真固态——汽车激光雷达的未来

2012 年底，Dirk Van Dijck 教授和连续创业者 Johan Van den Bossche 的注意力落在了一张谷歌自动驾驶汽车的照片上。山景巨人的第一个原型刚刚在许多媒体上被披露为首页。

在改装后的丰田普锐斯车顶上，旋转的 Velodyne LiDAR 使汽车能够以 3D 方式查看周围环境，为定位和定位算法以及其感知堆栈的第一层提供必要的数据。两人开始想象这辆车在汽车行业激烈竞争的压力下将如何发展。

运输中的挑战之一一直是移动人和物，以尽量减少移动部件的数量。对于我 8 岁的孩子来说，这个概念也很清楚，他希望远程交通取代汽车：噪音更小，污染更少，当然更快。机械运动系统由许多部件组成，这些部件需要能量来加速质量，并赢得摩擦和动量，从而导致效率和可靠性的损失，从而导致总体成本增加。

在汽车系统的发展过程中，首先要优化的元素通常是运动部件。我们有很多这样的例子，比如自适应前照灯，旨在更好地照亮转弯并避免使用复杂的快门和云台系统产生眩光，现在已被数千个固态 LED 所取代。

在第一款 Google AV 中，完整的感知堆栈依赖于一个移动元素：一个旋转的激光雷达来扫描周围环境。

许多其他创新者发现了第一款 AV LiDAR 的同样弱点，并引发了对改进 LiDAR 方法的戏剧性探索，并催生了数十家初创公司。许多人看到了机会，许多人选择了应用渐进式创新的方式，专注于扫描原理、减少质量、小型化组件（例如引入 MEMS（微机电系统），同时提高性能。

这位教授和企业家在简历上都拥有大量专利、技术初创企业和成功案例，他们选择了不同的道路，因为他们知道具有更高潜力的创新往往伴随着重大决策。如果扫描的弱点是运动，为什么不完全消除扫描的需要呢？为什么不一次发射数千个激光束，而不是使用几个旋转激光呢？真正固态激光雷达的想法与第一家开发它的激光雷达公司 XenomatiX 一起诞生。那是 2013 年。

真固态激光雷达

“固态”定义已被用于对不同类型的 LiDAR 进行分类，这在 LiDAR 社区内也引起了一些混淆。固态可以描述激光源和检测器的类型，例如，当使用半导体时。尽管依靠移动微元件来改变激光方向，但基于 MEMS 的激光雷达通常被认为属于这一类。固态系统是否意味着没有运动部件？此外，Aurora、英特尔和 Aeva 等大公司最近采用的 FMCW 技术假装是固态的。显然，当仍然需要扫描机制来控制激光波时，这是不正确的。一些使用 OPA（光学相控阵）的 FMCW LiDAR 的技术准备程度非常低，还有许多技术方面需要解决。与原来的 Velodyne LiDAR 相比，

由于需要区分其技术，XenomatiX 引入了“True”属性来识别在各个方面都符合定义的固态 LiDAR 系统：XenomatiX 技术是真正的固态，因为它是由基于半导体的激光源制成的，并且检测器，因为它无需扫描或移动组件即可实现，提供可靠的大规模生产所需的简单性和可扩展性。

最近，越来越多的玩家采用了这种方法。带有数字 LiDAR 的 Ibeo 和带有全固态 LiDAR 的 Ouster 都承诺解决方案很快准备好进行大规模生产。Apple 正在 iPad 激光雷达中使用这种方法。

