自动驾驶中的传感器技术26——Lidar（1）

最新推荐文章于 2025-08-11 07:00:00 发布
原创 最新推荐文章于 2025-08-11 07:00:00 发布 · 954 阅读 · 21 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#自动驾驶 #人工智能 #机器学习

1、Lidar技术总体演进方向

机械式→半固态→全固态

2、全行业的Lidar演进方案及应用的芯片、光学部件方案如下

机械式棱镜式转镜式MEMSFlashOPA
发射芯片EEL+分立多通道驱动EELVCSEL+驱动芯片
光纤激光器（图达通用，需要转镜+振镜）		EELVCSEL TilesOPA chip
单激光器
接收芯片APD+分立多通道TIAAPDSiPM（905nm禾赛速腾用）（弱光灵敏度比APD更高）
SPAD（禾赛AT512用）
APD（1550nm，途达通用）
+接收链路芯片		SiPM（速腾M1用）SPAD（更适合Flash方案，单位芯片面积下像素数优于SiPM）SPAD；
PIN PD（如果采用FMCW）
信号处理芯片FPGAFPGAFPGA或ASICFPGA或ASICFPGA或ASICFPGA或ASIC
光学部件Lens（按需）棱镜组+分光组件+准直透镜一维转镜+分光组件+准直透镜准直透镜+分光组件+反射镜+MEMS微机电振镜Lens+DiffuserLens
机械部件有有有MEMS微机电振镜无无
通信模块1000BaseT11000BaseT11000BaseT11000BaseT11000BaseT11000BaseT1

以上禾赛AT128的VCSEL+SiPM+一维转镜的方案从技术以及量产可靠性上有优势。从CES2024上，禾赛发布AT512（VCSEL+SPAD+一维转镜）看，其技术路线保持了相对稳定连续，没有比较大的技术路线变化。

另外速腾EEL+SiPM+MEMS振镜的方案从技术以及量产可靠性上也同样有优势，从其后续的MX等产品看，其技术路线保持了相对稳定连续，没有比较大的技术路线变化。

下表为国信证券整理的Lidar不同技术路线的原理、特点以及代表性企业，可以参考，但是性能不能完全接受。

3、机械式Lidar、棱镜式现状Lidar

参见后续章节，目前已经不是主流方案。

4、转镜式Lidar、MEMS振镜式Lidar现状

参加后续章节，目前主流方案是禾赛的转镜式Lidar，以及速腾的MEMS振镜式Lidar。

5、全固态Lidar现状

5.1 大陆HFL110已量产装车，指标可信

图1 大陆HFL110

5.2 OUSTER 没有量产，技术指标存疑问，但是理论上是可以达到的

图2 OUSTER ES2
图3 ES2技术指标

https://images.kempstoncontrols.com/page_assets/manu_landing/ouster/datasheet-ES2.pdf

5.3 FMCW Lidar

图4 FMCW Lidar Diagram

5.4 FMCW+OPA Lidar

图5 多种OPA方案

将OPA和FMCW Lidar进行结合

OPA扫描通常基于硅光芯片，而TOF的峰值功率过高，硅光芯片往往承受不住；FMCW的信噪比很高，即便用很低的功率，也可以获得足够多的“有效信号”。FMCW更适合和OPA结合。如何涉及到进行该方案的Lidar开发，需要有集成化的芯片模块，类似Avea开发的模块，该模块集成了光源、OPA，最终基于该模块构建Lidar。

图6 Avea Lidar核心模块
图7 Avea Lidar核心模块
图8 Avea LIdar核心模块
图9 Avea LIdar核心模块

实现技术指标如下

  • 测距：250m（@10%），500m（最大）

  • FOV：120°（H）*30°（V）

  • 功能安全：ASIL-B(D)

  • 满足车轨

综上，Flash激光雷达的优点在于直接去除了扫描模块，但由于是面光源（MEMS 等扫描方式为点光源），因此能量相比点光源较为发散，难以到达远距离探测。影响Flash激光雷达性能的部件主要是发射模块的垂直腔面 发射激光（VCSEL）及接收模块中的单光子雪崩二极管（SPAD）。VCSEL方面，目前商用VCSEL发射功率不断提升，同时VCSEL阵列实现相同峰值功率下对车辆前方更远距离的探测。SPAD 方面，其发展目前同样沿着摩尔定律式的性能曲线移动，随着SPAD的快速发展FLASH 激光雷达有望率先成为商用于中距离探测的固态式激光雷达。

