做出最佳决策。

 

完成这一任务的几种基本方法之一,就是测量能量脉冲从自动驾驶车辆到目标再返回车辆的往返飞行时间(ToF)。当知道“脉冲”通过空气的速度时,就可以计算到反射点的距离——脉冲可以是超声波(声纳)、无线电波(雷达)或光(激光雷达)。

 

使用APD制成的DEMO即使用的ToF法


在这三种ToF技术中,激光雷达是提供更高角度分辨率图像的最佳选择,因为它具有更小的衍射特性和光束发散度,可以比微波雷达更好地识别相邻物体。这种高角度分辨率在高速下尤为重要,可以提供足够的时间来应对潜在的危险,如迎面碰撞。

 

激光光源的选择


在ToF激光雷达中,激光发射持续时间为τ的脉冲,在发射瞬间触发定时电路中的内部时钟(下文有图示)。从目标反射的光脉冲到达光电探测器,转换产生电信号输出使时钟停止计时。这种测量往返ToF Δt时间的方式可以计算到反射点的距离R。

 

如果激光和光电探测器实际上位于同一位置,则距离由下公式确定:

 

 

中c是真空中光速,n是传播介质的折射率(对空气来说大约为1),影响距离分辨率ΔR的因素有两个:测量Δt时的不确定度δΔt和脉冲宽度的导致的空间误差w(w = cτ)。

 

以第一个因素代表测距分辨率ΔR=1/2 cδΔτ,而以第二个代表测距分辨率ΔR=1/2 w = 1/2 cτ。如果以5cm的分辨率测量距离,上述关系式分别意味着δΔt大约为300ps,τ大约为300ps。

 

飞行时间激光雷达要求光电探测器和其后的电子学系统具有很小的时间抖动(δΔτ的主要贡献因素)以及能够发射短脉宽时间的脉冲激光器,例如相对昂贵的皮秒激光器。目前典型的汽车激光雷达系统中的激光器产生约4ns持续时间的脉冲,所以减小光束发散是必要的。

 

 

 

光束发散取决于波长和发射天线尺寸(微波雷达)或透镜孔径大小(激光雷达)的比值。微波雷达这一比值较大,因此发散度更大,角度分辨率较低。图中微波雷达(黑色)将无法区分这两辆车,而激光雷达(红色)可以。

 

对汽车激光雷达系统设计者来说,最关键的选择之一是光波长。制约这一选择的因素有几个:

 

· 对人类视觉的安全性

 

· 在大气中的传播特性

 

· 激光的可用性和光电探测器的可用性

 

两种最流行的波长是905和1550 nm,905nm的主要优点是硅在该波长处吸收光子,而硅基光电探测器通常比探测1550 nm光所需的铟镓砷(InGaAs)近红外探测器便宜。

 

 

可用于自动驾驶激光雷达的滨松近红外MPPC(硅光电倍增管),在905nm处具有较高的探测效率,响应速度快,工作温度范围宽,适合各种场合下的激光雷达应用,尤其是使用TOF测距法的长距离测量。

 

然而,1550nm的人类视觉安全度更高,可以使用单脉冲更大辐射能量的激光——这是光波长选择的一个重要因素。

 

1550nm探测器

滨松InGaAs APD G8931

 

大气衰减(在所有天气条件下)、空气中粒子的散射以及目标表面的反射率都与波长有关。由于有各种各样可能的天气条件和反射表面,对于这些条件下汽车激光雷达波长的选择来说是一个复杂的问题。在大多数实际情况下,905 nm处的光损失更小,因为在1550 nm处的水分的吸收率比905 nm处要大。1

 

光探测器的选择


只有一小部分脉冲发射的光子可以到达光电探测器的有效区域。如果大气衰减沿脉冲路径不变化,激光光束发散度可忽略不计,光斑尺寸小于目标,入射角垂直于探测器且反射体是朗伯体(所有方向均反射),则光接收峰值功率P(R)为:

 

 

P0是发射激光脉冲的光峰值功率,ρ是目标的反射率,A0是接收器孔径面积,η0是光学系统透过率,γ是大气消光系数。

 

该方程表明,随着距离R的增加,接收功率迅速减小。为了合理选择参数,R=100 m,探测器的活动区域上返回光子的数量大约是几百到几千,而通常发射的光子超过1012。这些回波光子与背景光子同时被探测,而背景光子没有任何有用信息。

 

