新书推荐 | 揭秘激光雷达“大脑”：标定、感知、定位算法详解

2024 年北京车展，造车新势力们在这个舞台上使出浑身解数，只为赢得消费者的瞩目。

而智能驾驶，正成为各大汽车品牌投入巨资力拼的赛道，谁都想成为真正的「只智能驾驶汽车」。

超过十家车企宣称具备城市 NOA（Navigate on Autopilot）能力，这份名单包括小鹏、蔚来、理想、小米、极悦、问界、阿维塔等品牌。

NOA 即领航辅助驾驶，而特斯拉是全球第一家在量产车中推出 NOA 功能的厂商，特斯拉 FSD（Full Self-Driving）系统中集成了 NOA，这可以说是特斯拉的核心武器。

只要设定目的地，汽车就可以在 NOA 的支持下自动行驶到达，这显然是极具前景的出行方式。

但实现城市 NOA 就要在路况复杂的街道上行驶，随时会有突发状况，汽车对环境的感知能力就尤其重要。

国内大多数车企都选择了搭载激光雷达，因为它的优点是精度高、分辨率高，在各种光照条件下都能工作，探测距离长，可靠性也高。将这个传感器与当前的 AI 技术相结合，就成为「智能驾驶汽车」的关键基础设施。

我们先来探究一下，激光雷达是如何感知这个世界的。

01

激光雷达何以感知世界？

激光雷达是「光探测和测距」（Light Detection and Ranging，LiDAR）的简称。

其工作原理类似于我们使用手电筒，激光雷达发射出一束激光光束，然后测量这束光在与物体相交时的反射情况，从而确定物体的位置、距离和形状。

激光雷达的具体工作过程，首先是以激光作为信号源，由激光器发射出脉冲激光，打到地面、树木、车辆、道路、桥梁和建筑物等被测物体表面上；

随后激光会发生散射，一部分光波会被反射到激光雷达的接收器上；再根据激光测距原理，即可得到从激光雷达到目标点的距离信息。

再进一步，通过激光器不断地水平旋转，便可以得到车辆周围目标物上全部激光点的数据，再用此数据进行成像处理后，便可得到周围环境精确的三维立体点云。

激光雷达常见参数「128 线」，即指该激光雷达的水平分辨率，它在水平方向上发射和接收激光束的数量或密度。较高线数，通常意味着更高的水平分辨率，可以提供更详细的环境感知。

而「点云」是指由激光雷达获取的数据，它是一组三维空间中的点的集合，每个点代表激光雷达扫描到的一个物体表面或障碍物。

点云数据可以用来构建环境地图、检测障碍物、定位车辆或机器人等。

激光雷达就是这样「看见」世界的，然后通过算法处理数据，从而实现智能驾驶。

中国新车企的蓬勃发展，使得行业对激光雷达算法工程师求贤若渴，但目前市面上还缺少系统化介绍车载激光雷达相关应用的图书，于是作者揭皓翔创作《智能驾驶之激光雷达关键算法详解》，填补了市场的空白。

揭皓翔博士，毕业于华中科技大学，先后在华为、东软担任高级算法工程师和技术负责人，在车辆及智能驾驶行业有多年的从业经验。现任知名大厂智驾高级算法专家、技术负责人，拥有近十年的行业积淀。

他的研究方向包括智驾感知、融合、SLAM、规控等，发表 SCI、CCF 会议等论文 10 余篇，并负责及参与多款量产车型 ADAS 项目交付工作，对智能驾驶的技术发展趋势有着深入见解。

就让大厂智驾技术专家，带领我们一窥激光雷达「大脑」的奥秘吧。

02

激光雷达的「大脑」：

关键算法解密

激光雷达就像是「眼睛」，可以让机器感知这个世界；而算法则是「大脑」，让机器对周围的环境做出智能化的决策。本书对激光雷达技术的三项核心算法进行了具体介绍。

（1）标定算法

标定是激光雷达系统中至关重要的一环，它确保激光雷达获取的数据与车辆坐标系或其他传感器的坐标系对齐，从而保证后续的数据处理和分析准确性。

书中先是介绍激光雷达与车体外参标定算法，包括基于道路标定物特征的 LiDAR 动态外参标定、基于手眼模型的 LiDAR 外参标定、基于累积点云特征优化的 LiDAR 外参标定三种方法。

