2012 年底，Dirk Van Dijck 教授和連續(xù)創(chuàng)業(yè)者 Johan Van den Bossche 的注意力落在了一張谷歌自動駕駛汽車的照片上。山景巨人的第一個原型剛剛在許多媒體上被披露為首頁。

在改裝后的豐田普銳斯車頂上，旋轉(zhuǎn)的 Velodyne LiDAR 使汽車能夠以 3D 方式查看周圍環(huán)境，為定位和定位算法以及其感知堆棧的第一層提供必要的數(shù)據(jù)。兩人開始想象這輛車在汽車行業(yè)激烈競爭的壓力下將如何發(fā)展。

運輸中的挑戰(zhàn)之一一直是移動人和物，以盡量減少移動部件的數(shù)量。對于我 8 歲的孩子來說，這個概念也很清楚，他希望遠程交通取代汽車：噪音更小，污染更少，當然更快。機械運動系統(tǒng)由許多部件組成，這些部件需要能量來加速質(zhì)量，并贏得摩擦和動量，從而導致效率和可靠性的損失，從而導致總體成本增加。

在汽車系統(tǒng)的發(fā)展過程中，首先要優(yōu)化的元素通常是運動部件。我們有很多這樣的例子，比如自適應前照燈，旨在更好地照亮轉(zhuǎn)彎并避免使用復雜的快門和云臺系統(tǒng)產(chǎn)生眩光，現(xiàn)在已被數(shù)千個固態(tài) LED 所取代。

在第一款 Google AV 中，完整的感知堆棧依賴于一個移動元素：一個旋轉(zhuǎn)的激光雷達來掃描周圍環(huán)境。

許多其他創(chuàng)新者發(fā)現(xiàn)了第一款 AV LiDAR 的同樣弱點，并引發(fā)了對改進 LiDAR 方法的戲劇性探索，并催生了數(shù)十家初創(chuàng)公司。許多人看到了機會，許多人選擇了應用漸進式創(chuàng)新的方式，專注于掃描原理、減少質(zhì)量、小型化組件（例如引入 MEMS（微機電系統(tǒng)），同時提高性能。

這位教授和企業(yè)家在簡歷上都擁有大量專利、技術(shù)初創(chuàng)企業(yè)和成功案例，他們選擇了不同的道路，因為他們知道具有更高潛力的創(chuàng)新往往伴隨著重大決策。如果掃描的弱點是運動，為什么不完全消除掃描的需要呢？為什么不一次發(fā)射數(shù)千個激光束，而不是使用幾個旋轉(zhuǎn)激光呢？真正固態(tài)激光雷達的想法與第一家開發(fā)它的激光雷達公司 XenomatiX 一起誕生。那是 2013 年。

真固態(tài)激光雷達

“固態(tài)”定義已被用于對不同類型的 LiDAR 進行分類，這在 LiDAR 社區(qū)內(nèi)也引起了一些混淆。固態(tài)可以描述激光源和檢測器的類型，例如，當使用半導體時。盡管依靠移動微元件來改變激光方向，但基于 MEMS 的激光雷達通常被認為屬于這一類。固態(tài)系統(tǒng)是否意味著沒有運動部件？此外，Aurora、英特爾和 Aeva 等大公司最近采用的 FMCW 技術(shù)假裝是固態(tài)的。顯然，當仍然需要掃描機制來控制激光波時，這是不正確的。一些使用 OPA（光學相控陣）的 FMCW LiDAR 的技術(shù)準備程度非常低，還有許多技術(shù)方面需要解決。與原來的 Velodyne LiDAR 相比，

由于需要區(qū)分其技術(shù)，XenomatiX 引入了“True”屬性來識別在各個方面都符合定義的固態(tài) LiDAR 系統(tǒng)：XenomatiX 技術(shù)是真正的固態(tài)，因為它是由基于半導體的激光源制成的，并且檢測器，因為它無需掃描或移動組件即可實現(xiàn)，提供可靠的大規(guī)模生產(chǎn)所需的簡單性和可擴展性。

最近，越來越多的玩家采用了這種方法。帶有數(shù)字 LiDAR 的 Ibeo 和帶有全固態(tài) LiDAR 的 Ouster 都承諾解決方案很快準備好進行大規(guī)模生產(chǎn)。Apple 正在 iPad 激光雷達中使用這種方法。

原始設(shè)備制造商對真正的固態(tài)感興趣。2017 年，通用汽車獲得了一項專利，描述了模塊化 LiDAR，沒有移動部件，集成并分布在車輛周圍，具有 360° 覆蓋范圍。