采用窄带滤波器可以减少到达探测器的背景光,但不能减少到零,背景光的影响使检测动态范围减小,噪声(背景光子拍摄噪声)增大。值得注意的是,典型条件下地面太阳辐照度在1550 nm处小于905 nm。

 

飞行时间(ToF)激光雷达的基本原理示意

 

在一辆汽车周围360°×20°的区域内创建一张完整的3D地图需要一束经过光栅分光后进行扫描,或多束激光束扫描,再或者将光束整个覆盖住需要的范围并收集返回的点云数据。前者被称为扫描(scanning)激光雷达,后者称为闪光(flash)激光雷达。


扫描激光雷达有几种方式。第一种方式,以Velodyne为例(San Jose, CA),在顶部安装激光雷达平台,该雷达以300~900 rpm的速度旋转并发射出64路905 nm激光的脉冲。每束光束都有一个对应的雪崩光电二极管(APD)探测器。较类似的另一方法是使用旋转的多面镜,每个面的倾斜角度略有不同,从而以不同的方位角和斜角引导反射单个脉冲光束。这两种设计中的机械运动部件都有外部驾驶环境恶劣时的故障风险。

 

滨松新型百米级自动驾驶激光雷达探测器

16ch 硅APD S14137-01CR

 

第二种更紧凑的扫描激光雷达,其方法是使用一个微型微机电系统(MEMS)振镜,以二维的方向电引导出一束或多束光束。虽然在技术上仍然有运动部件(振荡镜),但振荡的幅度很小,频率也很高,足以防止MEMS振镜和汽车之间的机械共振。然而,振镜的几何尺寸限制了它的振荡幅度,这就使得视角变得有限——这是MEMS方法的一个缺点。然而,这种方法由于成本低、可实现度高而受到人们的关注。

 

滨松最新MEMS Mirror产品

刚刚在慕尼黑上海光博会中展出

 

光学相控阵列(OPA)技术,是第三种参与竞争的激光雷达技术,它以可靠的“固定部件”设计而日益流行。它由相干光照明的光学天线组成的阵列构成。光束转向是通过独立地控制每个单元发光时的相位和振幅来实现,从而于远场处干涉产生理想照明方向,实现从单光束到多光束的变化。不幸的是,光的损失限制了各种OPA组件的可用范围。

 

闪光激光雷达将目标场景中充满光,而照明区域与探测器的视场相匹配。探测器是探测光学焦平面上的APDs阵列。每个APD独立测量其上图像目标特征的ToF。这是一种真正的“不移动部件”的方法,其中切线方向(垂直、水平)分辨率受到二维探测器像素尺寸的限制。

 

然而,闪光激光雷达的主要缺点是回波光子数量:一旦距离超过数十米,返回光的数量就太少,无法进行可靠的探测。如果不是直接用光覆盖所有探测环境而是采用结构光的形式(例如点阵形式),且牺牲一定的切线分辨率,则可以提高回波光强度。此外,垂直腔面发射激光器(VCSELs)使得在不同方向同时发射数千束光束的出射成为可能。

 

滨松可用于激光雷达的光半导体探测器对比

 

报告:面向自动驾驶Lidar的核心半导体器件介绍

 

摆脱ToF法的限制


ToF激光雷达由于其回波脉冲较弱、探测部分电子学设计的宽带较宽而容易受到噪声的影响,而阈值触发则会产生Δt的测量误差。因此,调频连续波(FMCW)激光雷达是一种很有意义的替代方法。

 

在FMCW雷达或啁啾调制雷达中,天线连续发射频率被调制的无线电波。例如,随着时间T从ƒ0线性增加到ƒmax,然后随着T从ƒmax线性减小至ƒ0。如果波在一定距离内的移动物体上反射回发射点,其瞬时频率将与该瞬间发射的无线电波不同。这一差别由两个因素导致:到物体的距离及其相对径向速度。可以通过电子测量方法得到频差,同时计算物体的距离和速度(见下图)。

 

 

在啁啾雷达中,通过电子测量fB1和fB2,可以确定与反射目标的距离及其径向速度。

 

在啁啾雷达的启发下,FMCW激光雷达可以通过不同的方式获得。在最简单的设计中,人们可以啁啾地调节照亮目标的光强。这个频率受FMCW雷达载波频率的相同规律(例如多普勒效应)的影响,返回的光被光探测器探测到并恢复调制频率,输出被放大并与本身振荡频率混频从而允许测量频移,并由此计算出目标的距离及其速度。

 

但是FMCW激光雷达有一定的局限性,与ToF激光雷达相比,它需要更多的计算能力,因此在生成全三维环绕图时速度较慢,而且测量精度对啁啾时调制时的线性度程度非常敏感。

 

虽然设计一种功能完善的激光雷达系统具有挑战性,但这些挑战都不是不可克服的。随着研究的继续,我们越来越接近于大多数汽车生产结束后就能够完全自动化的时代。


关键字:激光雷达  传感器技术  自动驾驶 引用地址:从光电技术角度看自动驾驶,还有这些问题待解决!