自动驾驶技术基础——LiDAR
汽车电子软件领域知识分享
06-01 1280
文章目录1. 引言2. 什么是 LiDAR？3. LiDAR 传感器的 1D、2D 或 3D 变型4. 秒懂光达原理5. 激光测量的各种方法5.1 相位相关测量法5.2 脉冲飞行时间测量法5.3 HDDM+测量法（统计评估）6. 评估测量光束中的多个接收脉冲7. 参考资料 1. 引言 数十年来，LiDAR 传感器已在全球工业中得以应用。这些传感器提供人员防护并实现流程自动化。它们适用于室内与室外区域。其应用领域包括例如港口自动化、交通管理系统和目标保护设备。 2. 什么是 LiDAR？ 利用激光进行非接.
Python在自动驾驶中的多传感器融合——让智能汽车“看得更清楚”
Echo_Wish
05-23 935
在自动驾驶技术的演进过程中，多传感器融合（Multi-Sensor Fusion）是不可或缺的一环。单一传感器往往存在局限性，例如**摄像头怕光线变化，激光雷达价格昂贵，毫米波雷达分辨率有限**，但如果将它们结合起来，就能形成一个更全面、更可靠的环境感知系统。今天，我们就来聊聊如何**用Python实现自动驾驶中的多传感器融合**，并结合最新技术趋势，带你一窥智能汽车如何“看清世界”。
自动驾驶中的传感器技术27——Lidar（2）
Godspeed_zwh的博客
08-08 1083
激光雷达波长选择主要集中于近红外波段（905nm、1550nm等），以兼顾人眼安全与探测效率。其中905nm波段采用硅基探测器，1550nm则需InGaAs材料，后者具有更高功率但成本较高。激光器类型上，半导体激光器（EEL/VCSEL）和光纤激光器形成技术路线分野：EEL可实现高功率但光束质量差，VCSEL凭借圆形光斑、低功耗和可阵列化优势成为主流选择，而1550nm光纤激光器虽性能优异却面临体积和成本挑战。行业现状显示，905nm方案凭借成熟供应链占据市场主导，1550nm方案则在高阶自动驾驶领域逐步渗
自动驾驶中的传感器技术29——Lidar（4）
Godspeed_zwh的博客
08-10 452
激光雷达光学系统核心部件及应用分析 摘要：本文系统介绍了激光雷达光学系统中的关键部件及其特性。分轴和同轴光路设计各有优劣，分轴存在近场盲区但成本低，同轴无盲区但结构复杂。重点分析了准直镜（FAC/SAC）、分束器、扩散片、滤光片等核心光学元件的工作原理和技术指标。其中，FAC/SAC可有效改善激光器光束质量；窄带干涉滤光片需满足超窄带宽（<1.5nm）和高透过率（>90%）要求；扩散片能实现光场均匀化（均匀度达90%）。此外，还比较了平面镜、转镜和MEMS振镜三种扫描方案的性能特点，指出电磁式M
自动驾驶中的传感器技术30——Lidar（5）
最新发布
Godspeed_zwh的博客
08-11 400
激光雷达主流扫描模式原理概述 目前激光雷达主要采用6种扫描模式：1）机械旋转式，通过多激光器垂直堆叠和整体旋转实现360°扫描，但可靠性差；2）棱镜式（如大疆Livox），采用双楔形棱镜折射实现玫瑰花结扫描；3）转镜式（如禾赛AT128），利用多面体转镜反射实现等速扫描；4）MEMS振镜式（如速腾），通过微机电镜片谐振偏转扫描；5）混合式（如图达通猎鹰），结合转镜水平扫描和振镜垂直扫描；6）Flash式，采用面阵激光瞬时照明，无需扫描机构。固态化是行业发展趋势，各方案在可靠性、成本、性能等方面各有优劣，需根
自动驾驶中的传感器技术28——Lidar（3）
Godspeed_zwh的博客
08-09 858
本文综述了激光雷达探测器的关键技术与发展现状。首先介绍了PIN光电二极管、雪崩光电二极管(APD)和单光子雪崩二极管(SPAD)三类主流探测器的工作原理及特性对比，重点分析了SPAD在盖革模式下的单光子探测机制及其关键参数（光子探测效率、雪崩倍增因子等）。随后阐述了硅光电倍增管(SiPM)作为SPAD阵列的独特优势，并系统比较了SPAD阵列与SiPM阵列在时间分辨率、灵敏度和像素数量等维度的性能差异。最后指出具备单光子灵敏度、皮秒级时间分辨率的SPAD/SiPM阵列是脉冲激光雷达的理想选择，并汇总了当前行业
