編者按：「新變量」是汽車之心推出的分享智能汽車一線從業者洞察的專欄。以親歷者的視角，帶你預見智能汽車發展的關鍵變量。
特約作者 / 周彥武（業內資深專家）
編輯 / 王德芙
出品 / 汽車之心
2021 年第一天，小鵬汽車宣佈將在今年推出搭載激光雷達的新車。
8 天后，蔚來在 NIO Day 發佈智能純電轎車 ET7，同樣將搭載激光雷達。
這兩家頭部新造車，一個選擇了大疆孵化的 Liovx。
另一個則選擇了自家的蔚來資本投資的 Innovusion。
在相近的時間內，北汽 ARCFOX 也宣佈將推出搭載華為激光雷達的量產車。
激光雷達在中國正式進入量產元年。
本文我們將以蔚來和小鵬兩家的選擇為例，解析最先量產上車的兩款國產激光雷達。
蔚來的第一輛轎車，預計 2022 年底量產
蔚來ET7激光雷達部分特寫
1、蔚來 x Innovusion300線激光雷達，多邊形掃描器是核心
Innovusion 與已經在美國上市的 Luminar 技術路線非常相似。
兩者的核心都是多邊形掃描器和光纖激光源，兩者的外形也頗為類似，也都是使用 1550 納米激光。
Innovusion 創始人鮑君威，1996 年從北大的物理系畢業後，在美國明尼蘇達大學讀了一年的電子工程，後來又轉學到加州大學伯克利分校讀博士。
1998 年底還未畢業時，鮑君威與兩位剛畢業的師兄一起開了個小公司，專攻半導體光學測量技術。合作的師兄一個是中國人，一個是印度人。
後來全球第三大半導體設備廠家日本東電以 1.5 億美元買下了這個初創公司。
2014 年鮑君威加入百度美國研發中心，負責開發大規模數據中心硬件加速及高性能網絡。2015 年底加入百度自動駕駛事業部，負責車載計算系統及傳感器團隊。
鮑君威團隊在傳感器方面的一個主要任務是確定激光雷達的路線，並且促成了百度對V elodyne 的投資。
2016 年，鮑離開百度創立 Innovusion。
要想深入瞭解 Innovusion，從專利入手是最可靠的。
Innovusion 在 2018 年 6 月有一份名為：
《2D SCANNING HIGH PRECISION LiDAR USING COMBINATION OF ROTATING CONCAVE MIRROR AND BEAM STEERING DEVICES》的專利，主要描述了多邊形掃描器的專利。
眾多激光雷達專利中都引用了多邊形掃描器的早期專利，包括：
吉利（毫無疑問吉利將來也要用激光雷達）、禾賽、Ouster、蘋果、谷歌、Luminar、Aeye、富士通、Veoneer、微軟、Waymo、Innoviz、高通、華為、通用汽車、三星、歐司朗、Innovusion、Velodyne 等。
這種激光雷達的掃描器主要由多邊形稜鏡（702）和電流掃描振鏡（704）組成，706 是激光源，712 是激光反射接收光電二極管，710 是反射接收聚焦透鏡。
多邊形稜鏡（Polygon Mirror）在激光打印機中早已大量使用，技術非常成熟。
全球激光打印機用的多邊形稜鏡掃描系統被日本電產公司壟斷。
電產公司也是全球最頂級的精密電機廠家，電機領域技術門檻最高的硬盤電機同樣由該公司壟斷。
上圖為多邊形稜鏡。
電產的電機加多邊形掃描器體積很小，比一張名片還小，目前有 670 納米、905 納米和 1550 納米三個類型。
Velodyne 的準固態激光雷達 Velarray 也採用了電流掃描振鏡。
振鏡是一種優良的矢量掃描器件。
它是一種特殊的擺動電機，基本原理是通電線圈在磁場中產生力矩，但與旋轉電機不同，其轉子上通過機械紐簧或電子的方法加有復位力矩，大小與轉子偏離平衡位置的角度成正比。
當線圈通以一定的電流而轉子發生偏轉到一定的角度時，電磁力矩與回覆力矩大小相等，故不能象普通電機一樣旋轉，只能偏轉，偏轉角與電流成正比，與電流計一樣，故振鏡又叫電流計掃描振鏡（galvanometric scanner）。
掃描振鏡其專業名詞叫做高速掃描振鏡（galvo scanning system）。
電流振鏡與多邊形稜鏡配合形成 3D 掃描。
這個振鏡的好處是：轉速越高，掃描精度越高。
