“感知世界”的激光雷达

目前大家经常谈论的激光雷达（Lidar），其实是“光学雷达”，从其英文“Light Detection and Ranging”缩写而来，是一种光学遥感技术，通过向目标照射一束光，通常是一束脉冲激光，来测量目标的距离等参数。

等等，那雷达（Radar）又是啥？很简单，看大名：Radar的全称是Radio Detection and Ranging，无线电的探测和测量。其实这两者工作原理相似，区别在于发射信号不同，Lidar采用的是脉冲激光，而Radar采用的是无线电波，这在自动驾驶行业讨论很多。

现有技术中，配备在自动驾驶车上的主流传感器是视频摄像头、毫米波雷达和激光雷达（Lidar），以进行事件感知与物体检测。总的来说，Lidar比Radar更有优势，但也各有适用场景。Lidar具有优异的方位分辨率，能够精确地检测到与周围障碍物的距离和位置关系，并能实时检测到具有低无线电波反射率的物体 (标志，树木等)；Radar的无线电波比Lidar的激光波长，其返回的物体图像不如Lidar精确，但它覆盖远距离、具有强穿透性，可在雨，雪，尘土等恶劣环境中返回信息，在夜间和阴天比Lidar更准确。

最近在中国找到“twin brother”的特斯拉BOSS马斯克曾声称，只有特斯拉的车不需要激光雷达(Lidar)，只用摄像头和雷达(Radar)传感器，就能做到像人眼一样观察四周路况。（Really？）

好，扯远了，我们回头来谈激光雷达。

通过它的释义、以及和Radar对比，大家能够大体了解激光雷达的工作原理，通过测量发送和接受到的脉冲信号的时间间隔来计算物体的距离。

LiDAR 有多种测量距离的原理，例如 ToF（飞行时间）或三角测量。| rnjena

激光雷达起源于1960年代初，在激光技术发明后不久，人们发现，激光器发射出的脉冲激光，打到物体上引起散射，一部分光波会反射到激光雷达的接收器上，根据激光测距原理计算，就得到从激光雷达到目标点的距离，进而获取物体空间信息。

它的早期应用来自气象学，美国国家大气研究中心(NCAR)用它来测量云；1968年，美国 Syracuse 大学的 Hickman 和 Hogg 建造了世界上第一个激光海水深度测量系统；1971年阿波罗15号任务期间，当太空人使用激光高度计绘制月球表面时，人们意识到激光雷达的准确性和实用性，从此便一发不可收拾。

为了适应不同场景的应用需求，人们研发了搭载于不同平台的激光雷达, 依据平台类型，可分为星载激光雷达(Spaceborne Lidar)、机载激光雷达(Airborne Laser Scanner, ALS)、无人机激光雷达(Drone Laser Scanner, DLS)、车载激光雷达(Vehicle-mounted Laser Scanner, VLS)和地基激光雷达 (Terrestrial Laser Scanner, TLS)；

在消费电子、无人驾驶、机器人、车联网等移动领域，雷达激光通常以硬件技术与实现原理分类，可分为机械式激光雷达、纯固态式激光雷达、半固态激光雷达。其中，半固态雷达以转镜式、旋镜式、振镜式三类为代表；固态激光雷达主要有MEMS、光学相控阵OPA、Flash三大技术方向。

车载激光雷达“与众不同的视野” | 网络

今天，Lidar已经成为一种集激光、全球定位系统(GNSS)和惯性导航系统(INS)三种技术于一身的系统，通过这三种技术的结合，不仅可以主动、实时感知环境，物体动态空间位置关系；也可在一致绝对测量点位的情况下，生成精确的三维空间模型，应用于地表遥感，例如地面高程和地貌、林业调查等数据获取，以及自动驾驶和高精度地图制作。

机载雷达激光工作原理 | 网络

但要了解激光雷达如何成为一边“感知世界”、一边“孪生世界”的高手，要从其获取的“点云数据”说起。

“孪生世界”的激光雷达

激光雷达点云数据，非常直白，就是“点构成的云”。前面我们提到，激光雷达主动发射激光束，通过测量光线打到物体或表面再反射回来所需要的时间，来计算激光雷达到目标点的距离，这个行为快速重复过程中会获取数百万个数据点，仪器会构建出其正在测量的空间表面的复杂“地图”，称为“点云”。在经过联合解算、偏差校正等预处理、聚类、提取组织后，可构建人类视觉易于分辨的数字三维空间，类似于“聚沙成塔”的效果。

