为了解决这一问题,美国戴顿大学激光雷达和光通信研究所技术总监Paul McManamon博士,与国际光学和光子学学会联合成立了一个国家小组,小组将进行为期三年的项目研究,开发用于测量自动驾驶汽车和ADAS的Lidar性能测试和标准。
目前,该团队已经完成了第一年的测试,并将结果发表于Optical Engineering。
考量标准:范围、准度和精度
第一年的测试由密歇根技术大学的副教授Jeremy P. Bos博士领导,团队成员包括他的博士生Zach Jeffries、美国国家地理空间情报局的Charles Kershner等。
实验以测量级地面激光雷达扫描仪Riegl VZ-400i为参考激光雷达,以其所收集的高分辨率、高精度的点云为参考数据。测试激光雷达共8个,其中3个的品牌和型号一致。在实验过程中,8个雷达的品牌和型号进行了模糊处理,以字母A-H进行代替。
测试区域为未开发区域,俯视图如下所示:
该俯视图通过将参考激光雷达放置在测试区域周围的不同位置生成,建筑物和庭院在图像的下半部分可见。图像中的黑色区域表示阴影区域,并体现出测试区域中心附近存在凹陷,以及测试区域右侧(图像顶部)的高程下降。设备测试位置标记为原点,在图像的左中央。
探测目标按其与原点的大致距离进行标记,位于中心右侧,距离约为 200 米。探测目标和原点之间的连线为测试范围的主轴。图像中的每个黑色圆圈都是一个扫描区域的原点。
探测目标为15cm×80cm的朗伯表面扁平铝靶材,800到1600 nm波长处的反射率为10%。测试目标侧面尺寸大致相当于一位儿童。
因为所有单基地激光雷达都依赖于从公共光源位置发射并在同一位置接收的光。在激光雷达扫描或用闪光灯照亮目标的过程中,每个立体角的接收功率都会随着范围而降低,激光雷达采样的立体角所占据的面积也随着距离的增加而增加。
因此,在本次测试中,探测目标不能重叠排列。目前,越来越多的汽车激光雷达视场角(FOV)受限,因此本次测试设计为探测60°FOV内的最大目标数量。
探测目标与光轴对齐,在200米的范围内进行排列。从原点开始,前两个目标以5米为增量,以光轴为中心,角度为30度,左右侧交替放置,直到距离原点50米处。
下一组目标以10米为增量进行放置,一直到距离原点100米,然后间距增加到 20米,最终在距离原点20米处结束。
每个探测目标都使用自粘钩环更快地固定在具有稳定底座的描述器型交通锥上,探测目标的中心与水平光轴近似对齐。
测试分为车道1和车道2。车道1仅有探测目标,车道2模仿现实场景,设置了混淆目标,包括带有反光板的橙色和白色折叠金属交通路障、带反光胶带的橙色橡胶交通锥、沿车道左侧带有反光胶带的橙色塑料划线管以及各种 48 英寸钢制交通控制标志等。两条车道中测试目标的位置相同。
参考激光雷达的数据将在采集过程中,单个扫描自动在扫描仪上一起配准,并使用多站调整进一步完善。然后过滤掉强度非常低或脉冲偏差高的点,并将RGB信息添加到每个点。
每个测试激光雷达的都将100个「pointcloud2」消息组合成一个点云数据对象,从 ROS 导入到 MATLAB,先手动注册到参考激光雷达点云,再使用迭代最近点匹配完成最终对齐。
测试团队将针对每个范围目标进一步处理数据。对于每个候选传感器,首先将从自上而下的视角通过边界框识别和捕获每个目标,然后是朝左的视角,最后是面向前方的视角。
最终评分将仅考虑范围和跨范围尺寸,找到从测试激光雷达报告的每个激光雷达点到距离参考点云最近的共面点的最小距离来进行评分,不考虑海拔差异。
测试的结果数据显示,激光雷达性能与特定的条件有关,在周围存在高反射的相邻物体的情况下,激光雷达的性能明显下降。
在8台测试用的激光雷达中,激光雷达 B在两条车道上的得分都达到了120米。激光雷达 H在1车道得分为90米,但在2车道得分为45米。同样,激光雷达 C和F在车道1中得分为 50 米,但在车道2中得分仅为45米。
测试激光雷达 D和E在1车道得分均为40米,在2车道的得分为30米和25米。激光雷达A在两条车道上的得分均为30米,激光雷达 G在两条车道上的得分为25米。
数据显示,1车道中,测试激光雷达与制造商所给参数的绝对平均误差为2.9厘米,变化跨度为12.4厘米。在增加了混淆目标的2车道上,绝对平均误差为4.8厘米,增长了65%。跨度为15.4厘米,增长了25%。
所有测试激光雷达相对于参考激光雷达的平均绝对距离精度为2.9厘米。平均射程精度约为3.6厘米。车道2中,混淆目标使测试激光雷达报告的点数减少了24%,范围不确定性增加了34%,探测范围从100米减少到50米,仅有一个测试雷达能够探测到90米以外的目标。此外,每款激光雷达在性能上都具有独一无二的特点,尤其是在特定环境下,不同激光雷达可以发挥出独特的作用。
尽管所有测试激光雷达的平均精度都为2.9厘米,但测量值并不呈正态分布。同时,混淆目标对试验数据的影响表明,制造商给出的参数可能是在最佳环境下所得出的,与实际情况存在不小的误差。
第一年的测试结果为团队提供了宝贵经验,同时有助于研究团队改进试验流程和方案。第二年的试验将关注道路干扰对激光雷达的影响,例如会设置两条新车道,第一条车道将增加更多类型的障碍物,例如水泥路障、模拟轮胎碎片和相对于地平面凹形的模拟负障碍物。第二条车道将设置各类干扰事件,例如误报目标等。
第三年,团队将开发相关的测试标准,衡量激光雷达在不同天气下的性能。试验将模拟各种强度的各类天气环境,如雾天和雨天,并通过测量所选目标在各种测试条件下在不同雾和雨强度下的反射率来评估激光雷达性能。激光雷达将在至少两种不同的雾度和降雨强度下进行测试,理想情况下是中等和重度。
参考文献:
Zach Jeffries, Jeremy P. Bos, Paul McManamon, Charles Kershner, Akhil Kurup (2023) “Towards open benchmark tests for automotiveLidars, year 1: static range error, accuracy, and precision” Opt. Eng. 62(3) doi: 10.1117/1.OE.62.3.031211
联系客服