一個四面多邊形，僅移動八個固定激光器（相當於傳統的 8 線激光雷達）的光束，以速度 5,000 rpm 掃描，垂直分辨率為 2667 條/秒，120 度水平掃描。
在 10 Hz，非隔行掃描下，檢流計式垂直分辨率 267 線。
因此 Innovusion 稱達到了等效 300 線的精度。
兩個激光發射二極管即 706 和 708 的激光路徑，接收則是 712 和 718。
中間密度高，兩邊低。FT1 代表一路光纖。
這種激光雷達的好處是可以控制掃描區域，提高關鍵區域的掃描密度。
眾所周知，傳統機械激光雷達是旋轉垂直排布的激光陣列，實現 360 度水平掃描。典型 16 線激光雷達，配置有 30 度佈置的 16 個激光器陣列，垂直分辨率為 2 度。
在圖 1 中示出了 30 度掃描。
30 度垂直掃描可以檢測，自動駕駛車輛前方靠近的道路上的物體，也可以檢測到上下斜坡的停車場的障礙物。
固定的 2 度垂直分辨率，在 10 米的距離處提供 350 毫米的光束間距。
激光雷達光束在 50 米的距離上間距增加到 1.75 米，這樣很難探測到行人或汽車。
在 100 米的距離上增加到 3.5 米，連卡車都檢測不到了。
但多邊形激光雷達的垂直分辨率是可以調整的，高速時加大轉速，縮小垂直 FOV，提高遠距離掃描密度，因此 Innovusion 敢説最遠距離達 500 米。
與 MEMS 技術比，其缺點是功耗高，有電機轉動部件。
但多邊形可以提供超寬 FOV，一般都可以做到水平 120 度。
MEMS 一般不超過 80 度。
再者是通光孔徑大，信噪比和有效距離要遠高於 MEMS。
MEMS 針對 10% 反射率的物體很難超過 80 米。
最後，價格低廉，MEMS 振鏡貴的要上千美元。多邊形激光掃描已經非常成熟，價格只要幾十美元。
打印機領域用了幾十年，幾乎沒有發生過多邊形激光掃描器不工作的情況。
實際 MEMS 是小而易碎的機械反射鏡。掃描速度是温度的函數，易被車輛運行擾亂，無法分辨它指向的位置。
在速度上，MEMS 掃描儀是共振式運作，中心高速驅動掃描速度最快，在每次掃描結束時最慢。
這意味着掃描中心的分辨率最低，與激光雷達所需的分辨率相反。
多邊形鏡面通常是平坦的 λ/ 4 @ 633nm。這對於數百米的高分辨率掃描非常有用。但 MEMS 反射鏡上很難找到平坦度規格。
薄而脆弱的 MEMS 鏡面平坦度被描述為薯片！
這限制了 MEMS 掃描範圍非常短。
MEMS 反射鏡懸浮在非常細的扭杆之間，這些扭杆在其壽命結束時會突然斷裂。
因此，稱 MEMS 掃描儀是固態的説法是錯誤的。
Innovusion 的光纖放大器部分，WDM 即波分複用技術，是將多個不同波長（或頻率）的調製光信號（攜帶有用信息，如編碼）在發送端經複用器（也叫合波器Mux）合路到一起送入光纖傳輸鏈路的同一根光纖中進行傳輸，在接收端用解複用器（也叫分波器 demux）將不同波長信號分開接收的技術，然後再解碼。
上圖是整個激光雷達的框架圖
這樣可以保證和其他車輛上的激光雷達不互相影響。
Innovusion 的光纖放大器，能夠大幅度提高激光功率，意味着系統有更高信噪比，但體積和成本也會增加。
高功率激光源需要考慮人眼安全，因此只能選擇 1550 納米激光，它比傳統的 905 納米激光安全 10 萬倍，缺點是價格貴，同時容易受陽光干擾。
不過也有人認為 1550 納米激光只是理論上對視網膜安全，對整個眼球未必安全。
但 905 納米在視網膜安全上肯定不如 1550 納米。
此外，最成熟的光纖放大器即參雜鉺的放大器最適合的激光波段就是 1550 納米。
2、小鵬 x Livox，雙楔形稜鏡掃描器，軍用技術降維民用
Livox 提供給小鵬汽車的是基於浩界 Horizon 定製產品 Horiz。
Horiz 相當於 Horizon 的車規版。
其中，車規版探測距離將由 90 米提升至 150 米（針對 10% 反射率目標物）。
Horiz 的點雲密度也提升近 2 倍。