自动驾驶中的传感器技术25——Lidar（0）
Godspeed_zwh的博客
08-06 541
全球激光雷达产业现状显示，Valeo作为老牌Tier1厂商处于第一梯队，其产品可作行业标杆。Aeva的4D激光雷达虽表现优异但量产经验不足。国内市场由禾赛和速腾主导，占据大部分份额。2023年出货量排名显示Valeo仍保持领先优势，国内速腾、禾赛、华为和图达通构成稳健的第一梯队，大疆和一径在技术上也有参考价值。车载激光雷达主要采用3D测距技术中的(c)方案，未来将向(e)方案发展。
自动驾驶中的传感器技术3——概述（3）-Lidar
Godspeed_zwh的博客
07-27 961
摘要： Lidar技术是自动驾驶的核心传感器，通过激光测距生成高精度3D点云，实现环境感知、障碍物检测及定位。其分为机械式、固态等类型，部署位置包括车顶（360°覆盖）、前保（主探测）和车身侧面（补盲）。技术原理基于飞行时间（ToF）测距，具有高精度、三维感知及恶劣天气适应性等优势，但面临高反干扰、阳光噪声、盲区吸点等工程挑战。当前技术迭代方向聚焦固态化（如转镜/振镜式）、低成本化（速腾MX单模组方案）及FMCW+OPA等新型扫描技术，以提升可靠性并降低成本。未来Lidar将与其他传感器融合，推动自动驾驶系
自动驾驶关键传感器——LiDAR
m0_49762095的博客
08-11 1640
自动驾驶关键传感器——LiDAR什么是LiDAR?LiDAR工作原理点云LiDAR与其他传感器对比LiDAR在自动驾驶中的地位车用LiDAR种类 什么是LiDAR? LiDAR，是Light Detection and Ranging的缩写，常用作代表激光雷达。 LiDAR是一种传感技术，可发射低功率，人眼安全的激光进行脉冲测量，并测量激光完成传感器与目标之间往返所需的时间。所得的聚合数据用于生成3D点云图像，同时提供空间位置和深度信息以识别，分类和跟踪运动对象。 LiDAR工作原理 LiDAR的工作原理是
自动驾驶中的传感器技术1——概述（1）-ADAS
Godspeed_zwh的博客
07-26 784
文章详细列举了各等级典型功能对应的传感器配置，为理解自动驾驶技术发展提供了清晰的框架。
自动驾驶中的传感器技术15——Camera（6）
Godspeed_zwh的博客
08-02 904
CMOS图像传感器（CIS）是相机系统的核心组件，其结构和工艺直接影响相机性能。CIS由像素阵列、驱动电路、信号处理器等组成，采用CMOS工艺制造，支持集成化设计。工艺演进从传统前照式（FSI）发展到背照式（BSI）和堆栈式，显著提升了感光效率。CIS的全局快门和滚动快门各有特点，自动驾驶多选用成本更低的滚动快门。像素架构中的4T设计能降低电路噪声，而色彩滤波阵列（CFA）的不同排列方式（如Bayer、RGBW）会影响图像的信噪比和色彩准确性。CIS的工艺和设计会直接影响相机的以下关键参数：噪点水平、动态范
自动驾驶的关键技术——激光雷达(LiDAR)的基础技术、最新动态及车载技术的必要条件.pdf
09-20
激光雷达（LiDAR）技术在自动驾驶领域中的应用和发展 激光雷达（LiDAR）是自动驾驶领域中的一项关键技术，能够提供高精度的三维点云数据，帮助自动驾驶系统实时感知周围环境。下面是关于激光雷达（LiDAR）技术的...
工程机械离自动驾驶作业还有多远——沃尔沃建筑设备瑞典总部探索论坛见闻.pdf
09-20
由于提供的文档内容中存在较多不完整和语义不清晰的句子，这些内容可能源自OCR扫描误差，我将尽力整理并提供一个关于自动驾驶技术和智能工程机械的详细知识点说明。为了满足要求，以下内容将尽量不直接引用文档中的...
【自动驾驶仿真在做什么——初学者总结（陆续补充）】
路有瑶台的博客
07-04 1632
可以极大程度上保障驾驶员在使用这些自动驾驶功能时的安全性。根据不同场景的业务需求进行合理地ODD设计以及测试已经成为了所有自动驾驶企业们着重关注的目标。ODD的划分标准与框架都有相关的标准可以清晰定义，那么在对ODD场景进行分类之后，如何去测试这些ODD的边界来判断现有的自动驾驶系统是否合格达标呢？