原始设备制造商对真正的固态感兴趣。2017 年，通用汽车获得了一项专利，描述了模块化 LiDAR，没有移动部件，集成并分布在车辆周围，具有 360° 覆盖范围。

最近，长城汽车宣布与 Ibeo 建立合作伙伴关系。

Marelli 于 2020 年与 XenomatiX 启动了一个联合开发项目。

对于 Dirk Van Dijck 和 Johan Van den Bossche 来说，这些事实证实了他们自 2012 年以来的愿景。

多波束

真固态的一个特点是用成千上万的光束照亮场景，将相干光聚焦在离散的点上，这些点同时测量并转换成点云。这种多光束技术也不同于闪光激光雷达。与真正的固态激光雷达一样，传统的闪光激光雷达也不使用机械部件来逐步照亮场景。相反，他们使用镜头将光线散布在整个场景中。闪光 LiDAR 不仅照亮观察到的目标，还照亮未测量的点，失去了达到中远距离所需的光学效率。Flash LiDAR 主要用于需要最大 20 到 50 米范围的应用。多光束方法解决了这一限制，仅将发射的光子集中在将要测量的点，确保高分辨率，并达到高速公路所需的远距离。达到更远距离的唯一限制是由眼睛安全法规规定的。对于不需要激光 1 类分类的应用，多光束可以在 500m 及以上有效。

发射器 – VCSEL

多光束可以从毫米尺寸的芯片产生，其中数千个 VCSEL（垂直腔面发射激光器）发射器被封装成阵列。VCSEL 阵列以短脉冲发射具有高光功率的垂直于半导体表面的激光束，不会过热且需要有限的电力。一个 20,000 到 40,000 个激光器的 VCSEL 阵列需要几瓦，这与单个汽车 LED 近光灯的消耗量大致相同，并且比卤素灯少 5 倍。

VCSEL 技术和性能在过去几年中呈指数级提高，这得益于在光通信中用作光纤上的信号发生器；这种进步在汽车和消费激光雷达领域得到了直接应用。

探测器

探测器是激光雷达技术最关键的组件，因为它们需要高灵敏度、大动态范围和高分辨率。旋转、机械和固态激光雷达主要基于雪崩光电二极管 (APD) 或单光子雪崩光电二极管 (SPAD)。这种传感器一旦被光击中，就会产生高增益电流，可以对其进行测量和后处理，以直接或间接计算激光脉冲在目标上反弹的飞行时间，从而揭示其距离。

在激光雷达探测器的背景下，XenomatiX 采用了完全不同的方法。汽车对于满足大批量生产和较长的车辆寿命有非常严格的要求。Dirk Van Dijck 和 Johan Van den Bossche 设定了使用经过验证且具有成本效益的技术设计 LiDAR 系统的目标。标准相机 CMOS 具有与汽车相关的所有特性。两人找到了一种在创新像素设计中实施飞行时间测量的方法，创建了基于 CMOS 的 APS（有源像素传感器）。与智能算法一起，像素对光子进行计数，减去背景噪声，并计算到目标的距离。百万像素 APS 每帧可捕获 36,000 个 3D 点，是 SPAD CMOS 的两倍多。

第一个重要结果是点云以全局快门模式捕获，消除了图像失真的风险。传统的中远程激光雷达需要重建 3D 图像，因为它们在不同的时刻捕获每个点。使用扫描方法，图像不是在同一时刻捕获，而是自上而下或从左到右捕获，从而形成滚动快门模式。卷帘快门可能会导致速度非常快的目标（例如高速公路上的车辆）的形状变形。卷帘快门是在照片中使直升机的叶片变形而形成弯曲形状的效果。发生这种情况是因为当传感器捕获转子的中心时，叶片的尖端正在移开。与滚动快门相反，全局快门在同一实例中捕获完整图像。

这种革命性方法的第二个结果是固有的传感器融合。当 APS CMOS 不用于采集 3D 点云时，在激光脉冲之间，它可以像标准相机一样采集 2D 图像。用于计算对象位置的同一像素也用于捕获此类对象的图像。相机和激光雷达现在在物理上和本质上融合在一起。让系统和软件开发人员松了一口气，APS CMOS 允许跳过繁重的传感器融合过程，并消除了两种数据中的一种的视差错误或盲点的任何可能性。自治系统开发人员现在可以从同一个成像仪获得高分辨率图像和点云，从而大大简化了感知环境所需的硬件和软件。