最近，長城汽車宣布與 Ibeo 建立合作伙伴關(guān)系。

Marelli 于 2020 年與 XenomatiX 啟動了一個聯(lián)合開發(fā)項目。

對于 Dirk Van Dijck 和 Johan Van den Bossche 來說，這些事實證實了他們自 2012 年以來的愿景。

多波束

真固態(tài)的一個特點是用成千上萬的光束照亮場景，將相干光聚焦在離散的點上，這些點同時測量并轉(zhuǎn)換成點云。這種多光束技術(shù)也不同于閃光激光雷達。與真正的固態(tài)激光雷達一樣，傳統(tǒng)的閃光激光雷達也不使用機械部件來逐步照亮場景。相反，他們使用鏡頭將光線散布在整個場景中。閃光 LiDAR 不僅照亮觀察到的目標，還照亮未測量的點，失去了達到中遠距離所需的光學效率。Flash LiDAR 主要用于需要最大 20 到 50 米范圍的應用。多光束方法解決了這一限制，僅將發(fā)射的光子集中在將要測量的點，確保高分辨率，并達到高速公路所需的遠距離。達到更遠距離的唯一限制是由眼睛安全法規(guī)規(guī)定的。對于不需要激光 1 類分類的應用，多光束可以在 500m 及以上有效。

發(fā)射器 – VCSEL

多光束可以從毫米尺寸的芯片產(chǎn)生，其中數(shù)千個 VCSEL（垂直腔面發(fā)射激光器）發(fā)射器被封裝成陣列。VCSEL 陣列以短脈沖發(fā)射具有高光功率的垂直于半導體表面的激光束，不會過熱且需要有限的電力。一個 20,000 到 40,000 個激光器的 VCSEL 陣列需要幾瓦，這與單個汽車 LED 近光燈的消耗量大致相同，并且比鹵素燈少 5 倍。

VCSEL 技術(shù)和性能在過去幾年中呈指數(shù)級提高，這得益于在光通信中用作光纖上的信號發(fā)生器；這種進步在汽車和消費激光雷達領(lǐng)域得到了直接應用。

探測器

探測器是激光雷達技術(shù)最關(guān)鍵的組件，因為它們需要高靈敏度、大動態(tài)范圍和高分辨率。旋轉(zhuǎn)、機械和固態(tài)激光雷達主要基于雪崩光電二極管 (APD) 或單光子雪崩光電二極管 (SPAD)。這種傳感器一旦被光擊中，就會產(chǎn)生高增益電流，可以對其進行測量和后處理，以直接或間接計算激光脈沖在目標上反彈的飛行時間，從而揭示其距離。

在激光雷達探測器的背景下，XenomatiX 采用了完全不同的方法。汽車對于滿足大批量生產(chǎn)和較長的車輛壽命有非常嚴格的要求。Dirk Van Dijck 和 Johan Van den Bossche 設(shè)定了使用經(jīng)過驗證且具有成本效益的技術(shù)設(shè)計 LiDAR 系統(tǒng)的目標。標準相機 CMOS 具有與汽車相關(guān)的所有特性。兩人找到了一種在創(chuàng)新像素設(shè)計中實施飛行時間測量的方法，創(chuàng)建了基于 CMOS 的 APS（有源像素傳感器）。與智能算法一起，像素對光子進行計數(shù)，減去背景噪聲，并計算到目標的距離。百萬像素 APS 每幀可捕獲 36,000 個 3D 點，是 SPAD CMOS 的兩倍多。

第一個重要結(jié)果是點云以全局快門模式捕獲，消除了圖像失真的風險。傳統(tǒng)的中遠程激光雷達需要重建 3D 圖像，因為它們在不同的時刻捕獲每個點。使用掃描方法，圖像不是在同一時刻捕獲，而是自上而下或從左到右捕獲，從而形成滾動快門模式。卷簾快門可能會導致速度非常快的目標（例如高速公路上的車輛）的形狀變形。卷簾快門是在照片中使直升機的葉片變形而形成彎曲形狀的效果。發(fā)生這種情況是因為當傳感器捕獲轉(zhuǎn)子的中心時，葉片的尖端正在移開。與滾動快門相反，全局快門在同一實例中捕獲完整圖像。

這種革命性方法的第二個結(jié)果是固有的傳感器融合。當 APS CMOS 不用于采集 3D 點云時，在激光脈沖之間，它可以像標準相機一樣采集 2D 圖像。用于計算對象位置的同一像素也用于捕獲此類對象的圖像。相機和激光雷達現(xiàn)在在物理上和本質(zhì)上融合在一起。讓系統(tǒng)和軟件開發(fā)人員松了一口氣，APS CMOS 允許跳過繁重的傳感器融合過程，并消除了兩種數(shù)據(jù)中的一種的視差錯誤或盲點的任何可能性。自治系統(tǒng)開發(fā)人員現(xiàn)在可以從同一個成像儀獲得高分辨率圖像和點云，從而大大簡化了感知環(huán)境所需的硬件和軟件。

