无人驾驶环境感知设备中 激光雷达和摄像头各自的优缺点
无人驾驶环境感知设备中 激光雷达和摄像头各自的优缺点
目前,国外和国内做激光雷达的厂商并不多。比如 Velodyne 推出 16 线、32 线、 64 线和128线激光雷达产品。Quanergy 早期推出的 8 线激光雷达产品 M-8(固态激光雷达在研)。Ibeo 主要推出的是 4 线激光雷达产品,主要用于辅助驾驶。速腾聚创(RoboSense)推出的是 16 线激光雷达产品。
到底多少线的激光雷达产品才能符合无人驾驶厂商,包括传统汽车厂商、互联网造车公司的需求?
多线激光雷达,顾名思义,就是通过多个激光发射器在垂直方向上的分布,通过电机的旋转形成多条线束的扫描。多少线的激光雷达合适,主要是说多少线的激光雷达扫出来的物体能够适合算法的需求。理论上讲,当然是线束越多、越密,对环境描述就更加充分,这样还可以降低算法的要求。
业界普遍认为,像谷歌或百度使用的 64 线激光雷达产品,并不是激光雷达最终的产品形态。激光雷达的产品的方向肯定是小型化,而且还要不断减少两个相邻间发射器的垂直分辨率以达到更高线束。
激光雷达产品参数包括四方面:测量距离、测量精度、角度分辨率以及激光单点发射的速度。我主要讲分辨率的问题:一个是垂直分辨率,另一个是水平分辨率。
现在多线激光雷达水平可视角度是 360 度可视,垂直可视角度就是垂直方向上可视范围。分辨率与摄像头的像素是非常相似的,激光雷达最终形成的三维激光点云,类似于一幅图像有许多像素点。激光点云越密,感知的信息越全面。
水平方向上做到高分辨率其实不难,因为水平方向上是由电机带动的,所以水平分辨率可以做得很高。目前国内外激光雷达厂商的产品,水平分辨率为 0.1 度。
垂直分辨率是与发射器几何大小相关,也与其排布有关系,就是相邻两个发射器间隔做得越小,垂直分辨率也就会越小。可以看出来,线束的增加主要还是为了对同一物体描述得更加充分。如果是不通过减少垂直分辨率的方式来增加线束,其实意义不大。
如何去提高垂直分辨率?目前业界就是通过改变激光发射器和接收器的排布方式来实现:排得越密,垂直分辨率就可以做得很小。另一方面就是通过多个 16 线激光雷达耦合的方式,在不增加单个激光雷达垂直分辨率的情况下同样达到整体减小垂直分辨率的效果。
但是,这两种方法都有一定的缺陷。
第一种方法,如果在不增加垂直可视范围情况下增加线束,是有一定天花板的。因为激光发射器的几何大小很难进一步再缩小,比如说做到垂直 1 度的分辨率,如果想做到 0.1 度,几乎不可能。
第二种方法,多传感器耦合,即多个激光雷达耦合,因为它不是单一产品,那么对往后的校准将会有很高的要求。
激光雷达和摄像头分别完成什么工作?
无人驾驶过程中,环境感知信息主要有这几部分:一是行驶路径上的感知,对于结构化道路可能要感知的是行车线,就是我们所说的车道线以及道路的边缘、道路隔离物以及恶劣路况的识别;对非结构道路而言,其实会更加复杂。
周边物体感知,就是可能影响车辆通行性、安全性的静态物体和动态物体的识别,包括车辆,行人以及交通标志的识别,包括红绿灯识别和限速牌识别。
对于环境感知所需要的传感器,我们把它分成三类:
感知周围物体的传感器,包括激光雷达、摄像头和毫米波雷达这三类;
实现无人驾驶汽车定位的传感器,就是 GPS 、IMU 和 EnCODer;
其他传感器,指的是感知天气情况及温、湿度的传感器。
对于环境感知所需要的传感器,我们把它分成三类:
感知周围物体的传感器,包括激光雷达、摄像头和毫米波雷达这三类;
实现无人驾驶汽车定位的传感器,就是 GPS 、IMU 和 EnCODer;
其他传感器,指的是感知天气情况及温、湿度的传感器。
对车道线的检测主要分成三个步骤:
第一步,对获取到的图片预处理,拿到原始图像后,先通过处理变成一张灰度图,然后做图像增强;
第二步,对车道线进行特征提取,首先把经过图像增强后的图片进行二值化( 将图像上的像素点的灰度值设置为 0 或 255,也就是将整个图像呈现出明显的黑白效果),然后做边缘提取;
第三步,直线拟合。
车道线检测难点在于,对于某些车道线模糊或车道线被泥土覆盖的情况、对于黑暗环境或雨雪天气或者在光线不是特别好的情况下,它对摄像头识别和提取都会造成一定的难度。
无人驾驶环境感知设备中 激光雷达和摄像头各自的优缺点相关推荐
- 计算机控制在无人车中的应用,深度学习在无人驾驶环境感知中的应用方案
机器深度学习是近年来在人工智能领域的重大突破之一,它在语音识别.自然语言处理.计算机视觉等领域都取得了不少成功.由于车辆行驶环境复杂,当前感知技术在检测与识别精度方面无法满足无人驾驶发展需要,深度学习 ...
