五问补盲(三) | 补盲激光雷达,敢不敢直面新的安全威胁?

本文探讨了激光雷达在汽车领域的安全应用,重点介绍了功能安全和网络安全的重要性。文章详细解释了如何确保激光雷达点云数据的可靠性,以及如何防止激光雷达成为黑客攻击的入口。

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

作者 | 爱LiDAR的小飞哥

编辑 | 王博

eb3b2514a15e6d0932f792c5d6c18f1c.jpeg


在激光雷达上车的热潮中,各家都在技术参数上进行着“你死我活”的拼杀。

那么,参数代表一切吗?举个例子,测距200米的激光雷达一定比测距150米的更好吗?

可以肯定地说,非也。

兵器虽然锋利,还需用得顺手;激光雷达也是一样,不仅要能用,还得「好用」。

怎样算好用呢?具体来说,包含“安全”和“易用”两方面要素:

  • 激光雷达本身的安全性:要能够保障系统无需担心激光雷达故障而引起的功能安全、网络安全等隐患;

  • 易用性:在产品的软件集成和工程化角度有成熟的方案支持,不仅易于适配上车,上车后也易于维护,用得省心

篇幅所限,在这篇文章中,我们先聊聊安全相关的内容。

安全,永远是汽车研发中的最关键要素之一。

多年来,汽车领域诞生了各种各样的规范和方法论,以保证汽车在全生命周期中的功能安全;而随着智能汽车的蓬勃发展,安全概念从更多维度得到了扩展,比如网络安全和预期功能安全等。

一款极致的激光雷达,对安全的追求也应该是极致的。


做可信赖的激光雷达:功能安全

从整车的角度来看,汽车安全分为主动安全和被动安全。汽车功能安全,一般属于主动安全的范畴。

如果没有功能安全,乘客就只能寄希望于车辆不发生事故,或是防撞梁足够结实了,这显然不太靠谱。

因此满足汽车功能安全要求,是电子电气系统的零部件供应商获得整车项目定点,实现量产上车的必修课。

功能安全,简单来说就是通过完备的安全分析工具,对系统失效和随机硬件失效进行分析,并要求做出对策,以确保设备发生故障时,车辆行为也不会危害人身安全。

国际上常用ISO 26262标准来对车辆的安全相关的系统进行规范认证。激光雷达作为电子电气零部件,并且是自动驾驶系统中最为重要的传感器之一,亦在功能安全所规范的范围内。

3b0c12ccb756b666ea44b3ba4b642216.jpeg

我们可以从自动驾驶系统层面出发,来理解激光雷达功能安全的重要性。

目前绝大多数自动驾驶系统是强依赖于激光雷达输入的,因此也最不希望收到的点云是失效的(特别是由激光雷达本身的原因造成的失效),无法真实反映行驶工况的信息。

由于自动驾驶系统缺乏有效的手段来判断激光雷达点云是否出现失效,却又依赖于点云做后续的感知、决策与控制。这无疑使得自动驾驶系统的安全设计处于进退两难的地步,为整车自动驾驶的安全性埋下了隐患。

比如,假如激光雷达的部分激光器失效,导致了点云扫描视场的部分缺失,但是这个缺失在点云层面并没有特别显著的特征,此时自动驾驶系统就很难感知到激光雷达数据已经不可靠。如果在视场缺失的部分,正好存在关键的障碍物,就会造成事故。反过来讲,假如自动驾驶系统能够提前获知激光雷达点云可能存在失效,那么就可以在系统层面利用工程手段降低其失效带来的影响,确保安全。

以一径科技的补盲激光雷达产品为例,在产品设计之初,就参考了乘用车辅助驾驶与Robotaxi两大领域典型客户的功能安全需求,将他们「顶层、具体的功能安全要求」转化为「经过拆解和转化的内部技术安全需求」,通过FMEA、FTA等分析工具,对激光雷达这一复杂的光机电系统进行拆解,在每一组可能出错的关键链条中加上保护和监控机制。

最终,只要是由其上传给域控的点云,可做到“上传即可靠”。这里的可靠意味着:

  • 避免上传错误的激光雷达点云;

