激光雷达参数统计

本文详细介绍了激光雷达的性能指标,包括线数、波长、安全等级、测距能力、盲区、精度、视场角、角分辨率、帧率和转速等,帮助读者理解这些参数对自动驾驶和测绘应用的重要性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

很多小伙伴们表示可以分辨大类,但是一些具体的功能参数还是不太了解,那么本期我们将来介绍一下激光雷达的性能指标。

新·知丨自动驾驶传感器那点事之 激光雷达性能指标-有驾

先给小伙伴们做一个小测试,

比如下图是一款128线激光雷达产品的参数表,大家能看懂吗?

新·知丨自动驾驶传感器那点事之 激光雷达性能指标-有驾

图片来源速腾聚创官网

看不懂也没关系,相信看完我们今天的文章,

你就可以看懂啦~

下面我们一个一个的来说

1

线数

车载激光雷达一般使用多线雷达,就是在垂直方向上具有多个发射器和接收器。对于激光雷达来说,线数越多、越密意味着可以更清晰、更完善的收集各类物体3D轮廓,目前自动驾驶车辆上大多使用16线、32线、64线、128线等。

在类似于测绘,自动驾驶等场景下,激光雷达肯定是线数越高越好,但也有一个缺点,那就是

02

波长

目前市场上三维成像激光雷达最常用波长分两种,即905nm和1550nm。

两者相比之下,波长为1550nm的激光雷达所使用的铟镓砷(InGaAs)近红外探测器要比波长为905nm所使用的硅基光电探测器更贵,所以二者的成本会有区别,其实还是

所谓一分价钱一分货,1550nm激光雷达的激光器功率是传统905nm硅光电系统的40倍;还有效解决了905纳米对雨雾的穿透力的不足的问题,因此在复杂气候天气下也能将有效探测距离保持在200米以上。

同时1550nm波长的激光也更加安全,对人眼没有危害。原因在于,要让激光雷达「看得更远」,就必须发射更强的光脉冲,然而波长越长能量越低,距离可见光越远。905纳米的激光,这对于人类来说是不可见的。但是如果它集中到了一个真人的眼球,而且具有足够的能量时,就会损伤人类的视网膜。相比之下1550纳米的激光,它在光谱的红外线部分距离可见光波段更远,因此无法穿透人的眼球。

03

激光安全等级

上述有提到了激光对人眼的伤害,其实国际电工委员会(IEC)已经制定了安全标准,它依据激光产品的波长、最大输出激光功率或能量,将激光产品分为7大安全等级,车载激光雷达一般要求人眼安全级别为Class1。

新·知丨自动驾驶传感器那点事之 激光雷达性能指标-有驾

04

测距能力和盲区

这两个我们放一起谈,首先测距能力(量程),即能有效检测到最近和最远距离,另外目标的反射率越高则测量距离越远,目标的反射率越低则测量距离越近。

比如参数表中的“200m@10%反射率”意思是激光雷达发射光束到200米的距离可以看清最低10%光线反射率的物体,比如一张白纸。

新·知丨自动驾驶传感器那点事之 激光雷达性能指标-有驾

图片来源速腾聚创官网

盲区,顾名思义是激光雷达无法接收到激光回波信号的距离。一句话概括就是在可视范围之外即为盲区。感觉有点像游戏场景中的战争迷雾哈。

新·知丨自动驾驶传感器那点事之 激光雷达性能指标-有驾

图片来源帝国时代

而盲区也会因为距离过近而产生,比如下图中,当物体紧贴激光雷达光罩时,性能好的激光雷达产品依然能够有效探测,做到“零盲区”,而有的激光雷达在0.2米时就产生盲区无法成像了。

新·知丨自动驾驶传感器那点事之 激光雷达性能指标-有驾

激光雷达盲区对比展示(图片来源禾赛科技官网)

这里顺带说一句,对于四维图新而言,虽然激光雷达测距能力(量程)性能不一样,但是四维图新的自动驾驶解决方案,能根据不同传感器的特点和指标,调配出最优方案,保障感知的精度和Robust,例如将激光雷达安装在车体某些位置和固定角度,再通过四维图新自有传感器融合算法来有效解决此问题,该解决方案已先后通过北京市自动驾驶路测T3牌照以及合肥市智能网联汽车开放道路测试牌照。