- 自动驾驶技术-环境感知篇:激光雷达、毫米波雷达、超声波雷达相关技术介绍
在上一篇<自动驾驶技术架构和综述>文章中我们介绍了自动驾驶三个核心环节,分别是环境感知和定位.决策规划.执行控制.接下来这章将会针对环境感知和定位展开介绍,环境感知和定位包含环境感知.定位 ...
- 百度apollo 汽车环境感知 自动驾驶 激光雷达slamtec a1m8-r5 三角测距 双目相机
datasheet,通讯,开发文档 win10需要驱动CP210 下载githubv1.11的演示程序,设定好com口和 115200 就可以采集数据了 在线文档slamtec 实践:目测图中一圈是2 ...
- Vuforia用在安卓设备中外接USB摄像头(一)
一.介绍 众所周知,vuforia可以用在安卓设备上使用AR,但是开启的都是设备的前置或后置的摄像头,在需要外接USB摄像头这块,vuforia没有给出直接的调用模块,但是官网给出了一个制作调用USB ...
- 索尼3D环境感知研究解析,目标是让所有设备“理解世界”
年初索尼正式公布PS VR2,与上一代相比,PS VR2的技术大幅升级,不仅采用4K HDR屏幕.支持注视点渲染,还配备了Inside-Out定位摄像头不再需要追踪基站. 尽管该头显还未正式发售,却已 ...
- 无人驾驶/智能驾驶/环境感知
无人驾驶/智能驾驶/环境感知 !!!!!原文链接:https://doi.org/10.1016/j.sna.2021.112566 环境感知技术是无人驾驶汽车安全的保障.现在有很多关于环境感知的研究 ...
- 地面无人驾驶系统环境感知技术的发展
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 地面无人系统具有平台损毁无人员伤亡.可长期值守等特点,目前主要用于扫雷破障.武装巡逻.核生化探测.危险 ...
- #3 SLAM_Environment perception(环境感知模型)
环境感知模型 环境感知方式 2D激光雷达数学模型 3D激光雷达数学模型 2D雷达式 旋转光束式 单目相机数学模型 双目相机数学模型 RGBD相机数学模型 环境感知方式 机器人获取环境信息的方式是多种多 ...
- CV:无人驾驶/自动驾驶汽车中涉及的软硬件技术(摄像头、雷达、激光雷达)、计算机视觉技术(检测、分类、跟踪、语义分割)的简介
CV:无人驾驶/自动驾驶汽车中涉及的软硬件技术(摄像头.雷达.激光雷达).计算机视觉技术(检测.分类.跟踪.语义分割)的简介 目录 无人驾驶汽车中涉及的软硬件结合相关的技术 摄像头.雷达.激光雷达 影 ...
最新文章
- JavaScript中实现私有属性的写类方式(2)
- 机器学习之贝叶斯分类(python实现)
- LeetCode MySQL 1571. 仓库经理
- C++常用概念——while循环时终止输入(Ctrl+Z,Ctrl+C,Ctrl+D(EOF))
- Markdown--Latex公式编辑_验证
- mysql监控sql_如何实时监控mysql中的SQL语句的执行情况
- Java线程:线程私有变量
- 如何把GitHub中的开源项目导入到Eclipse
- 转《js闭包与内存泄漏》
- hibernate的flush()、refresh()、clear()针对一级缓存的操作的区别
- 思科模拟器Cisco Packet Tracer的汉化教程
- 利用python进行识别相似图片
- python+django酒店客房餐饮管理系统vue源码
- html怎么设置区块隐藏,网页区块隐藏/显示的切换技术
- 【云和恩墨业务介绍】之数据库性能优化服务
- PreAngel投资过的公司列表
- Dicom打印工作站
- 读文可以学计算机吗,学计算机的必须读的文章(范文).doc
- 国内的服务器的优势就是,国产芯片服务器的优势是什么
- python3 字典遍历操作
热门文章
- python3.8与pyinstaller_pyinstaller 3.5 在python 3.8 环境下出现不兼容的问题
- 什么行业程序员不用996?
- android手机裸眼3D技术原理和编程实现
- 对访问和使用计算机的人员应釆取,计算机笔试模拟题全(含答案)
- Android性能分析之---卡顿分析
- java基础(三) IDEA使用与多线程编程
- 解决viewer.js预览PDF文件 无法展示PDF水印的问题
- Java编译成功但是运行不成功的原因
- Unity Shader (Wave Trail)波追踪效果(一)
- 在Ubuntu下从Python连接到Microsoft SQL Server数据库