LiDAR反射黑板诚信企业「多图」

LiDAR反射黑板—————广州航鑫光电科技有限公司，是一家专门做激光雷达标定板、反射板的公司

激光雷达与摄像头的融合

激光雷达与摄像头融合，其实相当于是激光雷达发挥激光雷达的优势，摄像头发挥摄像头的优势，他们在某些地方是做得不够好，需要两个传感器甚至多个传感器信息进行底层的融合。

在融合的时候，首先步，标定。比如说左上角（上图），我看到凳子，左下角激光雷达也看到的是凳子，那么我通过标定的方式告诉它，其实两个是同一个物体。

其实摄像头发现同一个物体是非常容易的，比如做人的跟踪或车的跟踪。对于激光雷达而言， 要去识别前后帧是否同一辆车和同一个行人是非常困难的。

激光雷达有一个好处：如果可以通过摄像头告诉它前后两帧是同一个物体，那么通过激光雷达就可以知道物体在这前后两帧间隔内：运动速度和运动位移是多少。这是非常关键的，因为只有做运动物体的跟踪才能做一些预测。

人在驾驶的过程中，他得时刻知道周围物体的运动状态。对于无人驾驶，除了对车辆进行位置的估计以及导航之外，其实还需要对周边物体、运动物体的跟踪和预测，这是非常有意义的。

欢迎咨询广州航鑫光电了解更多LiDAR反射黑板

自动驾驶感知模块中传感器融合已经成为了标配，只是这里融合的层次有不同，可以是硬件层（如禾赛，Innovusion的产品），也可以是数据层（这里的讨论范围），还可以是任务层像障碍物检测（obstacle detection），车道线检测（lane detection），分割（segmentation）和跟踪（tracking）以及车辆自身定位（localization）等。

有些传感器之间很难在底层融合，比如摄像头或者激光雷达和毫米波雷达之间，因为毫米波雷达的目标分辨率很低（无法确定目标大小和轮廓），但可以在高层上探索融合，比如目标速度估计，跟踪的轨迹等等。

这里主要介绍一下激光雷达和摄像头的数据融合，实际是激光雷达点云投影在摄像头图像平面形成的深度和图像估计的深度进行结合，理论上可以将图像估计的深度反投到3-D空间形成点云和激光雷达的点云融合，但很少人用。原因是，深度图的误差在3-D空间会放大，另外是3-D空间的点云分析手段不如图像的深度图成熟，毕竟2.5-D还是研究的历史长，比如以前的RGB-D传感器，Kinect或者RealSense。

这种融合的思路非常明确：一边儿图像传感器成本低，分辨率高（可以轻松达到2K-4K）；另一边儿激光雷达成本高，分辨率低，深度探测距离短。可是，激光雷达点云测距度非常高，测距远远大于那些Infrared/TOF depth sensor，对室外环境的抗干扰能力也强，同时图像作为被动视觉系统的主要传感器，深度估计精度差，更麻烦的是稳定性和鲁棒性差。

激光雷达分类

1 根据激光线束数量的多少进行分类

根据激光雷达线束数量的多少，激光雷达可分为单线束激光雷达和多线束激光雷达；单线束激光雷达即2D激光雷达；多线束激光雷达分为2.5D和3D激光雷达；

1）2D激光雷达

单线束激光雷达扫描一次只产生一条扫描线，其获得的数据为2D数据，只在平面上扫描，结构简单、测距速度快、系统。但二维激光雷达无法完成复杂路面地形环境，重建行驶环境时容易出现数据失真和虚报等现象。

2）2.5D激光雷达

5D激光雷达和3D激光雷达的区别在于激光雷达垂直视野的范围，前者垂直视野范围一般不超过10°，后者可达到30°甚至40°以上；

3）3D激光雷达

可以获得环境的深度信息，准确发现障碍物，构建可行驶区域，在丰富的点云数据上可获得包括车道、路沿等道路要素，还可获得非结构化道路的障碍物和可行驶区域，行驶环境中行人和车辆，交通信号灯和交通标志等其他丰富信息。