2021 年第一天，小鹏汽车宣布将在今年推出搭载激光雷达的新车。

8 天后，蔚来在 NIO Day 发布智能纯电轿车 ET7，同样将搭载激光雷达。

这两家头部新造车，一个选择了大疆孵化的 Liovx。

另一个则选择了自家的蔚来资本投资的 Innovusion。

在相近的时间内，北汽 ARCFOX 也宣布将推出搭载华为激光雷达的量产车。

激光雷达在中国正式进入量产元年。

本文我们将以蔚来和小鹏两家的选择为例，解析最先量产上车的两款国产激光雷达。

蔚来的第一辆轿车，预计 2022 年底量产

蔚来ET7激光雷达部分特写

1、蔚来 x Innovusion300线激光雷达，多边形扫描器是核心

Innovusion 与已经在美国上市的 Luminar 技术路线非常相似。

两者的核心都是多边形扫描器和光纤激光源，两者的外形也颇为类似，也都是使用 1550 纳米激光。

Innovusion 创始人鲍君威，1996 年从北大的物理系毕业后，在美国明尼苏达大学读了一年的电子工程，后来又转学到加州大学伯克利分校读博士。

1998 年底还未毕业时，鲍君威与两位刚毕业的师兄一起开了个小公司，专攻半导体光学测量技术。合作的师兄一个是中国人，一个是印度人。

后来全球第三大半导体设备厂家日本东电以 1.5 亿美元买下了这个初创公司。 

2014 年鲍君威加入百度美国研发中心，负责开发大规模数据中心硬件加速及高性能网络。2015 年底加入百度自动驾驶事业部，负责车载计算系统及传感器团队。

鲍君威团队在传感器方面的一个主要任务是确定激光雷达的路线，并且促成了百度对V elodyne 的投资。

2016 年，鲍离开百度创立 Innovusion。 

要想深入了解 Innovusion，从专利入手是最可靠的。 

Innovusion 在 2018 年 6 月有一份名为：

《2D SCANNING HIGH PRECISION LiDAR USING COMBINATION OF ROTATING CONCAVE MIRROR AND BEAM STEERING DEVICES》的专利，主要描述了多边形扫描器的专利。

众多激光雷达专利中都引用了多边形扫描器的早期专利，包括：

吉利（毫无疑问吉利将来也要用激光雷达）、禾赛、Ouster、苹果、谷歌、Luminar、Aeye、富士通、Veoneer、微软、Waymo、Innoviz、高通、华为、通用汽车、三星、欧司朗、Innovusion、Velodyne 等。

这种激光雷达的扫描器主要由多边形棱镜（702）和电流扫描振镜（704）组成，706 是激光源，712 是激光反射接收光电二极管，710 是反射接收聚焦透镜。

多边形棱镜（Polygon Mirror）在激光打印机中早已大量使用，技术非常成熟。

全球激光打印机用的多边形棱镜扫描系统被日本电产公司垄断。

电产公司也是全球最顶级的精密电机厂家，电机领域技术门槛最高的硬盘电机同样由该公司垄断。

上图为多边形棱镜。

电产的电机加多边形扫描器体积很小，比一张名片还小，目前有 670 纳米、905 纳米和 1550 纳米三个类型。 

Velodyne 的准固态激光雷达 Velarray 也采用了电流扫描振镜。

振镜是一种优良的矢量扫描器件。

它是一种特殊的摆动电机，基本原理是通电线圈在磁场中产生力矩，但与旋转电机不同，其转子上通过机械纽簧或电子的方法加有复位力矩，大小与转子偏离平衡位置的角度成正比。

当线圈通以一定的电流而转子发生偏转到一定的角度时，电磁力矩与回复力矩大小相等，故不能象普通电机一样旋转，只能偏转，偏转角与电流成正比，与电流计一样，故振镜又叫电流计扫描振镜（galvanometric scanner）。

扫描振镜其专业名词叫做高速扫描振镜（galvo scanning system）。

电流振镜与多边形棱镜配合形成 3D 扫描。

这个振镜的好处是：转速越高，扫描精度越高。

一个四面多边形，仅移动八个固定激光器（相当于传统的 8 线激光雷达）的光束，以速度 5,000 rpm 扫描，垂直分辨率为 2667 条/秒，120 度水平扫描。

