激光雷达、相机
激光雷达、相机…万字长文带你入门无人驾驶车硬件 如何构建一辆无人驾驶车呢？先从无人驾驶车的硬件开始介绍。
简介
无人驾驶车由车、线控系统、传感器、计算单元等组成，如图2.1所示。车作为无人驾驶的载体，是无人驾驶车最基础的组成部分。
除了车本身之外，还需要车上安装有线控系统。有别于传统汽车通过机械传动的方式控制汽车，线控系统通过电信号来控制汽车，这种方式显然更适合电脑控制。
无人驾驶车还配备了数目众多的传感器，包括激光雷达、摄像机、毫米波雷达、超声波雷达、GPS、IMU等。传感器是无人驾驶车的眼睛，负责感受外部环境。计算单元则是无人驾驶车的大脑，传感器获取的信息经过计算单元的计算之后，输出一条可以供汽车安全行驶的轨迹，控制汽车行驶。
图2.1无人驾驶车硬件组成 硬件首先需要考虑的就是安全。汽车关系到人的生命安全，因此需要有严格的安全规范。无人驾驶车同样要求如此，需要尽可能地保障乘客的安全，不仅要使用满足车规要求的硬件，还要使汽车能够覆盖足够的视野范围。
其次需要考虑的是成本，目前无人驾驶车的成本居高不下，主要原因是传感器的成本太高，甚至比一辆车的成本还高，这是阻碍无人驾驶车普及的重要原因之一。
下面我们分别从车和线控系统、传感器、计算单元、辅助单元等方面介绍无人驾驶车的硬件组成。 2.2车和线控系统 2.2.1车 传统汽车由发动机、汽车底盘、中控系统和车身等组成，如图2.2所示。实际上，无人驾驶车的车身部分和传统汽车几乎没有区别，只是在传统汽车的基础上，安装了汽车线控系统。
目前主要有以下4种形式的无人驾驶车。 无人驾驶的士。通过小车改装而成，常见的型号有林肯MKZ。无人驾驶小巴、摆渡车。通过巴士改装而成，有些甚至没有方向盘。无人驾驶货车。由卡车改装而成，主要厂家有比亚迪、东风等。无人驾驶清洁车。通过特种车辆改装而成。
图2.2汽车构造
目前还没有真正量产的无人驾驶车，无人驾驶车大部分都是根据现有车型改装而成，计算单元还都是放在汽车后备箱中，需要将空调风道引入后备箱以供计算单元散热。同时，车上要增加按钮，实现将所有子系统从自动驾驶状态紧急切换到人工驾驶状态，在发生整车故障时，能完全退出至人工驾驶模式，保障安全。
为什么电动车比燃油车更加适合做自动驾驶呢？主要有以下3个原因。
电动车比燃油车的反应时间更短。普通燃油车通过机械控制的方式，普遍的延迟在200ms左右，而电动车的控制响应时间不到20ms。对比燃油车来说，电动车更容易控制，响应时间也更短。电动车能够直接提供无人驾驶车所需要的电源。燃油车则需要通过发动机发电，效率转换比较低，同时也提供不了大功率的电源输出。除此之外，燃油车还要额外提供UPS设备保障电源供应，而电动车不存在这些问题。电动车比燃油车具有先天优势。由于电动车目前还在发展阶段，可以进行全新的设计，而燃油车已经非常成熟，设计和改造有着诸多限制。综上所述，电动车比燃油车更适合用来做自动驾驶。
2.2.2线控系统 汽车需要具备线控系统才能改装成无人驾驶车，那么什么是线控系统呢？
传统汽车是通过机械传动的方式对汽车进行转向、油门和刹车等的控制，而线控系统是通过电信号对汽车进行转向、油门和刹车等的控制。电脑能够更好地控制电信号，这就是为什么无人驾驶车采用线控系统来控制汽车的重要原因。
线控系统省去了机械传动的延迟，通过电脑可以更加快速地控制汽车，并且一些辅助驾驶任务也需要线控系统来完成，例如定速巡航、自动避障、车道保持等。线控系统最大的问题在于安全性，线控系统如果被破解，黑客甚至可以控制汽车的行驶，成为很大的安全隐患。
线控系统从功能上可以分为以下4个部分。
线控油门，通过电信号控制汽车油门大小。线控刹车，通过电信号控制汽车制动。线控转向，通过电信号控制汽车转向角度。线控档位，通过电信号控制汽车档位。线控系统一方面需要接收无人驾驶车发出的控制指令，另一方面要把指令执行的结果和车辆的状态反馈给无人驾驶车。无人驾驶车输出给线控系统的信息如下。