雷达激光获取空间数据原理图 | 维基百科

通过三维预览软件浏览激光雷达点云数据 | 陈洪斌

虽然点云数据成果绚烂夺目，通过渲染可构建精准逼真的三维空间，就像我们说的“数字孪生”、“元宇宙”的效果，但相对栅格地图、实景影像等，它能够与机器快速计算交互（不是给你看的），例如高精度地图（HDmap）。

易图通高精度地图产品

使其别具一格的秘密，就在于其密集的“点”。

正是因为点云是仪器收到光束对物体的反馈数值，所以其每个点都包含了三维坐标数值，也是我们常说的x、y、z三个元素，有时还包含颜色信息、反射强度信息、回波次数信息等。“两点成线，三点成面，四点成体”，透过这些点，不仅可以精准定位到地表空间上某个点，还能计算其之间的长度、面积、体积、角度等信息，构成了测绘要素，且在大比例尺缩放情况下，空间中的每个点可保持准确的相对空间位置关系，所以，基于三维点云的建模与空间分析等可快速实现。

点云信息查询 | 陈洪斌

这些特性，构成了激光雷达“地表最强”的应用优势。

激光雷达，“元宇宙”核心？

遥感影像+激光雷达

构建自然资源“数字孪生时空”

要掌握自然资源“山水林田湖草”变化情况，卫星遥感能够提供大范围的动态监测数据来源，通过各类地物元素的监测图斑，发现土地利用变化情况；激光雷达与遥感影像配合，应用于自然资源调查，可构建高精度、多维度的自然资源“数字孪生时空”，实现对自然资源“全方位、无死角”的动态监测，这来源于其穿透能力。

雷达激光能够穿透薄的云雾，获取目标信息，其激光脚点直径较小，且具有多次回波特性，能够穿透树木枝叶间的空隙，得到地面、树枝、树冠等多个高程数据；穿透水体，获得海河底层地形，精确探测真实地形地面的信息，可用于地形地貌调查、森林调查、河流河床高程、矿山研究、丘陵密度与海底研究（测深）等多个自然资源领域。

美国雪松湖地区遥感影像与激光雷达数据对比，激光雷达数据揭示了植被下的几种滑坡特征。|  WASHINGTON STATE LIDAR PLAN

所以，激光雷达支持构建自然资源的基础空间框架。在上一期的数字地形DEM文章中就提到，激光雷达是DEM、DSM的重要数据来源之一，三维点云数据经过去噪得到DSM数据，再经过滤波得到DEM数据，能满足生产1︰1000 比例尺产品的精度要求，处理自动化程度高，短时间和少量人工编辑就能完成。

在林业调查中，激光雷达可用于普查林木特征、监测森林生长，对森林内部信息实现精准掌握。基于森林资源基础底图，通过Lidar数据反演模型，融合遥感影像，DSM、DEM，可得到森林内部的生物量、蓄积量、冠层高度、冠层覆盖度、郁闭度/间隙率、林窗参数、树密度；甚至林区单木的种类、位置、高度；通过进一步处理，得到可视化森林微拓扑（RRIM，浮雕图像），获悉地形特征和潜在风险。大幅减少人工调查工作量，提升林业资源调查的效率和准确度，并解决人员难以到达林区的调查难题。

基于激光点云技术的森林资源动态监测 | 箩筐技术

在河流和土壤调查中，利用激光雷达穿透水体能力，获得实际的水底层数据，对于研究河海湖泊生态健康有重要作用。通过测深激光雷达进行地理定位、水折射校正、过滤去除河上物体（桥梁、船只等），测量海底和河床标高，最高可探测深达50m的浅海领域。

自动驾驶与自主移动机器人

终于讲到科技控最喜欢的话题了！应该说，雷达激光在自动驾驶、自主行动机器人领域，真正实现了一边感知世界、一边孪生世界的“高能”应用。

在自动驾驶车端，它充当“眼睛”，观察路况与周围环境，并精准判断物体与自身之间的空间距离，再通过AI算法，例如基于三维点云的目标识别、目标跟踪与语义分割，去分类和学习、理解周围的环境和动态物体，同时也提供目标物空间位置。相当于长了“一点脑子”，告诉自动驾驶汽车周围是什么（这是人，这是其他车，或什么类型的环境），并作出预测输出（可做什么决策）。