  • 实现激光雷达自我诊断,发生故障后及时诊断报错且及时记录日志,支撑整个自动驾驶系统达到ASIL-D(最高等级)功能安全。

值得注意的是,人眼安全——这个消费者比较关心的性能项,其实也在功能安全考量的范围内。

人眼安全的Class I标准也是激光雷达设计时的重要标准输入。


网联化背景下的“防火墙”:网络安全


0a4e10a915c0376ad6f197c43b77521a.jpeg

随着自动驾驶汽车及其网联化的落地,汽车与以太网的耦合越来越深入,这增加了不法分子攻击车辆的可能性,给汽车网络安全带来了新的风险。

相比于功能安全强调对人身安全的保护,网络安全(Cybersecurity,也称信息安全)强调的是信息层面的保护,包括黑客对产品系统的侵害,以及相关数据隐私安全等,也就是汽车的“防火墙”。

与功能安全类似,国际标准化组织也制定了网络安全的标准,即ISO 21434,用以保障车辆在网络环境下信息不受篡改和泄露。

在激光雷达产品设计时,需要基于不同应用场景车辆的网络安全接口协议,从威胁和风险分析(TARA)、安全方案设计到测试、生产等整个逻辑链完善网络安全设计,最终实现相关等级的网络安全,保证自动驾驶系统不能成为黑客的“突破口”。


安全只有更全面,没有最全面

在前期的文章提到过,由于补盲需求场景的特殊性,比如补盲激光雷达数量较多且安装在车身周围,而车身周围与环境有更大几率接触,因此补盲激光雷达在安全上有更多特殊的要求。

除了上述功能安全和网络安全,优秀的补盲雷达还需考虑:

  • 支持多台补盲激光雷达在同一狭小空间内正常工作,互影响,比如通过光脉冲编码算法实现稳定且鲁棒的抗串扰

  • 避免多激光雷达的数据并发对于整车网络造成的拥塞,比如通过使用更智能化的数据分发策略

  • 要有完善的诊断和日志机制,实现故障实时上报和稳定溯源等,比如产品本身的算法编码、系统设计、日志机制、故障实报等方面都需要将安全因素考虑在内。

安全且通用的软硬件架构,是补盲激光雷达上车的首要前提。

但是在整车集成以及实际的三维感知层面,补盲激光雷达的软件功能有着更加独特的要求,在工程化上也需要更多的支持才能做到“易用”。

下期,我们会接着聊聊补盲激光雷达软件功能的特殊性。


<think>好的,我现在需要分析用户的题,他想要比较激光雷达、超声波雷达和360影像的技术特点及应用场景。首先,我需要回顾之前提供的关于激光雷达和超声波雷达的信息,并结合新的引用内容。用户提到激光雷达,这可能是指用于近距离或区检测的激光雷达类型,而360影像通常指通过摄像头实现的环视系统。 首先,我要明确这个技术的技术原理。激光雷达可能使用固态或近场激光技术,用于短距离高精度探测。超声波雷达已经了解是基于声波反射,适用于近距离探测。360影像则是通过多个摄像头拼接图像,提供环视视角。 接下来,我需要对比它们的优缺点。根据引用内容,激光雷达精度高但成本高,且在恶劣天气可能受影响,而超声波雷达成本低但精度较低。360影像能提供丰富的视觉信息但受光照影响,且缺乏深度信息。激光雷达可能在近距离有优势,但需要结合其他传感器,如引用2提到的数据稀疏题,可能需要融合其他传感器数据。 应用场景方面,激光雷达可能用于自动驾驶的近距离障碍物检测,超声波用于泊车辅助,360影像用于驾驶员的环视辅助。用户提到SLAM技术(引用4),这可能与360影像或激光雷达在定位和建图中的应用有关。 需要注意用户之前的题中提到的传感器融合趋势,如激光雷达和超声波雷达的结合。现在要充360影像的对比,可能涉及多传感器融合的优势,比如视觉和激光雷达的数据互。 需要确保回答结构清晰,分技术对比、优缺点、应用场景,并引用用户提供的引用内容。例如,引用1提到激光雷达的主动探测和高精度,引用2说明其数据稀疏的题,引用3关于点云数据,引用4提到SLAM的应用,这可能与360影像或激光雷达在泊车中的使用有关。 可能的题点:激光雷达的具体参数,如探测距离、分辨率等;360影像如何处理动态障碍物;成本对比等。需要确保技术参数准确,例如超声波雷达的探测距离在0.1-5米,激光雷达可能在5-30米?需要查证。 最后生成相关题,可能需要涉及传感器融合、特定场景下的选择依据、技术改进方向等。</think>#### 激光雷达 vs 超声波雷达 vs 360影像:技术对比与优缺点分析 --- ### 一、核心技术对比 | **维度** | **激光雷达** | **超声波雷达** | **360环视影像** | |-----------------|------------------------------------------|------------------------------------|--------------------------------------| | **探测原理** | 近场激光扫描(905nm/1550nm波长) | 40kHz超声波反射 | 多摄像头图像拼接(鱼眼镜头+畸变校正)| | **探测距离** | 0.3-30m(水平FOV 120°×垂直FOV75°) | 0.1-5m(单探头覆盖角度60°-90°) | 0.5-10m(依赖镜头焦距) | | **分辨率** | 角分辨率0.1°×0.1°,点密度>200pt/㎡ | 距离分辨率±2cm | 像素级表面纹理(1920×1080@30fps) | | **数据输出** | 维点云(含深度信息)[^3] | 单点距离值 | 二维RGB图像(带畸变校正) | | **响应延迟** | 10-50ms(含数据处理) | 20-100ms(温度敏感) | 50-200ms(含图像拼接计算) | --- ### 二、核心优缺点对比 #### 1. **激光雷达** - **优势** - 厘米级测距精度(引用[^1]的主动探测特性) - 支持动态障碍物跟踪(速度测量误差<0.1m/s) - 黑暗环境无性能衰减(引用[^1]夜间检测能力) - **缺陷** - 雨雾中性能下降(能见度<50m时点云缺失率>30%)[^2] - 无法识别颜色/纹理(引用[^2]数据稀疏性题) - 硬件成本高(单颗$500-$2000) #### 2. **超声波雷达** - **优势** - 低成本(单探头<$10) - 抗粉尘/水雾干扰(密闭空间检测首选) - 近距离区覆盖(<0.3m检测无死角) - **缺陷** - 温度敏感(声速变化导致±5cm误差) - 无法识别物体类型(仅返回距离值) - 多径反射干扰(金属表面误报率>15%) #### 3. **360环视影像** - **优势** - 提供语义信息(可识别车牌/文字等) - 支持SLAM建图(引用[^4]泊车场景应用) - 直观可视化(驾驶员易理解) - **缺陷** - 光照敏感(夜间需光,强光过曝) - 无深度信息(依赖双目/ToF辅助) - 动态模糊(车速>30km/h时图像撕裂) --- ### 、典型应用场景 #### 1. **激光雷达首选场景** - **自动驾驶侧向感知**:检测突然出现的行人(如鬼探头场景) - **机械臂近场避障**:工业机器人1m内精密操作 - **无人机室内导航**:复杂结构避障(点云更新率>10Hz) #### 2. **超声波雷达不可替代场景** - **自动泊车最后0.5m**:精确控制停车间距(±2cm精度) - **车内生物监测**:检测儿童/宠物生命体征(密闭空间优势) - **液面高度检测**:油箱/水箱非接触式测量 #### 3. **360影像核心价值场景** - **低速全景监控**:狭窄道路会车辅助(图像拼接误差<5cm) - **停车位识别**:SLAM构建车位地图(引用[^4]技术延伸) - **事故取证**:记录周边环境视觉证据 --- ### 四、技术融合趋势 **高端智能汽车方案**(如蔚来ET7): - **前向**:2颗激光雷达(120°侧向覆盖) - **近场**:12颗超声波雷达(0.1-5m检测) - **视觉**:4颗190°鱼眼摄像头 通过多模态融合算法(如BEVFormer)实现: $$P_{fusion} = \alpha \cdot P_{lidar} + \beta \cdot P_{ultrasonic} + \gamma \cdot I_{vision}$$ 其中权重系数动态调整(雨雾天提升超声波权重α↓β↑) --- #### 相关题 1. 多模态融合中如何解决传感器时空同步题? 2. 激光雷达在雨雾天的替代方案有哪些? 3. 360影像系统如何实现实时畸变校正? 4. 超声波雷达的多径反射干扰有哪些抑制方法?
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