油门、刹车、转向等的控制信号。档位信号。车灯、雨刷器等的控制信号。线控系统反馈给无人驾驶车的信息如下。
命令执行的结果。底盘状态。底盘详细信息。除此之外，线控系统需要能够及时响应控制命令。响应时间是指从无人驾驶车发出控制命令到汽车执行完成的时间，如果响应时间太长或者响应时间不稳定，会影响无人驾驶车的控制。
线控系统发送的数据帧不能丢失或者出现错误，如果数据帧丢失或者数据帧出错，可能会造成控制失效，这也是不能接受的。
在控制命令出错的情况下，线控系统要提供一系列错误码来通知控制系统，以便控制系统根据错误码获取出错的原因。
控制命令越界处理，当控制信号越界的时候线控系统应当拒绝执行，并且进入人工接管模式。
当安全员主动控制方向盘、油门或者刹车脚踏板的时候，线控系统能够主动退出无人驾驶模式。
下面是百度Apollo线控认证平台的部分性能指标。
最大驱动加速度。最大驱动加速度指的是车可以达到的最大加速度值。驱动响应延迟时间。驱动响应延迟时间是发送命令到开始执行的时间。最大超调。最大超调是指油门调节的过程中，目标值与实际值之间的最大误差。对应执行时间。对应执行时间是驱动开始响应到响应到目标加速度的值。2.3传感器
为了方便感知周围的环境，无人驾驶车用到了各种各样的传感器，这些传感器从功能上划分为2类：环境感知和状态感知。
环境感知主要是获取车当前所处的环境信息，包括：周围的车辆、行人、交通标志、红绿灯、所处的场景（路口交汇处、停车场、高速公路）等。 状态感知主要是获取车自身的状态，包括当前车辆的位置、航向角、速度、俯仰角等信息。
无人驾驶车所用到的传感器如图2.3所示，包括激光雷达、毫米波雷达、超声波雷达、相机、GPS、IMU等。下面开始分别介绍这几种传感器。
图2.3无人驾驶车传感器示意
2.3.1激光雷达 激光雷达是无人驾驶车中最重要的传感器之一，目前大部分的无人驾驶公司都选择配备激光雷达。虽然特斯拉的CEO伊隆·马斯克曾经一语惊人的说“只有傻瓜才用激光雷达。”，但出于安全性的考虑，激光雷达仍然是无人驾驶车的首选。
1.原理
激光雷达（LightDetectionandRanging，LIDAR）是光检测和测距的缩写，通过对外发射激光脉冲来进行物体检测和测距。激光雷达采用飞行时间（TimeofFlight，TOF）测距，包括激光器和接收器。激光器先发送一束激光，遇到障碍物后反射回来，由接收器接收，最后激光雷达通过计算激光发送和接收的时间差，得到目标和自己的相对距离。
如果采用多束激光并且360度旋转扫描，就可以得到整个环境的三维信息。激光雷达扫描出来的是一系列的点，因此激光雷达扫描出来的结果也叫“激光点云”，如图2.4所示。
图2.4激光雷达扫描效果图
应用
激光雷达能够准确输出障碍物的大小和距离，同时还具有较高的分辨率，可以记录周围环境的三维信息，对无人驾驶进行规划轨迹，避开障碍物非常有用。除了上述优点外，激光雷达还是主动发射型设备，对光照的变化不敏感，在有光照变化和夜晚等场景基本不会受到影响。此外激光雷达能够提供水平360度的视野范围，保证整个无人驾驶车基本上没有视野盲区。
但是激光雷达惧怕雾霾天气，因为雾霾颗粒的大小非常接近激光的波长，激光照射到雾霾颗粒上会产生干扰，导致效果下降。另外激光雷达还比较昂贵，以64线的激光雷达为例，售价约8万美元，可以抵得上一辆车的价格了，这也是推广激光雷达的障碍之一。
除了障碍物感知，激光雷达还可以用来制作高精度地图。地图采集过程中，激光雷达每隔一小段时间输出一帧点云数据，这些点云数据包含环境的准确3维信息，通过把这些点云数据做拼接，就可以得到该区域的高精度地图。
最后，激光雷达还可以用来做定位，无人车在行驶过程中利用当前激光雷达采集的点云数据帧和高精度地图做匹配，可以获取无人车的位置。
2.分类
激光雷达从工作方式上可以分为：旋转式激光雷达和固态激光雷达。
旋转式激光雷达内部有一个马达，通过马达带动激光束360°旋转扫描，每扫描一圈得到一帧激光点云数据，扫描一圈的时间称为一个扫描周期。
