自21世纪初激光雷达在DARPA无人车大赛上首次亮相以来，在过去十余年的自动驾驶行业发展浪潮中，被主流认可的激光雷达形态长期属于机械式激光雷达。然而在2020年初的CES展会上，Livox面向混合固态时代打造的浩界系列首款激光雷达Horizon横空出世，其7000元级的售价除了给市场提供一剂“激光雷达用得起、买得到”的强心针以外，也给自动驾驶感知算法领域带来了一个新事物：基于旋转棱镜扫描模式下的非重复点云形态。
Livox 浩界系列的半固态旋转棱镜式扫描方案
从原理上讲，非重复扫描的点云效果是通过在激光光路上增加2-3组可旋转的棱镜，利用光的折射原理来实现控制光在现实空间中的扫描区间与位置。Livox基于对轴承电机、胶水和制造工艺等诸多环节的多年研发沉淀与创新突破，用相对较少的激光收发器件便实现了等效于传统高线束机械式雷达的性能效果。同时，通过精准控制电机转动模式，这套方案也能将点云集中分布在感知识别更关注的感兴趣扫描区域（ROI），让自动驾驶看得“更专注”。此外，基于非重复扫描的特性，随着时间的积分，激光雷达点云分辨率也会不断提升，叠加多帧效果换取更密集的点云也正逐步成为感知算法的另一种使用趋势。
Livox HAP点云仿真效果图
然而，即便拥有超高性价比的浩界系列自诞生之初便获得业界高度关注，但在过去两年多的时间里，我们也从部分算法感知用户身上了解到其对于使用非重复扫描激光雷达的顾虑：
非重复扫描点云到底能不能用？到底好不好用？
在浩界系列第二代产品HAP刚发布不久，我们也带着这个问题联系了几位在过去两年深度使用Livox激光雷达的自动驾驶算法工程师，希望来自真正用户的评价能够给业界不一样的评价角度与视野。
01.
"向上无限，向下兜底"
受访者：Mark
职业：SLAM算法工程师
从业经验：三年
Mark在之前工作中接触的是机械式激光雷达，主要研究课题是SLAM相关算法。两年前团队刚好采购了Horizon激光雷达，全新的扫描形态激发了Mark浓厚的研究兴趣，便开始试用起来。
“由于之前习惯了规整的机械式雷达点云，一开始对于非重复扫描的Horizon其实是不太习惯的，因为我直接在原来点到线、点到面的提取算法上面试跑，发现提取出来的特征点不够规整。后来花了一两天时间简单调整了一下参数和策略，发现效果竟然比原来机械式雷达的更好。再加上非重复扫描的特性，建出来的地图比原来稠密很多“，Mark继续补充道：“随着对Livox激光雷达的研究越来越深，我愈发感觉到非重复扫描的上限其实可以很高，然而下限并不会因此变得差，更重要的其实是前期要有重新调参的心理准备，然而事实上对应的工作量比想象中要小很多”。
Mark的经历或许与多数激光雷达工程师类似。过往10年，大家都只用过机械式激光雷达，各种资料和开源算法也比较丰富。而非重复扫描作为新事物，必然要经历一个适应的过程。为此Livox在过去2年多时间也陆续开源了各种算法和工具（https://github.com/Livox-SDK），在持续完善整个生态，帮助新用户快速上手。
在2021年，对于常用的激光SLAM，我们开源了一版Lio-Livox算法，实现了高鲁棒性的激光-惯性里程计，在各类极端场景运行并能达到高精度的定位和建图效果。用户基本只需一天左右时间适配前端，便可开始进行实地测试。
Lio-Livox算法：穿越城区拥堵、跨越高速公路、4km幽暗隧道仍保持鲁棒定位
相比其他类似算法，Lio-Livox算法具有鲁棒性高、效率高、精度高、开发周期短等明显优点。随着浩界HAP陆续开始向用户发货，Livox也已在去年开源的Lio-Livox算法中适配了最新的HAP激光雷达，方便新用户快速获取。
02.