上一篇:我国成功研发智能辅助驾驶系统 准确率世界先进水平
下一篇:工信部将制定无人驾驶汽车标准

推荐阅读最新更新时间:2024-07-25 20:02

【专利】华为公开自动驾驶测量积水深度专利
7月23日,华为技术有限公司公开“一种积水深度确定方法及装置”发明专利,公开号CN113168535A,申请日期为2021年3月。 天眼查专利摘要显示,本申请实施例提供了一种积水深度确定方法,该方法可用于辅助驾驶和自动驾驶,提升了终端在自动驾驶或者辅助驾驶中的高级驾驶辅助系统ADAS能力,可应用于车联网,如车辆外联V2X、车间通信长期演进技术LTE‑V、车辆‑车辆V2V等。 具体方法包括:在积水区域的预设距离,获取积水道路的图像信息,然后对该图像信息进行分析处理得到积水边缘的空间位置,再获取道路坡角和通过一定策略判断确定积水区域的最大水深处对应的道路位置,最后根据积水边缘的空间位置、道路坡角、最大水深处对应的道路位置
[汽车电子]
【专利】华为公开<font color='red'>自动驾驶</font>测量积水深度专利
低成本激光雷达时代加速来临
对于激光雷达企业来说,目前已经到了生死存亡的关头。现在比拼的重点不再是技术,而是谁能率先进行产业化,并投入量产。因为唯有投入规模化量产,才能摊薄之前的研发投入,使得相关业务能够自我造血,让企业陷入良性循环。 时下,激光雷达主要有两个市场:测试市场以及量产车市场。测试市场主要覆盖 Robotaxi、无人小车、接驳车之类,这部分市场由于规模有限,可以不考虑成本,使用更高精度的激光雷达。但这部分市场可以贡献的销量以及产生的利润是远远没有办法支撑像 Velodyne 这样的单一靠激光雷达营生的公司的日常运营。像百度阿波罗,目前都在采用国产的激光雷达解决方案,其售价远远低于 Velodyne 这样公司的产品价格。而要打开量产车市场,
[嵌入式]
低成本<font color='red'>激光雷达</font>时代加速来临
适不适合开车?传感器/酒精点火联锁装置替做决定
当觉得困倦、有压力或者喝了点酒,人们是不适合开车的,甚至也不适合做出要开车的决定,但是自动驾驶汽车可以帮助做决定。在欧洲,每年因超速、醉驾或毒驾、不系安全带、分心或疲劳驾驶有超过25,000人在公路上丧命,而且另有135,000人受重伤。虽然现在的自动化车辆在驾驶员仍在驾驶时就可提供转向、制动和加速支持,并且可不断监控驾驶状态,但是只达到2级自动驾驶水平(L2),未来的汽车可达到L5,成为完全无人驾驶汽车。但是,目前还没有达到,需要一步一步实现。以下是目前两种方法,可用来决定驾驶员适不适合驾驶: 传感器 据外媒报道,作为驾驶辅助系统&我(ADAS&ME)项目的一部分,瑞典国家道路运输研究所(VTI)的Anna Anund博士以
[汽车电子]
王刚:自动驾驶将进一步进化,未来将是协同发展趋势
9月20日上午,在2018云栖大会的“机器革命人工智能峰会”上,杭州市政府向阿里巴巴颁发了杭州首张 无人驾驶 路测牌照。达摩院人工智能实验室首席科学家王刚代表阿里“无人车”团队,接过了这张车牌号为“浙A4390测”的牌照。同时,阿里巴巴集团宣布升级汽车战略:由车向路延展,利用车路协同技术打造全新的“智能高速公路”。 阿里达摩院人工智能实验室首席科学家王刚重点论述了阿里巴巴对无人驾驶领域最新的实践和探索方向。他重点论述 自动驾驶 如何从单车智能向协同智能进化。 王刚表示,阿里巴巴在确定做自动驾驶前,就确定了自身定位,关注两条路线:第一、车路协同和协同智能方向,纵观国内外汽车公司,比如通用汽车,他们都依赖于单车智
[汽车电子]
王刚:<font color='red'>自动驾驶</font>将进一步进化,未来将是协同发展趋势
Waymo发布防晕车专利,自动驾驶不怕晕车
