自動駕駛激光雷達(dá)中常說的“線”是個啥？

在自動駕駛領(lǐng)域，激光雷達(dá)（LiDAR）常被貼上“16線”、“32線”、“64線”乃至“128線”的標(biāo)簽，這里的“線”并不是公路上的車道線，而是指傳感器在一次完整旋轉(zhuǎn)中所發(fā)射并接收的激光束組數(shù)，也可直觀地理解為垂直方向上的掃描層數(shù)。每一“線”代表一束激光，它們在安裝于旋轉(zhuǎn)頭部的發(fā)射陣列上按照不同的垂直仰角分布，當(dāng)傳感器旋轉(zhuǎn)時，這些激光束按預(yù)定軌跡在空間中繪制出多層次的測距線。

雷達(dá)收到回波后，通過計算光脈沖往返時間來獲取目標(biāo)距離，結(jié)合旋轉(zhuǎn)角度和垂直角度參數(shù)，就能拼接出一幅三維的點云圖。線數(shù)越多，同一時間內(nèi)對目標(biāo)環(huán)境進(jìn)行采樣的垂直層數(shù)就越豐富，點云在豎直方向上的分辨能力也就越高，這直接影響了自動駕駛系統(tǒng)對障礙物、路緣、標(biāo)志物等細(xì)節(jié)特征的識別與定位效果。

線數(shù)的提升不僅會增加垂直方向的采樣層面，也可以帶動整體點云數(shù)量的飛躍。以常見的64線激光雷達(dá)為例，如果它每秒旋轉(zhuǎn)20圈，每圈產(chǎn)生的水平方向回波點與角度分辨率均為1°，那么單秒數(shù)據(jù)量便可超過64×360×20≈460 800個測距點；而16線設(shè)備在相同條件下僅有四分之一的數(shù)據(jù)量。更多的點意味著在渲染道路三維模型時能更清晰地勾勒出低矮護(hù)欄、積水坑洼、道路坑洞等細(xì)微變化，也能更準(zhǔn)確地捕捉行人、騎行者等小目標(biāo)的輪廓。對于需要精確感知例如上下坡道、立交橋下以及雨雪覆蓋的復(fù)雜路面地形等高低差的場景，高線數(shù)激光雷達(dá)能夠提供更豐富的垂直細(xì)節(jié)，從而幫助規(guī)劃模塊生成更加安全、平順的行駛路徑。

當(dāng)然，線數(shù)并不是衡量一款激光雷達(dá)性能的全部指標(biāo)，還要結(jié)合垂直視場（Vertical Field of View，VFOV）來看。線數(shù)決定了垂直層數(shù)，而VFOV則決定了這些層數(shù)在空間中覆蓋的角度范圍。低線數(shù)雷達(dá)通常VFOV較窄，可能僅在±10°范圍內(nèi)，而高線數(shù)雷達(dá)則可擴(kuò)展至±25°甚至±40°，這意味著在俯仰變化較大的高速匝道或多層立體停車庫中，高線數(shù)加寬VFOV的組合能讓傳感器兼顧地面和高處結(jié)構(gòu)的感知。此外，激光束的垂直角度分布是否均勻，也會決定同樣線數(shù)的雷達(dá)在不同仰俯角區(qū)域的感知密度是否一致。因此，在選擇激光雷達(dá)時，除關(guān)注線數(shù)，還應(yīng)查看具體的VFOV參數(shù)與激光束排列方式，才能確保在所需場景下獲得理想的覆蓋效果。

線數(shù)提升必然帶來更高的成本和更大的功耗。多通道光學(xué)發(fā)射接收單元、復(fù)雜的光學(xué)元件設(shè)計以及更強(qiáng)的信號處理能力，都讓高線數(shù)激光雷達(dá)在硬件層面需要付出更高代價。對于整車廠而言，部署高線數(shù)雷達(dá)意味著不僅要承擔(dān)傳感器本身的采購成本，還要在車體設(shè)計、電源管理、熱管理等方面進(jìn)行額外投入。多通道同時工作的雷達(dá)也要消耗更多電量，同時系統(tǒng)還要確保采集后的海量點云能夠被車載計算平臺實時處理，這對算力與散熱設(shè)計提出了更高要求。因此，在不同級別的自動駕駛解決方案中，廠商往往會根據(jù)性能需求和成本預(yù)算，在16線到128線之間做出平衡，高速公路場景傾向于使用64線以上，而城市低速或泊車輔助場景則用32線或更低線數(shù)即可滿足。