在 10 Hz，非隔行扫描下，检流计式垂直分辨率 267 线。

因此 Innovusion 称达到了等效 300 线的精度。

两个激光发射二极管即 706 和 708 的激光路径，接收则是 712 和 718。

中间密度高，两边低。FT1 代表一路光纤。

这种激光雷达的好处是可以控制扫描区域，提高关键区域的扫描密度。

众所周知，传统机械激光雷达是旋转垂直排布的激光阵列，实现 360 度水平扫描。典型 16 线激光雷达，配置有 30 度布置的 16 个激光器阵列，垂直分辨率为 2 度。

在图 1 中示出了 30 度扫描。

30 度垂直扫描可以检测，自动驾驶车辆前方靠近的道路上的物体，也可以检测到上下斜坡的停车场的障碍物。

固定的 2 度垂直分辨率，在 10 米的距离处提供 350 毫米的光束间距。

激光雷达光束在 50 米的距离上间距增加到 1.75 米，这样很难探测到行人或汽车。

在 100 米的距离上增加到 3.5 米，连卡车都检测不到了。

但多边形激光雷达的垂直分辨率是可以调整的，高速时加大转速，缩小垂直 FOV，提高远距离扫描密度，因此 Innovusion 敢说最远距离达 500 米。 

与 MEMS 技术比，其缺点是功耗高，有电机转动部件。

但多边形可以提供超宽 FOV，一般都可以做到水平 120 度。

MEMS 一般不超过 80 度。

再者是通光孔径大，信噪比和有效距离要远高于 MEMS。

MEMS 针对 10% 反射率的物体很难超过 80 米。

最后，价格低廉，MEMS 振镜贵的要上千美元。多边形激光扫描已经非常成熟，价格只要几十美元。

打印机领域用了几十年，几乎没有发生过多边形激光扫描器不工作的情况。

实际 MEMS 是小而易碎的机械反射镜。扫描速度是温度的函数，易被车辆运行扰乱，无法分辨它指向的位置。 

在速度上，MEMS 扫描仪是共振式运作，中心高速驱动扫描速度最快，在每次扫描结束时最慢。

这意味着扫描中心的分辨率最低，与激光雷达所需的分辨率相反。

多边形镜面通常是平坦的 λ/ 4 @ 633nm。这对于数百米的高分辨率扫描非常有用。但 MEMS 反射镜上很难找到平坦度规格。

薄而脆弱的 MEMS 镜面平坦度被描述为薯片！

这限制了 MEMS 扫描范围非常短。

MEMS 反射镜悬浮在非常细的扭杆之间，这些扭杆在其寿命结束时会突然断裂。

因此，称 MEMS 扫描仪是固态的说法是错误的。

Innovusion 的光纤放大器部分，WDM 即波分复用技术，是将多个不同波长（或频率）的调制光信号（携带有用信息，如编码）在发送端经复用器（也叫合波器Mux）合路到一起送入光纤传输链路的同一根光纤中进行传输，在接收端用解复用器（也叫分波器 demux）将不同波长信号分开接收的技术，然后再解码。

上图是整个激光雷达的框架图

这样可以保证和其他车辆上的激光雷达不互相影响。

Innovusion 的光纤放大器，能够大幅度提高激光功率，意味着系统有更高信噪比，但体积和成本也会增加。 

高功率激光源需要考虑人眼安全，因此只能选择 1550 纳米激光，它比传统的 905 纳米激光安全 10 万倍，缺点是价格贵，同时容易受阳光干扰。 

不过也有人认为 1550 纳米激光只是理论上对视网膜安全，对整个眼球未必安全。

但 905 纳米在视网膜安全上肯定不如 1550 纳米。

此外，最成熟的光纤放大器即参杂铒的放大器最适合的激光波段就是 1550 纳米。

2、小鹏 x Livox，双楔形棱镜扫描器，军用技术降维民用

Livox 提供给小鹏汽车的是基于浩界 Horizon 定制产品 Horiz。

Horiz 相当于 Horizon 的车规版。 

其中，车规版探测距离将由 90 米提升至 150 米（针对 10% 反射率目标物）。

Horiz 的点云密度也提升近 2 倍。

其中 ROI（Region of Interest感兴趣区域）区域的点云密度将在没有增加额外激光发射器成本的情况下，提升至积分时间 0.1 秒下的等效 144 线水平。 