“点云够密，非重复不是问题”
受访者: York
职业：感知算法工程师
从业经验：四年
York在接触Livox激光雷达之前一直在用的是64线机械式激光雷达，主要研究方向是用深度学习算法做高速物体检测和分类。
“可能跟其他算法工程师不同，当第一次看到Livox激光雷达点云时，我就觉得应该能搞定。当时我们团队想的不仅仅是激光雷达足够便宜的问题，对于我而言只要点云密度是足够的，就肯定有搞头”。在York看来，基于深度学习的目标检测主要看数据和网络算法，神经网络本身学习能力强，重复或非重复的点云信息都能学习，“剩下的主要就看数据的积累了"。York为此尝试过用64线机械式训练出来的模型直接套用在浩界Horizon上，发现立即可以有效检出场景中的车辆、行人等目标物。出于好奇，York还试过把Horizon训练出来的模型，直接套用在扫描路径更加“弯曲”的Livox另一款激光雷达Tele-15上，结果近300米远的车辆目标也能准确、稳定识别出来。York也提到，“后来把这个成果也在团队内部进行了分享，大家一致认为点云的Pattern只是算法考虑的一个小因子，只要点频或者点云密度本身达到一个基本阈值，感知算法都是可以接受的”。
Horizon直接套用64线机械式雷达所训练的算法模型时的效果
而对于另一项非重复扫描模式可能带来的挑战，是物体会产生拖影。当问到如何看待拖影问题时，York回答道“这个问题我们是很辩证去看待的。在点云目标检测领域 ，业界基于机械式32线的nuScenes数据集和基于64线的waymo数据集在进行开发时，有个常用做法是通过叠加数帧的点云来提升算法精度，这样操作的利弊权衡是当点云变密的同时，动态物体会出现相对较长的拖影，这本身是一种业界常见操作。此外动态物体的残影会显著区别于静态背景，这反而能辅助识别出动静态物体，便于判断预测物体当时的运动状态。”
上述叠加数帧点云的做法，其实就是Livox 非重复扫描模式里的积分概念，以获得更细节更清晰的空间环境感知信息。
“我们通过对HAP进行实测，发现对于高速运动的场景，本体去完Ego-motion后, HAP在识别物体时的拖影可能会造成不到2m的残影；而在低速场景中，残影不到0.5m, 其实这点距离对于整个系统的决策判断并不会造成重大影响”，York进一步分享到。
HAP 高速/低速场景拖影情况
从另外一个方面来看，小鹏城市NGP、加强版ACC/LCC-L等功能的已逐渐成熟甚至公开发布，某种程度上也说明非重复扫描激光雷达并非不是自动驾驶感知算法的“拦路虎”。为方便HAP用户更快上手，Livox正式推出了适配HAP的检测分类算法 Livox_Detection V2，同时这套算法同样也兼容Livox全系列其他产品，并已在Github上开源。
基于 HAP 激光雷达的SLAM与目标检测开源算法效果展示
对于其他常见的SECOND, Pointpillars, SA-SSD等开源3D目标感知算法，用户也可直接迁移到 HAP采集到的数据集中进行训练，检测效果趋于一致。甚至因为HAP的泛化性能良好，浩界Horizon的老用户也可将以前Horizon采集到的数据直接进行迁移。任何技术的变革通常会带来用户使用习惯的改变。在激光雷达未来演进的道路上，又或许还会出现其他全新的点云形态。但Livox坚信，基于算法开源的生态可以让技术普及阶段的用户习惯切换变得低成本、低痛感。我们不仅要通过产品设计与供应链优势让用户买得到、买得起激光雷达，更会发力丰富算法生态让用户上手快、用得好。Livox也同样祝愿在泛空间智能感知的诸多领域出现越来越多像Mark和York这样的工程师，共同推动高性价比混合固态激光雷达在更多市场领域得到应用。
点击【开源算法】可跳转至Livox官方Github页面了解、下载最新Livox开源算法。
| 
Posted on 2022-8-9 11:52:37
Posted on 2022-8-12 06:32:18