固态激光雷达采用相控门阵列技术，通过调整信号的相对相位来改变激光束的发射方向，实现扫描整个平面，固态雷达的扫描范围有限，一般水平视角为60°左右。虽然固态雷达的角度范围小，但是扫描精度和指向精度高、可控性好、成本也相对较低，是激光雷达未来的主要发展方向。图2.5所示分别是Velodyne公司生产的旋转式激光雷达和固态激光雷达。
图2.5旋转式激光雷达（左）和固态激光雷达（右）
3.参数指标
（1）视场角。视场角决定了激光雷达能够看到的视野范围，分为水平视场角和垂直视场角，视场角越大，代表视野范围越大，反之则代表视野范围越小。以图2.5中的激光雷达为例，旋转式激光雷达的水平视场角为360°，垂直视场角为26.9°，固态激光雷达的水平视场角为60°，垂直视场角为20°。
（2）线数。线数越高，代表单位时间内采样的点就越多，分辨率也就越高，目前无人驾驶车一般采用32线或64线的激光雷达。
（3）分辨率。分辨率和激光光束之间的夹角有关，夹角越小，分辨率越高。固态激光雷达的垂直分辨率和水平分辨率大概相当，约为0.1°，旋转式激光雷达的水平角分辨率为0.08°，垂直角分辨率约为0.4°。
（4）探测距离。激光雷达标称的最远探测距离一般为150-200m，实际上距离过远的时候，采样的点数会显著变少，测量距离和激光雷达的分辨率有着很大的关系。以激光雷达的垂直分辨率为0.4°最远探测距离为200m举例，在经过200m后激光光束2个点之间的距离为，也就是说只能检测到高于1.4m的障碍物。如图2.6所示。
图2.6激光雷达探测距离
如果要分辨具体的障碍物类型，那么需要采样点的数量更多，因此激光雷达有效的探测距离可能只有60-70m。增加激光雷达的探测距离有2种方法，一是增加物体的反射率，二是增加激光的功率。物体的反射率是固定的，无法改变，那么就只能增加激光的功率了。但是增加激光的功率会损伤人眼，只能想办法增加激光的波长，以避开人眼可见光的范围，这样可以适当增大激光的功率。探测距离是制约激光雷达的另一个障碍，汽车在高速行驶的过程中越早发现障碍物，就越能预留越多的反应时间，从而避免交通事故。
（5）反射率。反射率是指物体反射的辐射能量占总辐射能量的百分比，比如说某物体的反射率是20%，表示物体接收的激光辐射中有20%被反射出去了。不同物体的反射率不同，这主要取决于物体本身的性质(表面状况），如果反射率太低，那么激光雷达收不到反射回来的激光，导致检测不到障碍物。激光雷达一般要求物体表面的反射率在10%以上，用激光雷达采集高精度地图的时候，如果车道线的反射率太低，生成的高精度地图的车道线会不太清晰。
4.扩展阅读 在无人驾驶普及之后，大量的激光雷达都是相同波段，相邻的激光雷达之间会产生干扰，采用连续波调频技术可以解决这个问题。
此外，目前市场上大部分激光雷达的波长是905nm，非常接近可见光的波长，而激光会损害人眼，烧坏视网膜上的光敏探测细胞，因此905nm激光雷达的功率受到严格限制。
2.3.2毫米波雷达 毫米波雷达（RADAR）和激光雷达的原理类似，毫米波雷达通过发射和接收电磁波来检测物体的距离和速度。目前已经上市的高级驾驶辅助系统（AdvancedDriverAssistanceSystems，ADAS）大部分都带有毫米波雷达。
1.原理
毫米波雷达的原理是通过发射电磁波，然后接收反射回来的信号，通过电磁波返回的时间差计算目标的相对距离，通过多普勒效应产生的频率偏移来计算目标的相对速度。
2.应用
毫米波雷达的体积小，安装之后对汽车外观的影响不大；毫米波雷达能够同时检测多个物体的距离、角度和相对速度，特别是高速移动的物体；毫米波雷达测量距离也比较大，最大探测距离可达250m，并且能够穿透雾和粉尘，还能够适应各种不同的天气。
毫米波雷达的缺点是测量角度受限，特别是垂直角度；毫米波雷达采样的点比较稀疏，分辨率比较低，很难识别体积比较小的物体。
3.分类
雷达按照测量的距离划分为短距离雷达和长距离雷达。