新·知丨自动驾驶传感器那点事之 激光雷达性能指标-有驾

四维图新自动驾驶车

05

精度

精度,即雷达可以感知的距离最小变化值。通常来说目标距离激光雷达越远测距准确度越低。以人眼为例,10米距离上我们可以清晰看到一个酒瓶盖大小的物体,而200米后就看不见了。如下图,激光雷达点云数量随着汽车物体的远近而降低,车体边界轮廓精度随之下降。

新·知丨自动驾驶传感器那点事之 激光雷达性能指标-有驾

图片来源速腾聚创官网

06

视场角FOV

视场角FOV(FieldofView),即有效扫描角度,在该角度范围内目标物体可被检测到,它分为水平视场角和垂直视场角。以人眼为例,就是你直视前方时可以看到的上下和左右范围。

水平视场角,即是水平面上所侦测的范围,以64线激光雷达为例,单纯的64线激光束的范围是远远不够的,但如果增加线束的范围又会大大增加成本,所以诞生了安装马达的机械旋转式激光雷达,这样就可以配合旋转的动作形成360°水平视场角,而固态式激光雷达只能看到正前方某些度数(例如60°至120°);

新·知丨自动驾驶传感器那点事之 激光雷达性能指标-有驾

VelodyneHDL-64E水平扫描示意图

垂直视场角,垂直方位角指的是激光雷达垂直方向的检测角度,一般在40°以内。而且光束也不是垂直均匀分布的,而是中间密,两边稀疏,而且激光光束会尽量向下偏置一定的角度,这也是为了扫描到更多的障碍物,在一定程度上可弥补上面说过的近处盲区。

新·知丨自动驾驶传感器那点事之 激光雷达性能指标-有驾

VelodyneHDL-64E垂直扫描示意图

07

角分辨率

角分辨率,表示两个相邻测距点的角度。如下图,它也分为水平角分辨率和垂直角分辨率,如上面的FOV一样,水平角分辨率和垂直角分辨率分别表示水平面上点的夹角以及垂直面上点的夹角,这里就不过多赘述。

新·知丨自动驾驶传感器那点事之 激光雷达性能指标-有驾

角分辨率示意图

另外,角分辨率大小决定了一次扫描能返回的样本点数以及该激光雷达所能检测的最小障碍物大小,比如2个激光光束相邻测距点的角度为0.4°,那么当探测距离为200m的时候,2个激光光束之间的距离为200m*tan0.4°≈1.4m。也就是说在200m之后,只能检测到高于1.4m的障碍物了。

新·知丨自动驾驶传感器那点事之 激光雷达性能指标-有驾

图片来源速腾聚创官网

08

帧率

帧率,扫描频率表示一秒内雷达进行多少次扫描,其计量单位是HZ(赫兹是电,磁,声波和机械振动周期循环时频率的单位。即每秒的周期次数“周期/秒”)。扫描频率越大,设备对外界环境的感知速度越快,系统实时性更高。

09

转速

转速,转速的国际标准单位为rps(转/秒)或rpm(转/分),1200rpm意思是当前激光雷达的马达引擎转速是每分钟转1200圈。与帧率一样,转速越高设备对外界环境的感知速度越快。

10

出点数

出点数(分单回波模式和双回波模式),就是单位时间内激光雷达可以扫描多少个点位。

我们以128线机械旋转激光雷达为例计算一下出点数:

已知:

机械旋转式激光雷达是360°水平视场角

10Hz帧率(每秒扫描转10圈),也就是每100ms(10Hz)转360度

水平角分辨率为0.2°

所以,当水平角分辨率为0.2°,旋转一周将会产生360/0.2=1800个点

最终,出点数为128线*1800个点*10HZ=2304000点/秒(pts/s)