APS CMOS 带来的第三个优势是对干扰和其他 LiDAR 信号的鲁棒性。每个检测激光并计算目标距离的像素都经过校准，以仅识别特定发射器的信号及其在空间中的独特位置。如果一个像素被其他激光雷达或来自不同方向的信号照射，同时比较来自周围像素的信息，它可以识别干扰，并丢弃测量。

多光束激光雷达需要最少数量的组件。借助两个镜头、PCBA 上的两个芯片和一个外壳，这些传感器提供的材料清单可与同等价格范围内的立体相机相媲美。使用立体相机的相同装配线和校准工具，可以轻松扩大生产规模。使用现有的芯片技术和组装概念使 XenomatiX 能够建立并依赖成熟的供应商生态系统，并将单位成本预测在 100 美元范围内，这使得 LiDAR 技术不仅适用于豪华车。

4D人工智能

用于计算点云的 APS CMOS 还可以捕获对象反射率和 2D 图像。

用于物体检测和分类的标准 AI 方法要么基于从 2D 相机图像分析的形状和颜色，要么基于最近由 LiDAR 或立体相机 3D 点云捕获的几何信息。最复杂的算法结合了两种方法，比较和验证两个系统在所谓的传感器融合中获得的结果。

真正的固态 LiDAR 可以改为运行AI 算法基于 3D 几何信息以及此类传感器捕获的物体表面反射率。使用纯几何信息的 3D-AI 需要高分辨率和精度来区分非常接近的物体，例如，计算拥挤空间中的人数。这是因为人工智能被训练来识别物体的形状和尺寸，当两个物体重叠时，它们的形状就会变得混乱。添加与表面属性相关的信息使算法能够使用形状内的特征（例如面部与躯干）进行训练，并使用这些特征来区分和计算人群中的人数。使用几何和反射率的人工智能称为 4D AI。因为它依赖于对外部照明条件不敏感的激光雷达捕获的数据，

 

可集成性/模块化

但是，这些吸引汽车行业兴趣的优势的实际应用是什么？交通运输领域不可忽视的两个先决条件是由空气动力学驱动的风格和效率。这种风格一直是汽车的中心舞台。多年来，燃油效率和空气动力学一直很突出。不再局限于跑车，这一方面在汽车领域进行了优化，特别是在电动汽车中，以增加续航里程和 EPA 评级。

AV 或 ADAS 传感器堆栈必须被成熟的 OEM 造型和空气动力学部门所接受。因此，传感器集成是绝对必要的。在这一点上，扫描系统表现出一些弱点。此类设备依赖于昂贵的组件和复杂的架构，只有当它们能够覆盖大视野时才会变得具有成本效益。另一方面，大视野需要广阔的视野和消除任何可能的“死角”。不幸的是，这与当今车辆的形状完全不相容——根据车展上的趋势，在可预见的未来似乎也是如此。特斯拉采用了一种解决方案，将摄像头隐藏和集成在车辆周围，以风格和空气动力学驱动摄像头位置，反之亦然。

查看通用汽车的专利，我们计算每侧 10 个 LiDAR 或 20 个完整的 360 度。考虑到完整 LiDAR 套件的 2000 美元目标成本，每个传感器 100 美元成为实现更高级别自主性的必要推动因素。由于 Dirk Van Dijck 和 Johan Van den Bossche 于 2012 年开始的创业冒险，多光束真固态 LiDAR 可以实现如此严格的限制。

 

 

参考

US9831630B2；2015-08-06 ; 通用汽车全球技术运营有限责任公司；“用于汽车的低成本小尺寸激光雷达”

作者：XenomatiX 北美销售和业务发展经理 Jacopo Alaimo 和首席执行官 Filip Geuens

审核编辑 黄昊宇