對於自動駕駛來說(或者說對於高速的識別運動和靜止物體),激光雷達除了貴還有什麼缺點?

最近自動駕駛很火,而對於自動駕駛來說,感知(也就是各種感測器)是一個前提。我在知乎和各種資料上看到的對於各種車載感測器的介紹和對比,提到激光雷達的缺點無一例外都是貴。

那第一個問題是,如果忽略成本高,激光雷達和其他感測器相比還有什麼缺點呢?換句話說,如果有一輛車只承載了激光雷達(甚至是多個),和多感測器相比有多少差別?

第二個問題是,涉及到激光雷達和現有的低價感測器是否能成為自動駕駛的成熟方案,是不是說只要大規模激光雷達成本降低了,對於車的感知就足夠了?


對於機器人說,如何感知三維空間,或者說如何感知深度,是個很關鍵的問題。

目前,感知深度有許多技術手段。無論是單目、雙目、雷達、Structure light還是超聲波,毫米波雷達,都可以給出一定的深度信息。然而在眾多的解決方案里,激光測距,或者說激光雷達,能夠提供其他sensor無法匹敵的高精度點雲信息。通過使用高精度的點雲信息,使得車輛定位定位、高精度地圖繪製、障礙物檢測、跟蹤等眾多自動駕駛上的問題,難度大大減小。

然而,激光雷達缺點也有不少。首先,激光雷達不是全天候工作的sensor,遇到惡劣天氣的時候無法工作。其次,目前的激光雷達價格昂貴,點雲解析度較低,使得相關演算法在研究上依然存在不少難點。另外,激光雷達的工作距離有限,60m左右點雲會變得非常稀疏,難以單獨勝任自動駕駛在物體檢測任務上的要求。最後,激光雷達無法感知彩色信息,在對於交通信號識別等任務上,有心無力。

因此自動駕駛還是有必要結合多感測器,即激光雷達+攝像頭+毫米波雷達+超聲波。


1.紅外線波受天候和大氣的影響,在一般晴朗或良好氣候條件中的光衰較小,傳播距離和理想值接近;若在大雨、下雪、濃霧等非晴朗氣候條件下,紅外線波的偵測能力會大幅衰減,感測距離亦受影響。

2.龐大信息流,64線 3D激光雷達每秒產生一百三十萬筆偵測資料,解析度較低的32線激光雷達每秒產生七十萬筆偵測資料,如此快速且大量的資料是嵌入式系統難以負荷起的工作,需要專業處理器才能完整處理。


目前自動駕駛所依賴的感知感測器有:

1.激光雷達:優點,精度高,速度快,可以掃描出3d數據,配合高精地圖使用。缺點,目前來看成本高,處理數據量大,產品量產難度大,同時易受環境影響。

2.毫米波雷達:優點,精度比激光雷達差點,目前量產的價格低,主要用於測量前方目標的速度,距離和俯仰角。缺點,對於目前是什麼類別判斷能力較低,比如行人,車輛,其他物體等。

3.前視攝像頭:主要用於車道線識別,同樣也可以測量前方目前的速度和距離,與毫米波雷達相比,視覺的局限性在於受環境影響較大,但是對於車道線識別,物體類別識別,紅綠燈識別,攝像頭是優勢。

未來的自動駕駛必然是激光雷達,毫米波雷達,攝像頭和高精度地圖等感測器的融合。


除了感知能力還有數據量還有個問題:往哪兒放

A8那個Solid State感知面積就那麼大,放前面還好說

但是用旋轉式LiDAR就需要放在視野開闊的位置了,waymo, uber等等都是頭上長犄角的配置。

VW自己那個L5小巴隱藏的稍微好一點但也是飛檐頂角。

老賈黃掉的法拉第未來直接來了個鼻頭長瘤子

這些都是汽車設計師未來的難題


激光雷達的優點是快、准;

缺點是容易受干擾(參考張教授有關霧霾理論),一套優秀的處理軟體,要求的複雜度相當高。

說激光雷達貴的,純屬鼠目寸光,大批量量產後的激光雷達價格估計也就是幾百美金數量級。

從可靠性方面分析,純用激光雷達做自動駕駛不可行。


關注自動駕駛有一段時間了 就我所知的目前谷歌用lidar+攝像頭 百度也是差不多這樣(當然包括一些超聲波之類的) 特斯拉用的是毫米波+攝像頭

關於特斯拉多說幾句 之前8.0版本之前 用的主要是攝像頭判斷 毫米波輔助 後來出了一起著名的車禍(不過最近好像有新聞說不是機器問題 後續的沒有太仔細看。。) 8.0改到了毫米波雷達主要判斷 攝像頭輔助(主要為了安全吧。。。) 後來某公司不和它合作了 現在用的是英偉達的板子 前些日子還說實現5級自動駕駛 結果目前好像還在訓練數據