短距离雷达：探测的范围比较大，但是探测的距离比较短。长距离雷达：探测的范围比较窄，但是探测的距离比较长。4.参数指标 毫米波雷达主要有以下4个参数指标。
最大探测距离：能够探测到障碍物的最大相对距离，一般为250m。最大探测速度：能够探测到障碍物的最大相对速度，一般为240km/h。探测视角：能够探测到的视野范围，水平范围一般为±60°，垂直视角一般为±15°。最大探测目标数：最大能够探测的目标数量，一般为24-32个。2.3.3超声波雷达
超声波雷达（Ultrasonicradar）通过发射超声波计算障碍物的距离，对温度敏感，测量精度大概是1-3cm。同时超声波雷达探测的距离非常短，最远探测距离不到3m，只能在短距离测距的时候使用。
目前超声波雷达主要应用在自动泊车中，宝马和大众的自动泊车系统都搭载了数枚超声波雷达来检测停车库位。
超声波雷达有2种应用方式：一种称为UPA，用来探测汽车前后的障碍物；另一种称为APA，安装在汽车侧方，用于探测汽车侧方的障碍物。
2.3.4相机 相机（Camera）是目前无人驾驶中应用和研究最广泛的传感器。基于图像的物体检测和识别技术已经相当成熟，近几年，基于深度学习的视觉感知算法甚至已经超过了人类的水平。无人驾驶车上一般会安装多个相机，兼顾不同的视角和任务。
1.原理
相机利用了光学成像原理，光线透过相机镜头后，被感光元器件捕获，最后形成图像，如图2.7所示。
图2.7相机成像原理
2.应用
相机的成本低、成像像素高、刷新频率快，因此相机被大量应用于车辆，行人和车道线检测；相机还可以获取颜色信息，用来做红绿灯检测和交通标志识别；相机拍摄的图片经过场景分割用来做场景理解和路面识别。可以说相机应用在无人驾驶环境感知的方方面面。
在天气良好的情况下，相机最远可以看到1000m左右的距离，比激光雷达能够更早的发现远处的交通状况。
相机是被动型感光设备，对光照的变化十分敏感，在有强光直射和阴影变化的时候拍摄质量会严重下降，在夜晚的时候相机的表现也不太好。另外相机在拍摄快速移动的物体的时候会出现运动模糊，拍摄的照片有重影或者模糊不清。通常在下雨天气，无人驾驶车会使用车内的相机做环境感知，暴露在车外的相机镜头会被雨水模糊。最新有报道利用激光做雨刷的新闻，对以后相机暴露在雨天工作可能有帮助。为了获取足够的视野无人驾驶车一般会配备多个相机。这就引入了一个问题，多个相机的拍摄时间可能不一致。那么如何保证多个相机的拍摄时间一致呢？相机有一个触发器（Trigger），用于触发相机拍照，通过控制信号同时触发多个相机的触发器来拍照，就可以保证所有照片都是同一时间拍摄的了。
3.分类
按照使用到的相机个数，分为单目相机和双目相机。
单目相机。单目相机由1个相机组成，结构简单，成本低，但是无法测量准确的距离。双目相机。双目相机由2个相机组成，由于2个相机之间的距离已知，可以估算出空间距离，但是标定和计算量比单目相机大。按照相机的焦距，分为长焦相机和短焦相机。
长焦相机。长焦相机看的距离远，在拍摄远处的景象的时候更加清晰。在无人驾驶车中，长焦相机用来发现远处的交通状况和红绿灯识别。短焦相机。短焦相机主要用来发现近处的物体，视野范围比长焦宽。障碍物识别、车道线检测和场景分割等多个任务都需要用到短焦相机，往往车上会集成多个短焦相机，覆盖整个车的视野范围。按照类型划分，除了最常见的相机之外，还有事件相机、全景相机、深度相机和红外相机4种新型相机。
（1）事件相机（EventCamera）。事件相机中的每个像素独立响应亮度的变化，通过捕捉亮度变化成像，因此对运动物体捕捉效果非常好，并且不受曝光时间限制，成像速度非常快。普通相机在高速运动状态下会出现运动模糊，而事件相机则很好的解决了这个问题。目前事件相机的主要限制是像素大小和图像分辨率，例如DAVIS240型号的事件相机像素大小只有18.5x18.5µm，分辨率为240x180。如图2.8所示，分别是普通相机和事件相机拍摄到晚上有行人在汽车前奔跑的画面，可以看到普通相机出现了明显的曝光不足和运动模糊，而事件相机则很清晰。