光学雷达在无人驾驶技术中的应用

计算性能挑战：计算量大

从表1可以看到，即使是16线的LiDAR每秒钟要处理的点也达到了30万。要保证无人车定位算法和障碍物检测算法的实时性，如此大量的数据处理是面临的一大挑战。例如，之前所说的LiDAR给出的原始数据只是反射物体的距离信息，需要对所有产生的点进行几何变换，将其转化为位置坐标，这其中至少涉及4次浮点运算和3次三角函数运算，而且点云在后期的处理中还有大量坐标系转换等更复杂的运算，这些都对计算资源 (CPU、GPU、FPGA) 提出了很大的需求。

型号Channel 数量每秒产生点数

Velodyne HDL-64E64 Channels2,200,000

Velodyne HDL-32E32 Channels700,000

Velodyne VLP-1616 Channels300,000

成本挑战：造价昂贵

LiDAR的造价也是要考虑的重要因素之一。上面提到的Velodyne VLP-16 LiDAR官网报价为税前7999美元，而Velodyne HDL-64E LiDAR预售价在10万美元以上。这样的成本要加在本来就没有很高利润的汽车价格中，无疑会大大阻碍无人车的商业化。

展望未来

尽管无人驾驶技术渐趋成熟，但LiDAR始终是一个绕不过去的坎。纯视觉与GPS/IMU的定位以及避障方案虽然价格低，却还不成熟，很难应用到室外场景中;但同时LiDAR价格高居不下，消费者很难承受动辄几十万美元定价的无人车。因此，当务之急就是快速把系统成本特别是LiDAR的成本大幅降低。其中一个较有希望的方法是使用较低价的LiDAR，虽然会损失一些精确度，但可以使用其它的低价传感器与LiDAR做信息混合，较精准地推算出车辆的位置。换言之，就是通过更好的算法去弥补硬件传感器的不足，我们相信这是无人车近期的发展方向。而高精度LiDAR的价格由于市场需求大增也将会在未来的一两年内出现降幅，为无人车的进一步普及铺路。

作者简介

刘博聪，百度公司美国研发中心架构师，目前主要负责百度无人车系统架构。卡内基梅隆大学电子与计算机工程硕士，研究方向包括嵌入式系统，机器学习算法研究。曾在Qualcomm从事手机芯片和车载芯片的工作。

刘少山，PerceptIn公司联合创始人。加州大学欧文分校计算机博士，研究方向包括智能感知计算、系统软件、体系结构与异构计算(FPGA、GPU)。现在PerceptIn主要专注于增强现实、虚拟现实、机器人的核心SLAM技术及其在智能硬件上的实现与优化。创立PerceptIn之前在百度美国研发中心工作。

James Peng，百度公司首席架构师。清华大学本科，纽约州立大学硕士，斯坦福大学博士，云计算平台，深度学习，数据建模，大规模数据库等。曾在谷歌工作多年，参与和负责完成多个项目。