光学雷达在无人驾驶技术中的应用

上文提到过，LiDAR会在车辆行驶的过程中不断收集点云来了解周围的环境。我们可以很自然想到利用这些环境信息来定位。这里我们可以把这个问题用一个简化的概率问题来表示：已知t0时刻的GPS信息，t0时刻的点云信息，以及t1时刻无人车可能所在的三个位置：P1、P2和P3(这里为了简化问题，假设无人车会在这三个位置中的某一个)。求t1时刻车在这三点的概率。根据贝叶斯法则，无人车的定位问题可以简化为如下概率公式：

右侧第一项表示给定当前位置，观测到点云信息的概率分布。其计算方式一般分局部估计和全局估计两种。局部估计较简单的做法就是通过当前时刻点云和上一时刻点云的匹配，借助几何推导，可以估计出无人车在当前位置的可能性。全局估计就是利用当前时刻的点云和上面提到过的高清地图做匹配，可以得到当前车相对地图上某一位置的可能性。在实际中一般会两种定位方法结合使用。右侧第二项表示对当前位置预测的概率分布，这里可以简单的用GPS给出的位置信息作为预测。通过计算P1、P2和P3这三个点的后验概率，就可以估算出无人车在哪一个位置的可能性最高。通过对两个概率分布的相乘，可以很大程度上提高无人车定位的准确度，如图3所示。

图3.基于点云的定位

障碍物检测

众所周知，在机器视觉中一个比较难解决的问题就是判断物体的远近，基于单一摄像头所抓取的2D图像无法得到准确的距离信息。而基于多摄像头生成深度图的方法又需要很大的计算量，不能很好地满足无人车在实时性上的要求。另一个棘手的问题就是光学摄像头受光照条件的影响巨大，物体的识别准确度很不稳定。图4展示了光线不好的情况下图像特征匹配的问题：由于相机曝光不充分，左侧图中的特征点在右侧图中没有匹配成功。图5左侧展示了2D物体特征匹配成功的例子：啤酒瓶的模板可以在2D图像中成功识别。但是如果将镜头拉远，如图5右所示，我们只能识别出右侧的啤酒瓶只是附着在另一个3D物体的表面而已。2D物体由于维度缺失的问题很难在这个情境下做出正确的识别。

图4.暗光条件下图像特征匹配的挑战

图5.2D图像识别的问题