傳感器
返回首頁

自動駕駛的激光雷達設計:目標分類或目標檢測

2020-11-17 來源:EEWORLD

無人駕駛的承諾不再是一個白日夢。現在,圍繞自動駕駛的問題集中在實現所需的基礎技術和進步上。LiDAR已經成為支持向自動駕駛轉變的最受討論的技術之一,但是仍然存在許多問題。


LiDAR距離可大于100米,角度分辨率為0.1°。然而,并不是所有的自動駕駛應用都需要這種級別的性能,諸如代客泊車輔助和街道清掃車等應用。有大量的深度傳感技術支持這些應用,如雷達、立體視覺、超聲波探測和測距以及LiDAR。每種傳感器在性能、尺寸和成本之間都有獨特的權衡。超聲波設備是最便宜的,但在范圍、分辨率和可靠性方面受到限制。雷達在射程和可靠性方面有了很大的提高,但它也有角分辨率的限制;立體視覺可能會有很大的計算開銷和精度限制,以及需要正確的校準;LiDAR有助于彌補這些差距,精確的深度感測,精細的角度分辨率,低復雜度的處理。然而,LiDAR通常被視為體積龐大、成本高昂的產品,事實并非如此。


LiDAR的設計首先要確定系統需要檢測的最小物體、該物體的反射率以及該物體所處的距離。這將定義系統的角度分辨率。由此計算出最小可達到信噪比(SNR),即檢測目標所需的真/假陽性或陰性檢測準則。


了解感知環境和信息量,有助于進行適當的設計權衡,實現成本、性能、開發難度相關的最佳解決方案。例如,考慮一輛以100公里/小時速度行駛的自動駕駛汽車,與以6公里/小時的速度前進的物流機器人相比。在高速情況下,不僅要考慮以100 公里/小時的速度行駛的車輛,還要考慮另一輛以相同速度反向行駛的車輛。對于感知系統來說,這相當于200公里/小時的相對速度接近。對于探測最大距離為200米的LiDAR來說,車輛在一秒鐘內就能將物體之間的距離縮短25%。應該強調的是,車輛的速度、停車距離和執行規避所涉及的動力學是特有的復雜性。一般來說,可以說,LiDAR需要高速應用。


分辨率是激光雷達系統設計的另一個重要的特性。良好的角分辨率使激光雷達系統能夠從單個物體接收多個像素的返回信號。如圖1所示,在200米的范圍內,1°的角分辨率將轉換為邊長3.5米的像素。這個尺寸的像素比許多需要檢測的物體都要大,這帶來了一些挑戰。首先,空間平均通常被用來提高信噪比和可檢測性,但由于每個目標只有一個像素,這不是一個選擇。此外,即使被探測到,也無法預測物體的大小。一塊道路碎片、一只動物、一個交通標志和一輛摩托車通常都小于3.5米。相比之下,0.1°角分辨率的系統像素要小10倍,也就是35厘米,因此,這個系統可能會區分出汽車和摩托車。


與方位角相比,探測一個物體是否能安全地駛過需要更高分辨率的仰角。想象一下,一個自動物流機器人的要求會有多大不同,因為它的速度很慢,需要探測狹窄但又高的物體,比如桌腿。


LiDAR的速度和性能可以在圖2中確定。有很多選擇可以選擇,例如掃描對比泛光面陣式,或者ToF 對比波形數字化,它們之間的選擇不在本文的范圍內。


image.png

(圖1 具有32個垂直通道的激光雷達系統,以1°的角分辨率水平掃描環境。)


image.png

(圖2 激光雷達系統的分立元件。)


image.png

(圖3 ADI AD-FMCLIDAR1-EBZ激光雷達開發解決方案系統架構)


范圍或深度精度與ADC采樣率有關。測距精度允許系統準確地知道物體的距離,這在需要近距離移動的情況下非常關鍵,例如停車場或倉庫物流。此外,范圍隨時間的變化可以用來計算速度,這個用例通常需要更好的距離精度。使用簡單的閾值算法(如直接ToF),1ns采樣周期(即1gsps ADC)可實現的距離精度為15cm。計算結果為c(dt/2),其中c是光速,dt是ADC采樣周期。然而,考慮到ADC包括在內,可以使用更復雜的技術,例如插值等,來提高測距精度,可以通過粗略估計信噪比的平方根來提高測距精度。處理數據的最高性能算法之一是采用濾波器,它最大限度地提高信噪比,然后進行插值以獲得最佳精度。


AD-FMCLIDAR1-EBZ是一個高性能激光雷達原型平臺,采用905nm脈沖ToF激光雷達開發工具。該系統可用于機器人、無人機、農業和建筑設備以及具有1D泛光面陣式掃描雷達原型。該系統采用高速雙4A MOSFET驅動的905nm激光源。它還包括由LT8331可編程電源,為First Sensor 16通道APD陣列供電。有多個4通道LTC6561 跨阻放大器,具有低噪聲和高帶寬,以及AD9094 1 GSPS、8位ADC,確保每個通道的功耗最低,為435 mW/通道。此外還支持根據需要額外增加帶寬和采樣率,這有助于提高整體系統幀速率和測距精度。同時,降低功耗也很重要,因為散熱量越小,熱/機械設計就越簡單,形狀也就越小。