11

其他部分

对于车厂来说,车上所有电器元件的供电电压、产品功率、产品工作温度、IP防尘风水等防护等级都是非常重要的采购指标,这里就不是我们需要关注的啦。

<think>好的,我现在需要帮助用户了解激光点云统计滤波的参数设置方法。首先,我得回忆一下统计滤波的基本原理。统计滤波主要用于去除离群点,通过分析每个点的邻域距离分布来确定异常值。关键参数包括邻域半径(k近邻或半径搜索)、均值距离和标准差倍数阈值。 根据引用[3],点云滤波对后续处理非常重要,尤其是邻域计算。用户提到的统计滤波应该和邻域搜索有关,所以邻域半径的选择会影响计算结果的准确性。邻域点数k或半径r需要根据点云密度来设置。如果k太小,可能无法准确反映局部特征;太大则计算量大。一般来说,k在30-100之间常见,但具体情况需要调整。 然后是均值距离和标准差倍数。统计滤波会计算每个点到其邻域的平均距离,再计算所有平均距离的均值和标准差。超过均值加n倍标准差的点会被滤除。这里的n通常设为1到3,n越大,去噪越保守。用户需要根据点云的噪声程度来调整这个值。例如,噪声较多且分散时,可能需要较小的n值。 另外,引用[1]提到直通滤波的参数设置要考虑过滤范围,但统计滤波不同,更依赖统计分布。不过合理设置参数同样重要,否则可能误删有效点或保留噪声。可能还需要多次迭代调整参数,观察滤波效果,再微调。 用户可能还需要知道具体实现步骤,比如如何选择k值,如何确定阈值。比如在PCL中,统计滤波的参数设置包括setMeanK和setStddevMulThresh。建议用户先可视化点云,评估噪声分布,再从小k开始测试,逐步调整,结合标准差倍数。同时,引用[2]提到基于频率的滤波,可能统计滤波也涉及频率特性,但这里主要依赖距离统计。 总结下来,参数设置方法应包括:根据点云密度选k或半径,计算平均距离分布,确定均值和标准差,选择合适的倍数阈值,并通过实验调整。同时注意过犹不及,避免过度滤波导致数据丢失。</think>### 激光点云统计滤波参数设置方法 激光点云统计滤波是一种基于点云局部邻域统计特征的滤波方法,主要用于去除离群噪声点(如漂浮物、测量误差点)。其核心参数包括 **邻域点数(k)**、**标准差倍数阈值(n)**,具体设置方法如下: --- #### 1. **邻域点数(k)** - **作用**:定义每个点用于统计分析的邻域范围。k值过小可能导致统计不稳定,k值过大会模糊局部特征[^3]。 - **设置方法**: - **根据点云密度调整**:若点云密度高(如室内扫描),k可设为$30 \leq k \leq 50$;若密度低(如远距离雷达),需增大至$k \geq 100$。 - **实验验证**:通过可视化工具观察滤波效果,逐步调整k值,确保噪声点被去除的同时保留有效点云。 --- #### 2. **标准差倍数阈值(n)** - **作用**:通过均值和标准差定义离群点的判定阈值。若某点的邻域平均距离超过全局均值加$n$倍标准差,则视为噪声[^1]。 - **设置方法**: - **典型值**:$n=1.0$(严格去噪)到$n=3.0$(保守去噪),一般初始值设为$n=2.0$。 - **噪声强度适配**:噪声密集时降低n(如$n=1.5$),稀疏时提高n(如$n=2.5$)。 --- #### 3. **参数设置步骤** 1. **预处理**:使用直通滤波(引用[1])缩小处理范围,提升计算效率。 2. **初始参数选择**:根据点云密度设定k,默认$n=2.0$。 3. **迭代优化**: - 计算所有点的邻域平均距离,统计全局均值$\mu$和标准差$\sigma$。 - 调整$n$,使阈值$\mu + n \cdot \sigma$能覆盖大部分有效点。 4. **后验证**:通过法向量计算或分割效果(引用[3])检验滤波合理性。 --- #### 4. **示例(PCL库)** ```cpp pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor; sor.setInputCloud(cloud); sor.setMeanK(50); // 邻域点数k=50 sor.setStddevMulThresh(2.0); // 标准差倍数n=2.0 sor.filter(*filtered_cloud); ``` ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值