然后介绍激光雷达和相机外参标定算法，主要有三种，一是基于标定物的 L-C 静态标定——ILCC 算法，二是无标定物的 L-C 静态标定——PESC 算法，三是无标定物的 L-C 动态在线标定——AOCCL 算法。

（2）感知算法

激光雷达的感知算法负责对激光雷达数据进行处理和分析，从而实现地面检测、障碍物聚类、目标检测、多目标跟踪、路沿检测等功能。感知算法是本书的重点内容，介绍了以下几个方面。

• 基于 3D 激光点云的地面分割，包括级联地面分割算法、基于高程地图的地面点云分割、基于马尔可夫随机场的地面点云分割。
• 基于 3D 激光点云的聚类分割，包括基于激光点间角度关系的聚类、基于扫描线分割的 SLR 聚类算法、结合深度图和 DBSCAN 算法的 3D 点云聚类。
• 基于 3D 激光点云的目标检测，介绍了 MLP 架构的 PointNet 网络、二阶段检测器——PointRCNN 网络、基于深度图的 RangeDet 网络等。
• 基于 3D 激光点云的路沿检测，介绍了基于人工规则的 SAT-LRBD 算法、基于深度学习网络的 U-AFCD 算法。
• 基于 3D 激光点云的多目标跟踪，详细说明了 AB3DMOT 算法与 SimTrack 算法。

（3）定位算法

定位算法是激光雷达系统中的另一个重要组成部分，它负责确定车辆在地图中的位置和姿态。书中详细介绍了三种定位算法。

首先是激光里程计，介绍了基于特征点进行匹配注册的 LOAM 算法，以及基于点云的正态分布特征进行匹配注册的 NDT 算法。

然后是激光雷达 +IMU 组合定位，包括 IMU-AHFLO 算法、LIO-SAM 算法。

最后是多传感器融合 SLAM，介绍了视觉、激光雷达、IMU 融合的 R2LIVE 算法，以及融合点云地图的 TMFL 算法。

激光雷达的「大脑」依赖于这些关键算法的支持，它们共同构成了激光雷达系统的核心功能，为自动驾驶、环境感知和定位等应用提供了坚实的基础。

03

一次性透彻讲解

激光雷达核心算法

从今年北京车展气氛热烈的氛围看，中国本土新车企也渐成气候，智能驾驶体验是各家车企争夺客户的「杀手锏」。

车载激光雷达是实现智能驾驶的关键设备，要想将设备的威力发挥出来，算法则是核心。

《智能驾驶之激光雷达关键算法详解》涵盖标定、感知、定位三个大类共十余个研究方向，涉及算法约 300 个，详解主流算法超 30 个，一次性透彻讲解激光雷达的核心算法。

本书的写作特点是，首先从问题定义、研究背景和主流研究方向等角度出发，帮助读者快速勾勒出该领域的研究现状；然后，针对每个方向精选有代表性的算法进行详细剖析。

这使得读者可以将理论与现实问题相结合，既理解了算法的本质，也能在工作中学以致用。

书中包含较多的理论知识，作者为此精心绘制了 200 多幅图示，严谨详细推导了 400 多个公式，以直观形象的图解和理论推导帮助读者深刻理解算法。

精彩书摘

另外，书中所介绍的关键算法大多数均有开源代码，其对应的 GitHub 开源链接在文中已经分别列出。这是读者学习的又一宝贵资源。

高等院校车辆工程、机器人工程、交通工程专业和自动驾驶专业的在校学生，可以直接将此书作为教材使用。智能驾驶或机器人领域的技术爱好者，以及激光雷达标定、感知、定位算法工程师，都可以从本书中学习到专业知识，并作为工作参考。

本书不仅是市场上讲解激光雷达算法的首本图书，而且以内容全面、技术前沿、理论扎实等特点获得业界权威专家的一致好评。

技术人想要投身火热的「智能车」新市场吗？

翻开《智能驾驶之激光雷达关键算法详解》开始学习，吃透激光雷达算法，从入门走向专家！