什么是激光雷达视场角

作为落地智能驾驶感知的“最后一块拼图”，激光雷达凭借远距离、全天候等性能将成为未来智能驾驶的核心传感器之一。从机载激光雷达向车载雷达跟进，激光雷达制造商需要重新设计与排布元件，达到量产装车的可能性。

我们在上一期内容为大家激光雷达的工作原理(传送门：迎来前装变革?解读激光雷达的宿命之争)。

而这一期我们将围绕激光雷达的产品特性，首先与其它传感器做类比，并结合其测距与定位应用以及当前激光雷达的车载性能表现，并最终对不同传感器之间的融合做思考，为大家较为全面介绍如何评价一款激光雷达。

一、激光雷达与其它传感器的对比思考：

上一期我们和大家聊到了激光雷达的工作原理、单线与多线激光雷达以及激光雷达的部分应用场景。

而对于激光雷达更为直观性能表现，我们可以进一步看看其与普通传感器的对比。

激光雷达、 毫米波雷达、超声波雷达都利用主动式发出波来完成对物体的监测、测距并进行数字分析，而摄像头则是基于环境感知，以此来采集数据以及记录分析环境信息等。

最近，补盲激光雷达市场热闹非凡，各家在宣传产品的视场角时竭尽全力，毫不吝啬形容词。

回归到实际需求，多大的视场角够用?超大是多大?多大算大?

今天就来盘一盘补盲激光雷达视场角(FOV， Field of View)这件事。

在谈视场角之前，先谈谈补盲激光雷达。 激光雷达是一种采用激光来进行的测距系统，用于获取数据并产生精确的数字高程模型(DEM - Digital Elevation Model)。从激光本身来看，其具有非常精确的测距能力，测距的精度可以达到厘米级。随着商用GPS和IMU(Inertial Measurement Unit，即惯性测量单元)的快速发展，通过激光雷达从移动平台上获得高精度的数据已经成为现实并被广泛应用。

激光扫描测量是通过激光扫描器和距离传感器来获取目标的表面形态。激光扫描器的组成部件通常由激光发射器、接收器、时间计数器、微计算机等部分组成。激光脉冲发生器周期的驱动激光二极管发射激光脉冲，然后由接受透镜接收目标表面反射信号，产生接收信号。内部利用稳定的石英时钟对发射和接收时间差进行计算，计算数据经过微计算机对测量资料进行内部微处理，显示或存储、输出距离和角度信息，并与距离传感器获取的数据相匹配，最后经过相应系统软件进行一系列的处理，获取目标表面的三维数据，从而进行各种量算和立体模型的建立。激光雷达通过脉冲激光不断扫描目标物，就可以获取到目标物上所有的目标点数据，使用这些数据进行图像处理之后，可以得到一个精确的三维立体模型。

补盲激光雷达，很重要

首先，补盲激光雷达到底是什么?

大多数人会从字面意义上理解，认为是对于自动驾驶车辆盲区进行覆盖的激光雷达传感器。其实，这里的“补盲”一词，并不能完全准确地描绘该类激光雷达在自动驾驶里面扮演的角色。其含义，更多的是指产品弥补了长距激光雷达覆盖不到的区域。

业内认为，补盲激光雷达主要负责的是近车身的感知空间的覆盖，为自动驾驶车辆提供更为精准的车身周围障碍物和空间感知能力。

那么，为什么需要补盲激光雷达?

中汽研去年编制的《自动驾驶汽车交通安全白皮书》中提到，人类驾驶汽车事故中追尾事故最多，占到整体的29.9%，而侧部、前部碰撞以及碰撞固定物(道路上的交通设施)也分别占整体的29%、12.9%以及12.7%;

梳理人类驾驶汽车时发生的道路交通事故特征，会发现，因车辆设计缺陷等因素形成的驾驶人视野盲区，导致车辆在转弯过程中容易发生事故。此外，无信号灯交叉口和红绿灯等处也是人类驾驶过程中的事故多发地。

此时，补盲激光雷达的侧向覆盖就显得尤为重要。

我们还可以从一些场景中感受一下。

场景一：高速公路上，遇到超宽车辆时的邻车道间距保持

在高速公路上，由于超宽车辆本身装载的货物经常超长超宽超高，很容易遮挡周围车辆驾驶员视野。此外，超宽货车也容易挤占其他车道，在与他车会车时经常发生剐蹭事故。

针对此类场景，就需要侧向激光雷达的感知能力，精准把控邻车辆间距，避免不必要的事故发生。

场景二：拥堵十字路口的拐弯，有大量VRU(弱势道路使用者，一般指行人、两轮车)的情况下

在城市道路中，转弯的时候经常会遇到人车合流的情况，需要增强车辆侧后方的感知能力，以对车身周围的物体，特别是VRU形成精准的距离感知，从而保证整个自动驾驶过程的安全与平稳。