其中 ROI（Region of Interest感興趣區域）區域的點雲密度將在沒有增加額外激光發射器成本的情況下，提升至積分時間 0.1 秒下的等效 144 線水平。
更密的點雲輸出可以更快檢測出遠處路面如行人、自行車、雪糕桶等細小目標物體。
在視場角方面，Horiz 的橫向 FOV 也由公開測試版的 81° 提升至120°。
這種激光雷達核心是雙楔形稜鏡掃描器，即 Risley prism universal pointing system (RPUPS) 在軍事偵察上比較常見。
國防科技大學和西安光學研究所對這種掃描方式研究頗為深刻，再有就是香港大學機械工程學院。
這是一種直升機或無人機常用的激光雷達，比如用於掃描建築物構建建築物 3D 模型，為進入建築物戰鬥提供參考，特別適應沙漠風沙大的地區，美軍稱之為 DVE。
美軍直升機和無人機使用 Neptec OPAL Double Risley Pairs (DRP) ，是美軍 DVE（不良視覺環境）系統中的核心傳感器，可以穿透煙霧、灰塵、大霧、雨雪。有效距離可達 1 公里。
美軍用 OPAL-DRP 激光雷達
根據華為激光雷達的描述，旋轉掃描稜鏡也是華為激光雷達的核心，我們猜測其很可能也使用了此項技術。
國外則有老牌激光雷達 Neptec 也有此類產品，不過大多用於軍事領域，而非車載領域。
Risley 稜鏡系統根據折射定律通過兩稜鏡的繞軸獨立旋轉來實現出射光束的指向調整，有着結構緊湊、準確性高、速度快、偏轉角度大、動態性能好等優點。
稜鏡也可以是多組，再加一組或一個就可以拓寬 FOV。
雙楔形稜鏡激光雷達示意圖如上，紅框部分是軸向旋轉部分。
有些設計複雜的，每個稜鏡都有一個電機帶動旋轉，那樣可以更精確控制光束的掃描動作。
使用兩個稜鏡，讓光線從不同的方向發射，也因為這個設計，稜鏡雷達不像傳統旋轉激光雷達一樣讓收發模塊在進行轉動，從而避免了類似傳統旋轉激光雷達的多次校準。
傳統激光雷達在製造過程中最耗時的流程就是最後的校準，通常是人工進行。
早期 Velodyne 的 64 線激光雷達之所以價格高昂，就是一台激光雷達需要一個熟練工一星期的人工校準。
後來則出現陣列式，如 Waymo 以 16 線為一組固定成弧形，校準效率大幅度提高。
如圖所示，當光線穿過一個稜鏡時，會發生折射，從而光線方向會發生變化，其中的「Vector」表示稜鏡使光線發生偏折方向。
圖 (b) 和圖 (c) 表示了稜鏡激光雷達掃描模塊的工作情況。
第一個稜鏡使光線偏折「Vector 1」，第二個稜鏡使光線偏折「Vector 2」，最終合成的向量則是光線最終發射的方向。
而這裏的稜鏡是固定在電機上面的，隨着電機轉速的不同，會掃描出各種各樣的圖案。
左邊的電機是每分鐘 7294 轉，右邊是每分鐘 6664 轉。
Livox 的是 10Hz，也就是大約每分鐘 600 轉。
轉速太高可能導致可靠性下降。
除了掃描器，其他部分與傳統機械激光雷達基本沒有差別。
PLD 是激光二極管，Livox 採用傳統 905 納米激光二極管，APD 是接收用的雪崩二極管。
如果需要多線掃描，增加 PLD 和 APD 陣列即可。
大疆還特別開發了 PLD 和 APD 陣列的封裝工藝，傳統的 EEL 型激光二極管和 APD 二極管做成陣列是比較困難的，解決辦法就是單獨給陣列加上小型光學透鏡，形成陣列的效果。
這也是大疆的一項專利。
通常雙楔形稜鏡激光雷達都是單線，就是因為陣列比較難做。
這一點上，SPAD 和VCSEL 就非常容易做成陣列。
這也是為什麼我堅持看好用 SPAD 和 VCSEL 的Flash 激光雷達是激光雷達的終極形態。
Horizon 等效於 64 線Horizon 等效於 64 線
這類激光雷達掃描出的點雲是花瓣型的，中央密度高，外圍密度低。
它的特性與我們的眼睛類似，越靠中央的信息密度就越高。
這種方式的好處就是保持了中央附近的高密度，同時不增加成本。
比如等效 64 線，一般只需要 16 個發射與接收單元，而機械激光雷達上則需要 64 個，成本大幅度降低了。
這是借用了視覺攝像頭領域的 ROI 概念，即 Region of interest，感興趣區。