更密的点云输出可以更快检测出远处路面如行人、自行车、雪糕桶等细小目标物体。

在视场角方面，Horiz 的横向 FOV 也由公开测试版的 81° 提升至 120°。

这种激光雷达核心是双楔形棱镜扫描器，即 Risley prism universal pointing system  (RPUPS) 在军事侦察上比较常见。

国防科技大学和西安光学研究所对这种扫描方式研究颇为深刻，再有就是香港大学机械工程学院。 

这是一种直升机或无人机常用的激光雷达，比如用于扫描建筑物构建建筑物 3D 模型，为进入建筑物战斗提供参考，特别适应沙漠风沙大的地区，美军称之为 DVE。

美军直升机和无人机使用 Neptec OPAL Double Risley Pairs (DRP) ，是美军 DVE（不良视觉环境）系统中的核心传感器，可以穿透烟雾、灰尘、大雾、雨雪。有效距离可达 1 公里。 

美军用 OPAL-DRP 激光雷达

根据华为激光雷达的描述，旋转扫描棱镜也是华为激光雷达的核心，我们猜测其很可能也使用了此项技术。

国外则有老牌激光雷达 Neptec 也有此类产品，不过大多用于军事领域，而非车载领域。  

Risley 棱镜系统根据折射定律通过两棱镜的绕轴独立旋转来实现出射光束的指向调整，有着结构紧凑、准确性高、速度快、偏转角度大、动态性能好等优点。

棱镜也可以是多组，再加一组或一个就可以拓宽 FOV。

双楔形棱镜激光雷达示意图如上，红框部分是轴向旋转部分。

有些设计复杂的，每个棱镜都有一个电机带动旋转，那样可以更精确控制光束的扫描动作。

使用两个棱镜，让光线从不同的方向发射，也因为这个设计，棱镜雷达不像传统旋转激光雷达一样让收发模块在进行转动，从而避免了类似传统旋转激光雷达的多次校准。

传统激光雷达在制造过程中最耗时的流程就是最后的校准，通常是人工进行。

早期 Velodyne 的 64 线激光雷达之所以价格高昂，就是一台激光雷达需要一个熟练工一星期的人工校准。

后来则出现阵列式，如 Waymo 以 16 线为一组固定成弧形，校准效率大幅度提高。

如图所示，当光线穿过一个棱镜时，会发生折射，从而光线方向会发生变化，其中的「Vector」表示棱镜使光线发生偏折方向。

图 (b) 和图 (c) 表示了棱镜激光雷达扫描模块的工作情况。

第一个棱镜使光线偏折「Vector 1」，第二个棱镜使光线偏折「Vector 2」，最终合成的向量则是光线最终发射的方向。

而这里的棱镜是固定在电机上面的，随着电机转速的不同，会扫描出各种各样的图案。

左边的电机是每分钟 7294 转，右边是每分钟 6664 转。

Livox 的是 10Hz，也就是大约每分钟 600 转。

转速太高可能导致可靠性下降。 

除了扫描器，其他部分与传统机械激光雷达基本没有差别。

PLD 是激光二极管，Livox 采用传统 905 纳米激光二极管，APD 是接收用的雪崩二极管。

如果需要多线扫描，增加 PLD 和 APD 阵列即可。

大疆还特别开发了 PLD 和 APD 阵列的封装工艺，传统的 EEL 型激光二极管和 APD 二极管做成阵列是比较困难的，解决办法就是单独给阵列加上小型光学透镜，形成阵列的效果。

