阿里巴巴達摩院宣布，其自研感知算法實現(xiàn)了對低線束LiDAR（激光雷達）的高線束模擬，間接將LiDAR線束量提升3倍以上，實現(xiàn)低成本普通激光雷達替代高成本雷達，此算法相當(dāng)于用“低像素相機拍出單反相機效果”，可大幅降低自動駕駛感知部件成本。

在自動駕駛實際落地場景中，往往需要高密度的LiDAR才能滿足感知需求，而64線以上LiDAR 成本居高不下，成為自動駕駛大規(guī)模商業(yè)化瓶頸之一。達摩院自動駕駛實驗室環(huán)境感知算法能結(jié)合攝像頭圖像，對低線束LiDAR點云進行深度補全及語義識別，實現(xiàn)更稠密的激光雷達點云圖3D重建效果，不僅可更精確地讀取障礙物距離及形狀等信息，也可更精準(zhǔn)判斷其類別信息。

上圖為低線束LiDAR原始點云，下圖為經(jīng)達摩院算法深度補全后的點云，LiDAR線束量提升了3倍以上，且自動駕駛車輛更好辨別出了障礙物。

在精度指標(biāo)上，達摩院采用低線束激光雷達輸入，實現(xiàn)了業(yè)內(nèi)采用高線束激光雷達輸入的平均水平，50米內(nèi)障礙物距離信息讀取平均誤差為25厘米左右，同時，達摩院進行深度補全任務(wù)時可達到100fps（每秒傳輸幀數(shù)）的處理能力。

點云配準(zhǔn)

達摩院這種方法在研究上被稱作“點云配準(zhǔn)”，就是要把多幅點云合成到一幅點云中。

點云配準(zhǔn)的本質(zhì)是坐標(biāo)變換，將一幅點云配準(zhǔn)到另一幅點云中，就是要將這一幅點云的每個點的坐標(biāo)轉(zhuǎn)換到另一幅點云的坐標(biāo)系下，這個過程涉及到坐標(biāo)變換矩陣。點云配準(zhǔn)的過程實際上就是求取坐標(biāo)變換矩陣的過程以及使用變換矩陣計算新的坐標(biāo)的過程。常用的點云配準(zhǔn)方法有：

1、迭代最近點方法（ICP）

從一幅點云中搜索到另外一幅點云中最近點來確定對應(yīng)點集，容易陷入局部最優(yōu)解，且要求配準(zhǔn)兩幅點云初始位置與真實位置相差不大，其實質(zhì)是基于最小二乘法的最優(yōu)匹配方法。主要分為點對點，點對投影和點對面的方法。

2、特征點匹配方法

通過分析被測物體的局部幾何信息來尋找特征點并實現(xiàn)匹配，但算法特征點包含較少幾何信息，穩(wěn)定性有待提高。可以利用多尺空間尺度不變特征變化（SIFT）來尋找特征點，這要求被測物體有紋理信息，基于SIFT算法在空間尋找極值點，并提取其位置、尺度、旋轉(zhuǎn)不變量進行特征點匹配。

3、載體運動參數(shù)方法

通過激光雷達的載體的運動參數(shù)來計算各個點云的變換矩陣，在無人駕駛應(yīng)用中，激光雷達的載體是無人駕駛車，車的速度、橫擺角速度等參數(shù)是可以通過傳感器精確測量的，通過這些參數(shù)可以計算出兩個時刻激光雷達的位置及姿態(tài)變化，根據(jù)這個變化可以得到點云的變換矩陣，從而實現(xiàn)配準(zhǔn)。

使用點云配準(zhǔn)的優(yōu)點是可以采用少線束的激光雷達獲得多線束的激光雷達的感知效果。但是點云配準(zhǔn)的方法也存在一些缺陷，比如：1、點云使用的是歷史數(shù)據(jù)，所以歷史點云中的障礙物無法更新，導(dǎo)致障礙物在點云中會一直存在下去；2、運動的物體在配準(zhǔn)后的點云中會變成多個物體；3、需要消耗大量的計算資源。

目前，激光雷達的價格一般都比較昂貴，對于無人駕駛應(yīng)用中，激光雷達是系統(tǒng)成本的重要組成部分。激光雷達的價格隨著線數(shù)的增加而增加，基本規(guī)則就是線數(shù)越多，價格越貴，達摩院通過此算法達到多線束激光雷達的目的，未來將進一步壓縮自動駕駛的硬件成本。