即在 ROI 內也就是中心區，即便整個系統以 10 赫茲的幀率在運行，ROI 區域也將獲得 20 赫茲的更即時的點雲數據。
這是典型的非重複掃描，掃描的時間越長，點雲密度就會越高，而傳統的機械激光雷達無論任何時刻點雲密度都是一樣的。
在應用時，由於灰塵、雨雪、大霧這些外部環境因素時刻在發生變化，採用累積掃描，這種激光雷達可以穿透灰塵、雨雪、大霧，不受天氣影響。
這種激光雷達的缺點是缺乏實時性，掃描時間越長效果越好。
另外就是點雲數據離散度高，非結構性數據。
這就意味着無法壓縮數據，只能以原始數據處理，對數據運算系統要求比較高。
GPU 和 AI 加速器都無法使用，對 CPU 要求比較高。
傳統的激光雷達算法，特別是基於圓柱座標系的 Voxel 和柵格法都無法使用，需要單獨開發算法。
這一切都決定高速公路工況下是難以使用的，但小鵬目前主打的就是高速公路下的自動駕駛。
非結構型數據
個人推測，這個激光雷達主要是用來做SLAM 定位的，其次才是探測障礙物。
探測障礙物的主要工作還是視覺負責。
SLAM 定位不需要數據結構化，或者説對數據結構化需求度低。
如果體驗過自動駕駛的用户就知道，在高速工況下精準的車道級定位是最大難點，基於多星聯合的算法是目前最常見、成本最低的方式，車道級定位準確的概率只有 50%。
除了日本的 QZSS 和基於激光雷達與高精度地圖手段，其他任何方式都做不到準確度達到 95% 的車道級定位。
基於激光雷達的 LOAM 算法，是最常見的 SLAM 算法。
LOAM 是 Ji Zhang 於 2014 年提出的使用激光雷達完成定位與三維建圖的算法，即 Lidar Odometry and Mapping。
算法在當時達到了最先進的效果，算法過程簡單並且效率很高。
到現在為止，LOAM 和 V-LOAM 也還是在 KITTI 排行榜上位居榜首的建圖算法。
其方法建圖較為稀疏，主要通過提取特徵邊緣和特徵平面進行匹配進行。
LOAM 主要包含兩個模塊：
一個是 Lidar Odometry，即使用激光雷達做里程計計算兩次掃描之間的位姿變換；另一個是 Lidar Mapping，利用多次掃描的結果構建地圖，細化位姿軌跡。 由於 Mapping 部分計算量較大，所以計算頻率較低（1Hz），由 Mapping 校準細化 Odometry 過程中計算出來的軌跡。
Lidar Odometry 是通過激光雷達的兩次掃描匹配，計算這兩次掃描之間激光雷達的位姿變換，從而用作里程計 Odometry。
既然提到了兩次掃描的匹配，自然而然想到了經典的 ICP 算法。
然而 LOAM 並沒有採用全部的激光點進行匹配，而是篩選出了兩類特徵點，分別是角點和平面點。
所謂角點，是當前激光掃描線束上曲率較大的點；而平面點，即曲率較小的點。
在匹配時，首先提取當前掃描中的角點和平面點。
對於角點，可以認為是物理世界中直線元素的採樣，所以計算到上一次掃描中對應直線的距離。
對於平面點，認為是物理世界平面元素的採樣，所以計算到上一次掃描中對應平面的距離。
通過不斷優化，使距離最小，從而得到最優的位姿變換參數。
這種算法的另一個好處是對 IMU 要求不高，通常 SLAM 都需要 IMU 輔助。
所謂「輔助」就是在激光雷達兩次掃描之間，利用 IMU 得到較為準確的變化軌跡，從而去除點雲畸變，能夠提升精度。
但 IMU 的數據並沒有參與到優化當中，所以 IMU 在 LOAM 算法中只起到了輔助作用，精度要求可以低一些。
而後續一些其他 3D 激光雷達算法，例如 LINS、Lio-mapping 和 LIO-SAM 等，利用 IMU 進行了緊耦合的優化，取得了更好的效果，但對 IMU 要求較高，可能高達數萬人民幣或十幾萬人民幣。
不同於攝像頭，激光雷達是主動型傳感器。
這意味着有着巨大的成本與性能挖掘潛力，也意味着激光雷達可能會存在多種技術路線競爭，每個廠家都會選擇適合自己的路線和產品。
激光雷達與攝像頭相比具有不識別即可提供 3D 信息的優勢。
未來 L2+ 自動駕駛系統也會採用激光雷達，激光雷達將會成為與攝像頭一樣的標配。
激光雷達的上車大潮也即將到來。