話題說遠了。。 激光雷達一個是價格高昂 另一個是環境適應力不夠 主要表現在雨雪天氣 或者煙霧 霧霾等 這個可以從原理上理解 一束激光打到環境中 被空中小顆粒(雪 霾等)反射 測距就會出現問題 導致成像出現問題

現在用的lidar比如谷歌那個 放在車頂上還有一定的盲區 車身周邊觀測可能不太理想(猜測)

另外剛查的velodyne探測距離說能到200 米了 。。我個人感覺自動駕駛的發展離不開這些基本的東西 攝像頭相當於眼鏡 毫米波雷達類似於耳朵 激光嘛 有點像手電筒。。。(其實雷達也像 不過用的環境不一樣 解析度不一樣 )


第一個問題,Lidar缺點還是很多的,比如沒有色彩信息,單純靠反射率不同,很難判斷車道、交通標示等信息;再比如resolution目前還不那麼夠,存在著range vs. intensity tradeoff,即測得遠了信息就稀疏了;另外畢竟是紅外激光,對極惡劣也無法精準工作。

第二個問題,永遠沒有足夠一說,現在沒有標準去量化汽車感知能力,更多的感測器引入理論上可以提高感知可靠性,但也增大了sensor fusion的難度,實際效果需要個例分析。同時也不排除未來有新型感測器的出現,提供更高的可靠性。


自動駕駛是通過在汽車上安裝各種感測器採集車周圍路況數據,車載計算系統結合高精度地圖數據和採集到的路況數據分析車的運行狀態並下達指令控制車的下一步運動狀態,需要感測器系統,車載數據處理系統,汽車控制系統等等系統之間協同工作完成的一種輔助駕駛技術。

感測器系統包括不僅限於激光雷達,還有傳統毫米波雷達,超聲波感測器,攝像頭,全景相機,慣導系統等等。

目前主流的自動駕駛方式有兩種,一種是搭載激光雷達利用獲取到的激光三維點雲數據進行三維建模識別路況進行分析,這種方法需要藉助高精度慣導系統和高精度地圖(所以你看百度收購了甲級測繪單位自己開始採集高精度道路數據了),採集到的數據量特別大,對軟(處理分析)硬(採集)件系統性能都有較高要求,數據精度高(厘米級),探測距離相對較近(Velodyne16線或者32線實際有效採集距離只有70米左右),在惡劣天氣下工作效果不穩定。另一種就是特斯拉在使用的傳統毫米波雷達+攝像頭+超聲波感測器。傳統毫米波雷達價格便宜技術成熟,探測距離遠,缺點在於探測距離受到頻段損耗的直接制約(想要探測的遠,就必須使用高頻段雷達),也無法感知行人,並且對周邊所有障礙物無法進行精準的建模。

你第一個問題,除去價格昂貴之外,激光雷達數據量巨大,惡劣天氣穿透力不夠,只用激光雷達完成不了自動駕駛(激光雷達只負責三維數據採集,真正的定位和測距要靠GPS定位系統和慣導系統以及車載計算機系統),所以必須搭載其他輔助感測器協同工作。

第二個問題,目前應用激光雷達作為主要感測器的無人駕駛技術受到的最大限制是成本,其次目前國內高精度地圖數據還無法滿足完全市場化推廣的需求,道路情況也不一定能滿足無人駕駛要求。無人駕駛也就是這兩年剛剛興起的技術,配套的高精度地圖導航數據需要一定時間的採集和加工。如果激光雷達成本真的降低了,會對無人駕駛技術產生很大的推動,但是不代表很快(3-5年內)就能完全推廣開來。


推薦閱讀:

如何評價鄒勝龍卸任迅雷 CEO,未來將關注人工智慧和生命科學?
如果人類智能在圍棋上全面輸給 AI ,可能意味著什麼?
AlphaGo戰勝世界第一的柯潔會對人類圍棋手產生什麼影響?對整個圍棋事業會有什麼影響?
利用人工智慧來進行股票交易可靠嗎?目前都發展到了何種程度?其中的機理大致是怎樣的?
如何評價 DOTA2 國際邀請賽 TI7 影魔SOLO表演賽 Dendi 0:2 open AI?

TAG:人工智慧 | 感測器 | 自動駕駛 | 光學雷達Lidar | 同時定位和地圖構建SLAM |