3D点云的目标识别 | 易图通

要让汽车逐步脱离人类自动驾驶（L3-L5级别），高精度地图也是少不了的，而构建高精度地图的主要“原料”，就是雷达激光点云数据。专业采集车会预载如激光雷达、摄像头、惯性测量单元（IMU）和定位设备等多种传感器，支持采集高达厘米级精度的空间数据，如高精度地图(HDmap)，其基础成品质量很大程度也取决于配备的激光雷达产品的数据获取能力，一台专业高精度地图采集车常高达600-1000万级。

易图通高精度地图专业采集车 

采集车获取到的原始点云数据，需要经过降噪预处理、点云数据分类（交通标志、路牙、路面对象等）、数据自动提取（道路标线、路沿、路牌、交通标志等道路元素识别）、数据融合叠加（不同传感器的采集数据进行配准集成）等专业处理和智能提取等过程，通过人工校对和验证，形成高精度地图服务的基础数据，分发同步给车端读取应用，相当于一个人具有最丰富与精确的道路空间与规则记忆，同时也能在行驶中精确定位其所在的位置，从而指导车辆采取明智的驾驶决策，例如提前换道为下匝道做准备，夜间阴天行车也能准确行驶。

易图通高度自动化的高精度地图生产平台

那么，自主行动机器人与激光雷达又是怎么一回事呢？

这涉及到一个重要的深度学习概念——同步定位与建图（SLAM）。就拿波士顿动力狗来说，它能代替人类去切尔诺贝利监测核辐射量，下到最深的矿井采集数据，在崎岖高低的工程现场扫描建模工程进度，当它们在探索行进时，可以通过摄像头和专业空间感知手段，例如雷达激光，一边移动，一边构建一幅相应的数字空间地图，这种如同人类的在陌生环境中的记忆行为模式，就是SLAM，通过这种模式，机器人可自主行动并运用激光雷达扫描获取详细的空间数据。

波士顿动力狗利用雷达激光扫描，在工程建筑建模方面的应用 | Boston Dynamic

可以看到，在这个领域，激光雷达技术同时充当了自动驾驶车辆和机器人感知世界的“眼睛”，获取的点云数据又成为其认知世界的“记忆”，通过不断输入与输出的循环上升，形成了机器自动行动的决策依据与智能学习闭环，但同时，它们也在参与构建更为广阔数字空间的任务——数字孪生城市。

测绘地图与“数字孪生”城市

激光雷达与遥感影像、GIS、BIM一同，为构建数字孪生城市提供真实空间框架与基础。前面我们提到，激光雷达可探测绘制多层次的地理空间高低起伏（DSM、DEM），它也是基础地理信息产品DOM（数字正射影像图）、DRG（数字栅格地图）、DLG（数字线划地图）的重要数据来源，可快速生产大比例尺（1∶500至1∶2000）DLG产品。

在构建大规模3D场景中，如行业级、城市级的物理空间数字映射，与其他空间数据获取技术相比，雷达激光点云数据精度高、支持机器分析交互、更新快，通过和多类型数据获取手段联合航测，如航测、倾斜摄影；以及多源二三维空间数据配准、融合，如BIM、GIS等，可渲染构建高仿真、可交互、可分析的“数字孪生”真三维空间，支持建设虚实映射、智能交互的智慧行业、智慧城市管理应用平台，例如智慧高速、智慧交通管理。

徕卡CityMapper，由一个多光谱相机 (RGB + NIR)、四个倾斜相机和一个激光雷达单元组成，可同时获取图像和激光雷达点云，左图为部分渲染的伦敦圣保罗大教堂3D网格模型。| Mathias Lemmens

激光雷达技术是构建数字孪生城市重要手段之一。

激光雷达数据处理关键技术与发展趋势

虽然在行业应用中，雷达激光和点云展现了足够的优势，但在数据的共性应用软件方面，如数据管理、共享、分析与应用中，还有诸多困难需要克服，综合主流技术观点，雷达激光数据处理需要解决的关键问题有：

- END -