自动驾驶激光雷达点云去畸变：原理与关键技术解析
共读科技
自动驾驶激光雷达点云去畸变：原理与关键技术解析
在自动驾驶系统中，激光雷达作为核心感知设备之一，其点云数据的质量直接影响着环境建模与决策规划的可靠性。然而，当车辆处于运动状态时，激光雷达的扫描过程会因自运动而导致点云数据产生几何畸变，这种现象被称为自运动畸变。
在100毫秒的完整扫描周期内，自动驾驶车辆并非静止不动，而是持续位移和旋转。这意味着激光雷达在扫描起始点与结束点时所记录的车辆姿态可能已发生变化。如果将这些不同姿态下采集的点云强制投影到同一坐标系下，结果将是一幅严重扭曲的三维图像。
激光雷达扫描机制与运动畸变的本质
机械旋转式激光雷达依赖于内部电机驱动发射模组完成全周向扫描，常见的扫描频率为10赫兹，即每秒完成10帧扫描。在每帧扫描过程中，激光束以微秒级频率发射并返回。每个激光点记录的是该时刻雷达中心点的相对距离和角度。
由于车辆在行驶过程中具有速度和角速度，激光雷达的坐标原点在每一束激光采集时刻也在不断变化。这与人站在高速列车中作画的场景类似，若画笔跟不上列车的速度，画面将因列车位移而被拉伸变形。
激光雷达的扫描方式在视觉上与相机“滚动快门”效应相似。在逐行曝光的过程中，高速运动物体的边缘会出现倾斜。同样，激光雷达在微秒级采样后整合到同一帧中，也会忽略时间连续性，从而造成点云畸变。
自运动畸变的程度与车速、角速度以及雷达帧率密切相关。在高速场景下，车辆可能在100毫秒内前移数米，如果不进行空间对齐，点云中目标的位置误差可达到数米，这在需要厘米级精度的自动驾驶系统中是不可接受的。
此外，环境中动态障碍物的运动也会导致点云发生形变。当激光雷达扫描一辆高速移动的目标时，由于相对运动，其表面点云分布将被压缩或拉长，进而影响目标识别算法的判断。
时间同步与高精度轨迹重建
点云去畸变的关键在于“空间对齐”，而实现这一目标的前提是精准的时间同步。自动驾驶系统通常采用GNSS作为全局时间源，通过PPS信号拉齐各传感器时钟。
GNSS接收机通过GPRMC报文与激光雷达进行时间校准，确保每个点云都带有标准的UTC时间戳。随着车载网络向以太网演进，PTP协议已成为主流，能够实现亚微秒级同步，为多传感器融合提供统一的时间基准。
时间同步之后，系统需要重建车辆在扫描周期内的连续运动轨迹。惯导系统（INS）通常输出100~200Hz的位姿数据，这意味着在两次位姿输出之间，车辆可能已经移动了数厘米。为获得每一激光点的精确位置，系统需对离散位姿进行插值。
线性插值虽简单有效，却无法处理复杂的加速度变化。因此，高性能系统多采用基于四元数的SLERP插值方法，该方法可保持旋转过程的角速度恒定，并避免矩阵正交性问题。
更先进的方案则利用三阶B样条或高斯过程建模车辆运动，将位姿表示为时间的连续函数，从而提高系统在复杂动态环境下的适应性。
从点对点补偿到反向传播
早期的点云去畸变方法多为帧级别的线性补偿，虽计算量小，但难以应对非匀速运动。随着感知精度要求提升，点对点补偿成为主流。
在点对点补偿中，系统根据每个激光点的时间戳，通过插值获取其瞬时变换矩阵，并将其转换至统一参考坐标系，通常以帧开始或结束时刻的雷达中心为基准。
LOAM及其优化版本LeGO-LOAM引入了去畸变与里程计解算的闭环机制。系统首先基于前一帧预测当前帧位姿，然后通过特征匹配反推当前帧的精确姿态，从而减少残差误差。
LeGO-LOAM通过地面点云分割，有效剔除了地形噪声，提升了算法稳定性。在紧耦合系统中，FAST-LIO2等算法采用反向传播机制，利用IMU的高频数据，从帧结束时刻反向计算各点的偏移，从而处理剧烈颠簸场景。
FAST-LIO2通过直接对原始点云进行重映射，无需特征提取，提升了系统处理速度与鲁棒性。算法还结合高效空间索引（如ikd-Tree），实现超过100Hz的实时更新。
从数学逻辑到算法实现
点云去畸变本质上是将激光点从原始坐标系转换至参考坐标系的过程。该过程涉及雷达与IMU之间的外参矩阵，以及车辆在采集时刻与参考时刻之间的位姿矩阵。
具体计算步骤包括：将点从雷达坐标系转换至车体坐标系，应用插值获得的瞬时变换矩阵进行空间补偿，最终将结果转换至统一参考系。为保证旋转计算的正交性，常采用四元数或李代数进行插值。
感知系统中的去畸变融合与趋势
点云去畸变是感知流程中“原始数据准备”阶段的重要环节。研究表明，未去畸变的点云会导致目标识别模型误判或漏检，因此，去畸变不仅修复几何结构，也为深度学习提供符合物理规律的数据输入。
在多传感器融合架构下，去畸变后的点云能与摄像头图像实现更精确的空间匹配，提高语义分类能力。此外，部分研究尝试利用点云畸变特征反向推算物体速度，为4D激光雷达感知技术铺路。
4D激光雷达不仅包含X、Y、Z三维坐标与强度信息，还附加了径向速度分量，有助于识别高速变道车辆。随着固态激光雷达的普及，去畸变策略也在演进。固态雷达因具备高频采样或全局快门特性，其畸变问题相对减小，但对空间标定提出了更高要求。
未来的去畸变框架将趋向模块化，根据雷达特性自动选择最优补偿模型。在极端场景下，如GNSS信号丢失、IMU漂移等，系统如何仅依赖激光雷达自身维持轨迹连续性，将是实现全天候自动驾驶的关键。
查看全文
评论0条评论