自动驾驶控制算法——Stanley 控制器
swaggytiger的博客
08-10 91
摘要： Stanley控制器是一种用于车辆横向控制的路径跟踪算法，由斯坦福大学在2005年DARPA自动驾驶挑战赛中提出。其核心思想是通过同时修正航向误差和横向误差，使车辆贴合参考路径。控制律包含航向修正项和速度自适应的横向修正项，确保高速稳定性和低速响应性。相比纯跟踪法和PID控制，Stanley控制器具有更好的速度适应性和实现简单性，适用于轨迹跟踪、车道保持等自动驾驶场景。其实现基于单轨运动学模型，通过实时计算误差并代入控制律求解转向角，形成闭环控制。关键参数需调优以平衡响应速度和稳定性，适合低中速自动
【自动驾驶】《Sparse4Dv3》代码学习笔记
聿默的博客
08-07 476
Sparse4Dv3方法改进点解析：1）时序实例去噪采用预初始化锚点与动态噪声生成结合，通过时间差补偿目标属性；2）质量估计模块优化，中心点使用交叉熵损失，yaw角采用高斯focal loss；3）引入解耦注意力机制，对锚点特征进行独立编码后拼接，降低计算开销；4）扩展追踪功能，通过缓存实例特征和动态ID分配实现目标关联。代码实现上通过mode参数控制特征融合方式（add/cat），显著提升了算法效率。
自动驾驶控制算法——滑模控制（SMC）原理与建模
swaggytiger的博客
08-07 1179
自动驾驶滑模控制（SMC）原理与应用 本文介绍了滑模控制（SMC）在自动驾驶领域的应用原理。SMC是一种鲁棒的非线性控制方法，通过设计滑模面将系统状态强制"吸引"并沿面滑动，有效应对车辆动力学中的不确定性。文章首先阐述了SMC的核心思想，将其与PID、LQR、MPC等控制方法进行对比。随后以车辆横向控制为例，详细推导了SMC的建模过程，包括滑模面设计、控制律推导及抖振问题的解决方案。最后探讨了SMC的优化方向，包括最优滑模面设计、自适应控制和高阶滑模控制。SMC凭借其强鲁棒性和简单结构，
规划是自动驾驶的“头脑”
frostmelody 全网同名，大家多多关注呀~ 持续分享优质内容！
08-09 614
这就是​​视觉定位（Visual Localization）或相机重定位（Camera Relocalization）​​的核心任务：给一张查询图片，找出它在已知场景（一个带坐标信息的图片数据库）中的精确位置和朝向（6自由度姿态：3D位置 + 3D旋转）。如果后续要做严谨的“科学实验”或重要的“工程建造”，就不能完全相信这个“魔术”的结果，要么弄清楚魔术是怎么变的（控制它），要么只用它来活跃下气氛（辅助探索），关键部分还得靠可靠的“工具”和“图纸”（传统可控方法）。融合后的结果能不能用来做后续的严肃分析？
自动驾驶系统的网络安全风险分析
NewCarRen的博客
08-06 923
摘要：本研究针对控制中心监管的4级自动驾驶卡车系统（ADS）开展网络安全风险分析。通过与全球卡车制造商合作构建系统模型，识别出视频数据泄露、行驶中功能丧失等高风险损害场景。基于模块化风险评估（MoRA）方法，分析发现216个威胁场景，涉及感知、控制等核心模块的安全漏洞。研究提出双重应对策略：一方面通过实施声明规范攻击者模型，另一方面部署系统故障检测、数据加密传输等21项控制措施，将65个重大风险降至可接受水平。特别指出任务控制软件作为远程攻击入口需重点防护，建议采用端到端签名验证等强化手段。研究提炼的18个
自动驾驶中传感器融合与3D对象跟踪技术研究
在自动驾驶汽车领域，传感器融合和对象跟踪是实现可靠自动驾驶技术的关键组成部分。本项目利用了真实数据集——Waymo Open Dataset，并将扩展的Kalman滤波器（EKF）应用于传感器融合和多车辆跟踪。下面将详细介绍...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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