另一個LiDAR設計的工具是EVAL-ADAL6110-16,高度可配置的評估系統。它提供了一個簡化的,但可配置的,2D 泛光面陣式雷達傳感器,用于需要實時(65赫茲)目標檢測/跟蹤的應用,如防撞、高度監控和軟著陸。


image.png

(圖4 使用集成16通道ADAL6110-16的EVAL-ADAL6110-16激光雷達評估模塊。)


參考設計中使用的光學元件視野(FOV)為方位角37°仰角5.7°。在方位角為16個像素的線性陣列中,20米處的像素大小與成人的平均值方位角0.8米,仰角2米相當。如前所述,不同的應用可能需要不同的光學配置。如果現有的光學元件不能滿足應用的需要,PCB可以很容易地從外殼上拆下,并加入一個新的光學結構中。


評估系統是圍繞ADI的ADAL6110-16構建的,ADAL6110-16是一種低功耗、16通道的集成式激光雷達信號處理器(LSP)。該裝置提供用于探測感興趣區域的定時控制、對接收到的波形進行采樣的定時以及將捕獲的波形數字化的能力。ADAL6110-16集成了敏感的模擬節點,降低了噪聲,使系統能夠捕捉到非常低的信號反饋,而不是用具有類似設計參數的離散元件實現相同的信號鏈,在這些元件中,均方根噪聲是影響一切的關鍵。此外,集成信號鏈允許激光雷達系統減少尺寸、重量和功耗。


系統軟件可以快速啟用,它是完全獨立的,通過USB 5伏電源供電,可以很容易地集成到一個帶有機器人操作系統(ROS)驅動程序的系統中。用戶只需創建一個連接器,就可以與機器人或車輛連接,并支持四種通信協議:SPI、USB、CAN或RS-232。參考設計也可以根據不同的接收器和發射器技術進行修改。


如前所述,EVAL-ADAL6110-16參考設計的接收機數據可以修改,以創建不同的配置,如圖5至圖7所示。EVAL-ADAL6110-16配備了 Hamamatsu S8558 16光電二極管陣列。表1中顯示的不同距離的像素的大小基于有效像素大小(即0.8 mm×2mm)以及20 mm焦距透鏡。例如,如果同一板用諸如Osram SFH-2701等單個光電二極管重新設計,每個光電二極管的活動面積為0.6mm×0.6mm,則同一范圍內的像素大小將與FOV根據像素大小的變化而不同。


image.png

表1 如果接收器被更改為SFH-2701,則EVAL-ADAL6110-16中使用的接收器尺寸和光學元件以及潛在像素排列


image.png

(圖5 Hamamatsu S8558二極管陣列。)


例如,讓我們看看S8558,它的16個像素排列成一條直線


像素尺寸:2mm×0.8mm。


image.png

(圖6 使用基本三角函數計算角分辨率。)


選擇20 mm焦距透鏡后,可以使用基本三角函數計算每個像素的垂直和水平FOV,如圖6所示。當然,鏡頭的選擇可能涉及額外的、更復雜的考慮,例如像差校正和場曲率。然而,對于這樣的低分辨率系統,直接的計算就足夠了。


所選的1×16像素FOV可用于自主車輛和自主地面車輛的目標檢測和避碰等應用,也可用于倉庫等受限環境下機器人的定位和映射(SLAM)。


有一個有意思的應用是在4×4網格中,以檢測系統周圍的對象。正在開發的此應用將安裝在公交車和房車上,如果有行人在公交周圍時,會警告駕駛員。該系統可以檢測個人行走的方向,并通過停車或用喇叭提醒行人,以防止撞到,并及時警告駕駛員采取行動。


記住,并非每個應用程序都要求0.1°角分辨率和100 米監測范圍。花些時間考慮激光雷達系統設計中應用程序真正需要的內容,然后明確定義關鍵標準,如目標大小、反射率、目標距離和無人駕駛系統運行速度。這將為平衡設計提供更匹配的組件選擇,使其相對于系統所需的功能進行最佳性能和成本的選擇,最終增加首次成功設計的可能性。


image.png

(圖7 激光雷達系統的各種光學實現,可幫助提高應用程序安全。)


本文作者:


Sarven Ipek于2006年加入ADI。在ADI任職期間,Sarven在故障分析、設計、特性描述、產品工程、項目和程序管理方面積累了豐富的經驗。Sarven目前是位于馬薩諸塞州威爾明頓市的Autonomous Transportation and Safety Group的LIDAR部門的營銷經理。


Ron Kapusta是ADI研究員,擁有麻省理工學院的理學學士和工程碩士學位。2002年畢業后,他加入ADI,負責數字成像系統設計數據轉換器和傳感器接口電路。2014年,羅恩將重點轉移到汽車技術領域,致力于激光雷達傳感器的電子、光子學和信號處理。羅恩還參與了幾個IEEE會議的項目委員會。

進入傳感器查看更多內容>>
相關視頻
  • 直播回放: 如何使用英飛凌IGBT7設計高性能伺服驅動

  • 嵌入式系統高級C語言編程(東南大學凌明)

  • 機器學習從零到一

  • 直播回放: 與英飛凌一起探索智能門鎖背后的黑科技

  • 計算機視覺與深度學習

  • 跟我學myRIO

    相關電子頭條文章
萝卜大香蕉