大量點云數(shù)據(jù)的產(chǎn)生，也對感知算法和車載計算平臺提出了挑戰(zhàn)。點云預(yù)處理（如去除噪聲點、下采樣）、特征提取、目標(biāo)檢測、跟蹤與分類等算法，都需要在毫秒級的時間窗口內(nèi)完成。高線數(shù)點云雖然能提供更精細(xì)的三維信息，但也意味著更大的數(shù)據(jù)吞吐量和更高的存儲帶寬需求。為此，現(xiàn)代自動駕駛系統(tǒng)通常在硬件層面配備FPGA、GPU或?qū)Ｓ?a class="article-link" target="_blank" href="/tag/AI%E8%8A%AF%E7%89%87/">AI芯片，對點云進(jìn)行并行化處理、稀疏化壓縮和特征編碼，并結(jié)合深度學(xué)習(xí)模型來提取障礙物與路面特征。在算法設(shè)計上，還會針對不同線數(shù)的點云數(shù)據(jù)訓(xùn)練專用模型：低線數(shù)模型側(cè)重于補(bǔ)償稀疏性、高線數(shù)模型則更關(guān)注如何從稠密點云中提取微小目標(biāo)，使得不同配置的自動駕駛系統(tǒng)都能達(dá)到可靠的環(huán)境感知。

在多傳感器融合的架構(gòu)中，激光雷達(dá)的線數(shù)選擇也影響整體感知策略。自動駕駛系統(tǒng)通常會將LiDAR與毫米波雷達(dá)、攝像頭、超聲波和慣性測量單元（IMU）等多種傳感器數(shù)據(jù)進(jìn)行融合，攝像頭負(fù)責(zé)識別交通標(biāo)志、車道線及顏色信息；毫米波雷達(dá)在雨雪霧等惡劣天氣中保持穩(wěn)定的距離測量；激光雷達(dá)則憑借三維點云提供精準(zhǔn)的空間輪廓。若采用低線數(shù)LiDAR，則需更依賴毫米波雷達(dá)在遠(yuǎn)距或不良天氣下的補(bǔ)償；而高線數(shù)LiDAR可在多數(shù)常見場景中獨立完成對靜態(tài)與動態(tài)目標(biāo)的高精度檢測，但也會帶來更大的數(shù)據(jù)流量和融合算法復(fù)雜度。因此，實際項目中往往根據(jù)級別需求及預(yù)算，在不同車系或功能域（高速巡航、城市接駁、自動泊車）之間采用多線數(shù)并存的混合方案，以兼顧性能與成本。

其實固態(tài)激光雷達(dá)正逐漸成為行業(yè)趨勢，為實現(xiàn)更高線數(shù)、更寬VFOV、更小體積、更低成本的目標(biāo)提供了新思路。固態(tài)設(shè)計取消了旋轉(zhuǎn)部件，靠光學(xué)相控陣或微機(jī)電系統(tǒng)（MEMS）進(jìn)行電子掃描，既提升了可靠性，也為高線數(shù)集成提供了可能。雖然目前固態(tài)產(chǎn)品在通道數(shù)和掃描頻率上仍略低于機(jī)械旋轉(zhuǎn)式雷達(dá)，但隨著芯片與光學(xué)設(shè)計的進(jìn)步，32線、64線固態(tài)LiDAR將很快實現(xiàn)量產(chǎn)并向更高線數(shù)演進(jìn)。屆時，自動駕駛系統(tǒng)將能在更緊湊的車身空間內(nèi)部署多臺固態(tài)高線數(shù)雷達(dá)，通過覆蓋不同方位和高度，實現(xiàn)對環(huán)境的全方位、實時感知，為L4、L5級別的完全自動駕駛打下堅實基礎(chǔ)。

總之，“多少多少線”是衡量激光雷達(dá)采樣密度與感知能力的重要指標(biāo)，但并非孤立存在。除了線數(shù)，還要綜合考量VFOV、掃描頻率、算法適配、系統(tǒng)成本與功耗，以及多傳感器融合策略等多方面因素。只有將激光雷達(dá)的線數(shù)選擇納入整體自動駕駛系統(tǒng)設(shè)計中，才能在保證環(huán)境感知精度的同時，實現(xiàn)整車的經(jīng)濟(jì)可行與規(guī)?；涞亍ｋS著固態(tài)雷達(dá)、AI加速器與算法優(yōu)化技術(shù)的持續(xù)推進(jìn)，未來高線數(shù)激光雷達(dá)將更普及，也將推動自動駕駛向更高等級的安全與智能邁進(jìn)。