一个人坐无人车去上班的fà,怎样做到专心吃鸡的同时还不晕车?   Waymo最近申请下来了个专利,专门解决晕车问题。   借助AI算法,制定防晕车路径:挑个好走不颠,巴特远一点点儿的道。   但前提是你别(biè)掐着点起床,得留出足够时间在路上。   当然你想干点别的也行,毕竟解放双手…Emmm,是无人车最吸引人的卖点之一。     Waymo的防晕车专利 晕车,属于晕动症,主要原因是,人呆在移动车辆里,他/她在视觉上和体感上的信息容易出现输入不一致的情况。   如果说,主驾上的司机,喜欢猛踩油门,或者急刹漂个移啥的,碰上你还爱在车上刷手机,那肯定容易晕。   因为你从视觉得到的身体位移信息(余光的环境是大体不变的),是相对
[嵌入式]
CARMERA推出Inventory Map 为自动驾驶提供实时道路变化信息
据外媒报道,道路智能技术公司CARMERA推出了Inventory Map,作为其改变即服务(CaaS)动态地图产品的最新组件。Inventory Map专为消费者和汽车地图绘制公司而打造,提供关于道路标志、交通信号,以及由CARMERA车载传感器网络检测到的其他车道级变化的准确、细粒度信息,使现有高清地图保持更新。 (图片来源:CARMERA) Inventory Map由CARMERA与高清地图供应商Ushr Inc.合作推出。与传统的新闻聚合和众包服务相比,Inventory Map可提供更快、更准确和更详细的变化数据。Inventory Map采用高级交通标志识别、定位和影响分析,提供每次变化的具体细节和精确的经
[汽车电子]
CARMERA推出Inventory Map 为<font color='red'>自动驾驶</font>提供实时道路变化信息
自动驾驶中基于网格的交通场景感知介绍
本文介绍了中基于网格的交通场景感知:研究综述。基于网格的感知是移动感知和导航的关键领域。尽管如此,在自动驾驶中以网格为中心的感知不如以目标为中心的感知那么常用,因为自动驾驶汽车需要精确感知高度动态的大规模室外交通场景,并且以网格为中心的感知具有较高复杂度和计算代价。技术和的快速发展为以网格为中心的感知提供了新的视角,并且使得很多实时得以部署。目前的和学术研究证明了以网格为中心的感知具有较大优势,例如全面的精细环境表示、对遮挡具有更强鲁棒性、更高效的融合以及更安全的规划策略。鉴于目前缺乏对这一快速发展领域的调研,本文对自动驾驶汽车中基于网格的感知进行分层结构化的回顾。本文总结了先前和目前占据网格技术的知识,并且从三方面对算法进行系
[机器人]
如何学习基于Tansformer的目标检测算法呢?
说到纯视觉的自动驾驶方案,大家第一个想到的就是Tesla吧。的确,早在2021年,Tesla就已经实现了纯视觉的BEV检测方案,而且效果非常好。 细心的同学可能发现了,这套BEV方案中将相机空间的图像转换到BEV空间的核心组件就是Transformer。 Transformer来源于自然语言处理领域,首先被应用于机器翻译。后来,大家发现它在计算机视觉领域效果也很不错,而且在各大排行榜上碾压CNN网络。 目标检测领域中,视觉Transformer不仅可以实现2D检测、3D检测,还可以实现多模态检测,BEV视角下的检测,性能也非常出色。 因此,掌握Transformer相关知识和工程基础成为了企业招聘算法工程师的一个技能要
[嵌入式]
如何学习基于Tansformer的目标检测算法呢?
小广播
最新汽车电子文章
换一换 更多 相关热搜器件

 
EEWorld订阅号

 
EEWorld服务号

 
汽车开发圈

电子工程世界版权所有 京B2-20211791 京ICP备10001474号-1 电信业务审批[2006]字第258号函 京公网安备 11010802033920号 Copyright © 2005-2024 EEWORLD.com.cn, Inc. All rights reserved