APS CMOS 帶來的第三個優(yōu)勢是對干擾和其他 LiDAR 信號的魯棒性。每個檢測激光并計算目標距離的像素都經(jīng)過校準，以僅識別特定發(fā)射器的信號及其在空間中的獨特位置。如果一個像素被其他激光雷達或來自不同方向的信號照射，同時比較來自周圍像素的信息，它可以識別干擾，并丟棄測量。

多光束激光雷達需要最少數(shù)量的組件。借助兩個鏡頭、PCBA 上的兩個芯片和一個外殼，這些傳感器提供的材料清單可與同等價格范圍內(nèi)的立體相機相媲美。使用立體相機的相同裝配線和校準工具，可以輕松擴大生產(chǎn)規(guī)模。使用現(xiàn)有的芯片技術(shù)和組裝概念使 XenomatiX 能夠建立并依賴成熟的供應商生態(tài)系統(tǒng)，并將單位成本預測在 100 美元范圍內(nèi)，這使得 LiDAR 技術(shù)不僅適用于豪華車。

4D人工智能

用于計算點云的 APS CMOS 還可以捕獲對象反射率和 2D 圖像。

用于物體檢測和分類的標準 AI 方法要么基于從 2D 相機圖像分析的形狀和顏色，要么基于最近由 LiDAR 或立體相機 3D 點云捕獲的幾何信息。最復雜的算法結(jié)合了兩種方法，比較和驗證兩個系統(tǒng)在所謂的傳感器融合中獲得的結(jié)果。

真正的固態(tài) LiDAR 可以改為運行AI 算法基于 3D 幾何信息以及此類傳感器捕獲的物體表面反射率。使用純幾何信息的 3D-AI 需要高分辨率和精度來區(qū)分非常接近的物體，例如，計算擁擠空間中的人數(shù)。這是因為人工智能被訓練來識別物體的形狀和尺寸，當兩個物體重疊時，它們的形狀就會變得混亂。添加與表面屬性相關(guān)的信息使算法能夠使用形狀內(nèi)的特征（例如面部與軀干）進行訓練，并使用這些特征來區(qū)分和計算人群中的人數(shù)。使用幾何和反射率的人工智能稱為 4D AI。因為它依賴于對外部照明條件不敏感的激光雷達捕獲的數(shù)據(jù)，

?

可集成性/模塊化

但是，這些吸引汽車行業(yè)興趣的優(yōu)勢的實際應用是什么？交通運輸領(lǐng)域不可忽視的兩個先決條件是由空氣動力學驅(qū)動的風格和效率。這種風格一直是汽車的中心舞臺。多年來，燃油效率和空氣動力學一直很突出。不再局限于跑車，這一方面在汽車領(lǐng)域進行了優(yōu)化，特別是在電動汽車中，以增加續(xù)航里程和 EPA 評級。

AV 或 ADAS 傳感器堆棧必須被成熟的 OEM 造型和空氣動力學部門所接受。因此，傳感器集成是絕對必要的。在這一點上，掃描系統(tǒng)表現(xiàn)出一些弱點。此類設(shè)備依賴于昂貴的組件和復雜的架構(gòu)，只有當它們能夠覆蓋大視野時才會變得具有成本效益。另一方面，大視野需要廣闊的視野和消除任何可能的“死角”。不幸的是，這與當今車輛的形狀完全不相容——根據(jù)車展上的趨勢，在可預見的未來似乎也是如此。特斯拉采用了一種解決方案，將攝像頭隱藏和集成在車輛周圍，以風格和空氣動力學驅(qū)動攝像頭位置，反之亦然。

查看通用汽車的專利，我們計算每側(cè) 10 個 LiDAR 或 20 個完整的 360 度。考慮到完整 LiDAR 套件的 2000 美元目標成本，每個傳感器 100 美元成為實現(xiàn)更高級別自主性的必要推動因素。由于 Dirk Van Dijck 和 Johan Van den Bossche 于 2012 年開始的創(chuàng)業(yè)冒險，多光束真固態(tài) LiDAR 可以實現(xiàn)如此嚴格的限制。

?

?

參考

US9831630B2；2015-08-06 ; 通用汽車全球技術(shù)運營有限責任公司；“用于汽車的低成本小尺寸激光雷達”

作者：XenomatiX 北美銷售和業(yè)務發(fā)展經(jīng)理 Jacopo Alaimo 和首席執(zhí)行官 Filip Geuens

審核編輯 黃昊宇