前倾摘要:最近在调研关于雷达性能评测的相关资料。于是就写一下笔记记录一下调研过程
经过上个周的调研,一共找到两份相关参考资料:
汽车的智能化发展让车载激光雷达变成一桩热门的生意,目前国内外布局在激光雷达领域的创业公司越来越多,由于缺少一个统一的标准,很难判断市场上激光雷达产品的优劣。
最近,名古屋大学和TierIV公开了一项研究,他们在多重环境下评测了4家厂商12款激光雷达性能,并组成了一个名为“ LIBRE”3D LiDARs数据集,作为LiDAR基准测试和参考。
其中TierIV的官方介绍是这样:
Building an open ecosystem of intelligent vehicles with Autoware enabling as many organizations & individuals as possible to be part of that ecosystem.
翻译如下:建立了智能汽车的生态系统AutoWare, 让很多组织和个人有机会成为该生态的一部分。
AutoWare官方网址为:https://www.autoware.org/
该论文主的贡献是
- 提供了一种相对公平的测量能用的雷达的方法
- 改进了他们的感知算法
Libre 数据集结构
论文来源:LIBRE: The Multiple 3D LiDAR Dataset 参考资料:12款激光雷达测评
根据论文,《LIBRE: The Multiple 3D LiDAR Dataset》,
数据独立的来源于每一个传感器,主要包括三个不同的环境和配置。
其中,
- 静态目标,在可控的环境下,在已知的距离去测量固定的目标。
- 恶劣天气,从移动的车辆中去测量静态的障碍物,在一个气候室中,包括(雾 雨 强光)
- 动态交通,在城市的道路上每天多时段多次捕捉动态目标。
该论文还说了雷达性能的关键指标:
分别是:
- 测量距离
- 测量精度
- 点的密度(点云密度)
- 扫描速度和可配置性
- 波长
- 出环境改变的鲁棒性(抗干扰能力)
- 形状因素
- 成本
本论文依据的指标:
分别是:
- 测量距离
- 精度
- 密度
- 目标检测
- 地图定位
- 对天气和干扰的鲁棒性
测量距离:
分别在固定的距离,同时测量不同的反射物,车和模特。由远及近的测量
远距离测量,红色是黑白灰的反射板,绿色是模特,紫色是汽车。
中等距离测量:
近距离测量:
黄色为更换雷达,可以对比上图,再就近到远的测量。
下面展示雷达测试的效果图。
可以看到不同的颜色深度的反射面板,反射的强度也不同。测量表:
雷达安装在不同高度下对桩桶的测远结果
测远结果如上图,显示的是下雨天(蓝色框内)和晴天(红色框内)雷达安装在车不同高度下至少探测到桩桶两个点的距离, 一般我们认为利用传统方法,至少探测到两个点才能被检测为桩桶,所以我们最终大致确定Pandar40P在我们的场景下最远探测桩桶可以到47m左右,并在充分考虑了安装点对于赛车空气动力学的影响后,选在了395mm高的安装点。
结论:
根据此方法可以确认,同时可以测量雷达的测量范围,同时测量对车,人和不用反射率的物体的有效测量距离。
视频链接:https://sites.google.com/g.sp.m.is.nagoya-u.ac.jp/libre-dataset#h.p_m8v67eZb4uOQ
定位
测量精度:3D 扫描仪
恶劣天气
下图是恶劣天气的结果,颜色代表强度,每一列分别是雾,雨,强光下的雷达图。
模拟恶劣天气:雾
雾下的激光雷达图(浓度由低到高,上图为高浓度)
低浓度雾
高浓度
模拟恶劣天气:雨天
雨中的激光雷达图
绿色箭头是水花
恶劣天气:强光
红色直线是强光与激光雷达在同一水平线上
恶劣天气:强光(近处)
(远)
雷达抗干扰能力
不同雷达同时测试
左:禾赛抗干扰雷达点云 右:无抗干扰雷达点云
建图测量误差
点云密度:
预测量距离类似
参考资料:【泡泡传感器评测】禾赛Pandar40P激光雷达评测(二)针对FSG场景的激光雷达测试和评估