1.5.1　激光雷達在感知功能中的應用

在感知系統中，激光雷達通常可用于圖1-7中的各功能模塊，實現對道路、障礙物、目標和可行駛區域的識別、判斷。

圖1-7　激光感知系統流程示例

由于車輛是行駛在道路上的，這就需要我們從點云中識別出地面點云和非地面點云，其中地面點云用于后續可行駛區域的確定，而非地面點云則用于進行障礙物聚類、分割。圖1-8示例性地展示了我們在某園區場景進行地面點云分割和障礙物聚類劃分的效果。

圖1-8　地面檢測和聚類分割效果展示

得益于當今深度學習技術的發展，我們可使用深度神經網絡提取3D激光點云中的結構、輪廓、強度等特征信息，進行端到端的目標檢測，得到目標的位置、尺寸、朝向等信息。圖1-9示例性地給出了我們在KITTI數據集和Waymo數據集中進行3D目標檢測的效果。

圖1-9　基于3D激光點云的目標檢測示例

需要指出的是，在工程應用中，3D目標檢測模塊通常用于對特定的幾個常見類別的目標進行識別，如車輛、行人、騎行者等，而石墩、錐桶等小障礙物則可通過聚類功能實現。這一方面是為了降低工程標注成本，另一方面是為了降低系統對深度神經網絡的檢測難度要求。此外，聚類功能和3D目標檢測功能的結合可以進一步提升感知算法的魯棒性，降低智能車在行駛中遇到奇異物體（如側翻的車輛、其他車輛掉落的貨物等）時，單一目標檢測模塊發生漏檢對后續功能的影響。

考慮在駕駛場景中，目標車輛可能被周圍物體遮擋，以及激光點云中有噪聲存在，單獨基于一幀點云進行目標檢測往往難以獲取目標的準確信息。因此，我們需要結合多幀的目標檢測信息，得到目標信息的最優估計。此外，系統希望能夠對檢測到的行人、汽車等多個目標賦予不同的ID以進行目標管理，并進行目標的速度估計，用于后續軌跡預測等功能。上述過程便是由多目標跟蹤模塊完成的。圖1-10展示了在高速場景下基于某3幀連續點云進行目標跟蹤后輸出的ID分配結果。

在駕駛過程中，感知系統通常還需要獲取道路邊界和車道線信息，這就需要對應的路沿檢測和車道線檢測模塊。而早期業界使用激光雷達進行路沿檢測和車道線檢測的公開研究相對較少，這主要是由于之前智能駕駛公開數據集中使用的激光雷達線數較少，其點云數據比較稀疏，故往往無法有效探測到中、遠處的車道線和路沿。然而，隨著近兩年激光雷達硬件技術的不斷提升，120線束以上激光雷達的不斷普及，目前車載激光雷達能夠探測到較遠處的路沿和車道線。再加上激光點云能夠提供較準確的車道線（路沿）的3D位置，以及激光雷達在夜間場景中的優勢，越來越多的學者開始投身到基于激光點云進行路沿檢測和車道線檢測的研究中。圖1-11和圖1-12分別展示了基于3D激光點云進行路沿檢測和車道線檢測的效果。

圖1-10　基于某連續3幀點云進行多目標跟蹤的示例

圖1-11　基于3D激光點云的路沿檢測效果圖

在獲取了道路邊界、車道線、障礙物和目標等信息后，即可計算出車輛的可行駛區域，供后續規控功能使用。圖1-13示意性地給出了使用速騰真值系統RS-Reference輸出的可行駛區域。

此外，一些學者嘗試在激光點云中使用基于語義分割[4]、實例分割[5] 或全景分割[6]的技術路線來實現激光感知各模塊的功能，系統流程大致如圖1-14所示。通過語義分割模型，我們可以將原始3D激光點云分為前景點云和背景點云，如圖1-15所示。一方面，前景點云通常包含與我們所關注目標（如車輛、行人、騎行者）對應的激光點云，并可基于聚類算法或實例/全景分割模型對前景點云進一步劃分，進而結合L-Shape Fitting算法[7]得到每個目標的尺寸、朝向。隨后，我們便可進行各目標的跟蹤，實現目標管理、速度估計等功能。另一方面，在背景點云中，我們可以進行車道線、路沿和可行駛區域的分割計算。目前，智能駕駛領域應用比較廣泛的分割網絡數據集為SemanticKITTI，但是由于語義分割網絡通常需要逐點地標注信息，因此在工業應用中，基于純語義分割方案的感知系統的商用推廣難度相對較大。

圖1-12　基于3D激光點云的車道線檢測效果圖

（注：圖片來源于本章參考文獻[3]）

圖1-13　可行駛區域檢測示例

圖1-14　以點云語義/實例分割為主的感知方案流程示意圖

圖1-15　激光點云語義分割效果示例

（注：圖片來源于本章參考文獻[4]）