这也是大疆的一项专利。

通常双楔形棱镜激光雷达都是单线，就是因为阵列比较难做。

这一点上，SPAD 和 VCSEL 就非常容易做成阵列。

这也是为什么我坚持看好用 SPAD 和 VCSEL 的 Flash 激光雷达是激光雷达的终极形态。

Horizon 等效于 64 线 Horizon 等效于 64 线

这类激光雷达扫描出的点云是花瓣型的，中央密度高，外围密度低。

它的特性与我们的眼睛类似，越靠中央的信息密度就越高。

这种方式的好处就是保持了中央附近的高密度，同时不增加成本。

比如等效 64 线，一般只需要 16 个发射与接收单元，而机械激光雷达上则需要 64 个，成本大幅度降低了。

这是借用了视觉摄像头领域的 ROI 概念，即 Region of interest，感兴趣区。

即在 ROI 内也就是中心区，即便整个系统以 10 赫兹的帧率在运行，ROI 区域也将获得 20 赫兹的更即时的点云数据。 

这是典型的非重复扫描，扫描的时间越长，点云密度就会越高，而传统的机械激光雷达无论任何时刻点云密度都是一样的。 

在应用时，由于灰尘、雨雪、大雾这些外部环境因素时刻在发生变化，采用累积扫描，这种激光雷达可以穿透灰尘、雨雪、大雾，不受天气影响。

这种激光雷达的缺点是缺乏实时性，扫描时间越长效果越好。

另外就是点云数据离散度高，非结构性数据。

这就意味着无法压缩数据，只能以原始数据处理，对数据运算系统要求比较高。

GPU 和 AI 加速器都无法使用，对 CPU 要求比较高。

传统的激光雷达算法，特别是基于圆柱坐标系的 Voxel 和栅格法都无法使用，需要单独开发算法。

这一切都决定高速公路工况下是难以使用的，但小鹏目前主打的就是高速公路下的自动驾驶。

非结构型数据

个人推测，这个激光雷达主要是用来做 SLAM 定位的，其次才是探测障碍物。

探测障碍物的主要工作还是视觉负责。

SLAM 定位不需要数据结构化，或者说对数据结构化需求度低。

如果体验过自动驾驶的用户就知道，在高速工况下精准的车道级定位是最大难点，基于多星联合的算法是目前最常见、成本最低的方式，车道级定位准确的概率只有 50%。

除了日本的 QZSS 和基于激光雷达与高精度地图手段，其他任何方式都做不到准确度达到 95% 的车道级定位。

基于激光雷达的 LOAM 算法，是最常见的 SLAM 算法。

LOAM 是 Ji Zhang 于 2014 年提出的使用激光雷达完成定位与三维建图的算法，即 Lidar Odometry and Mapping。

算法在当时达到了最先进的效果，算法过程简单并且效率很高。

到现在为止，LOAM 和 V-LOAM 也还是在 KITTI 排行榜上位居榜首的建图算法。

其方法建图较为稀疏，主要通过提取特征边缘和特征平面进行匹配进行。

LOAM 主要包含两个模块：

• 一个是 Lidar Odometry，即使用激光雷达做里程计计算两次扫描之间的位姿变换；

• 另一个是 Lidar Mapping，利用多次扫描的结果构建地图，细化位姿轨迹。 

由于 Mapping 部分计算量较大，所以计算频率较低（1Hz），由 Mapping 校准细化 Odometry 过程中计算出来的轨迹。 

Lidar Odometry 是通过激光雷达的两次扫描匹配，计算这两次扫描之间激光雷达的位姿变换，从而用作里程计 Odometry。

既然提到了两次扫描的匹配，自然而然想到了经典的 ICP 算法。

然而 LOAM 并没有采用全部的激光点进行匹配，而是筛选出了两类特征点，分别是角点和平面点。 

所谓角点，是当前激光扫描线束上曲率较大的点；而平面点，即曲率较小的点。

在匹配时，首先提取当前扫描中的角点和平面点。

对于角点，可以认为是物理世界中直线元素的采样，所以计算到上一次扫描中对应直线的距离。

对于平面点，认为是物理世界平面元素的采样，所以计算到上一次扫描中对应平面的距离。

通过不断优化，使距离最小，从而得到最优的位姿变换参数。

这种算法的另一个好处是对 IMU 要求不高，通常 SLAM 都需要 IMU 辅助。

所谓「辅助」就是在激光雷达两次扫描之间，利用 IMU 得到较为准确的变化轨迹，从而去除点云畸变，能够提升精度。 

但 IMU 的数据并没有参与到优化当中，所以 IMU 在 LOAM 算法中只起到了辅助作用，精度要求可以低一些。

而后续一些其他 3D 激光雷达算法，例如 LINS、Lio-mapping 和 LIO-SAM 等，利用 IMU 进行了紧耦合的优化，取得了更好的效果，但对 IMU 要求较高，可能高达数万人民币或十几万人民币。

不同于摄像头，激光雷达是主动型传感器。

这意味着有着巨大的成本与性能挖掘潜力，也意味着激光雷达可能会存在多种技术路线竞争，每个厂家都会选择适合自己的路线和产品。

激光雷达与摄像头相比具有不识别即可提供 3D 信息的优势。

未来 L2+ 自动驾驶系统也会采用激光雷达，激光雷达将会成为与摄像头一样的标配。

激光雷达的上车大潮也即将到来。

返回第一电动网首页 >