随着今年下半年小鹏P5、极狐阿尔法S、蔚来ET7等搭载激光雷达的车型相继面世，“激光雷达”一词也频频登上热搜。这个曾被大洋彼岸的埃隆·马斯克嗤之以鼻的“傻子玩意”，俨然成为了国内造车势力眼中的“香饽饽”。

不仅如此，国内厂家对于自家的激光雷达也有着不同的定义：“首款”、“首次量产”等等前缀让消费者看得头晕眼花。想要“理性吃瓜”，这个激光雷达到底是什么?你真的知道吗?

什么是激光雷达?

在2019年马斯克曾说过“激光雷达是傻子的玩意，任何人用激光雷达都注定失败”。这个让马斯克diss的东西究竟是什么呢?

激光雷达是通过发射和接收激光，测量激光信号的时间差或相位差来感知外界障碍物的高度、角度和距离等信息，通过水平旋转扫描来测角度，并根据这两个参数建立二维的极坐标系，然后通过获取不同俯仰角度信号获得三维中的高度信息，最后通过软件绘制成机器能够识别的三维模型，类似于我们的眼睛。

其实激光雷达并不是什么新奇的装备，早在1961年，美国的休斯飞机公司就曾推出过第一个类似激光雷达的系统，该系统将激光聚焦成像后与传感器和数据采集电子设备配合，测量信号返回的时间来计算距离，并用于卫星跟踪。可以说激光雷达挺早就出现了，但是之前一直用在那些看起来“高大上”的领域，而直到汽车厂家大肆宣传自动驾驶技术时，激光雷达这个词才被引入到大众的视野中。

厘米级的3D建模

要想实现车辆的辅助驾驶或更高阶的自动驾驶，车辆必须要能感知自己所处的环境，这对于汽车行业是一个新的挑战，也是实现自动驾驶最关键的一步。

激光雷达可以以厘米级的精度对周围环境进行3D建模。不同于毫米波雷达和摄像头，激光雷达能够准确地识别出周围障碍物的具体轮廓和距离，并且不会漏判、误判前方出现的障碍物，有效探测距离也更远。

单纯的摄像头方案如果配合强大的算法，也是可以实现高阶的自动驾驶的。不过实现是一回事，好用又是另一回事。目前除了特斯拉还在坚持摄像头纯视觉方案，其他各大车企都已经开始走激光雷达和摄像头共同配合的混合路线了。集合两种传感器自身的优势和特点，可以达到“1+1>2”的效果，让车辆获得超强的感知能力。

特斯拉的纯视觉路线我是特别不看好，我们人眼拥有的超强动态调节能力和超高的分辨率比车载的摄像头高了不知道多少倍。我们大脑的处理速度和预测能力也比特斯拉目前的算法和自动驾驶芯片高效，这都不能保证开车时不出意外，所以现在我们要引入比人眼感知能力更强的激光雷达，来实现车辆对外界环境的超强感知。用超强的感知弥补车载芯片算法的不足，以求实现高阶的自动驾驶。

激光雷达的指标

如何评价激光雷达的性能强弱呢?评判一款激光雷达的重要指标有如下几项：

测量距离：激光雷达的感知范围，能探测多远，目前主流的是150m。

测距精度：激光雷达对探测距离的精确度，目前主流是厘米级的精度。

水平视场角：激光雷达的水平视野角度(AOB)，相当于我们人眼的横向视野，最高360度。

垂直视场角：激光雷达的垂直视野角度(BOC)，相当于我们人眼的竖向视野。越大越好，目前主流为30度/15度。垂直视场角和水平视场角合称为视场角度，我们经常看到的FOV，说的就是它，表示激光雷达的总视野。

测量时间和帧频率：激光雷达的激光从发射到返回的时间，相当于一个测量周期所花费的时间。时间越短对运动信息的采集就越好，高速行驶时的反应时间就越短。

纵向和水平分辨率：也叫角分辨率，相当于我们显示器的分辨率，度数越小，得到的图像就越清晰。目前主流的激光雷达一般为0.1~1度。

出点数：激光雷达每秒发射的激光点数，点数越多激光就可以越密集。目前主流激光雷达可以每秒发出几万点至几十万点激光。

线束：也叫等效点云密度，是激光雷达垂直方向上的激光的分布数量，一般为16线、32线、64线，越多越好。