導(dǎo)語：汽車產(chǎn)業(yè)經(jīng)歷劇變,，自動駕駛浪潮來襲。是被浪潮吞沒,，還是屹立于浪潮之巔,？如何摘得“人工智能項目之母”桂冠，用智能代替雙手掌控車輛,？從9月14日起,，智東西重磅推出9堂自動駕駛系列課。9位實戰(zhàn)派導(dǎo)師將為大家奉獻超過810分鐘的系統(tǒng)講解和深度互動,，完成對 33個知識點的專業(yè)拆解,，和你一起建立未來汽車的知識壁壘。

第七課由速騰聚創(chuàng)聯(lián)合創(chuàng)始人兼CEO邱純鑫主講,，主題為《基于激光雷達的地圖創(chuàng)建與定位》,。下面劃重點！

要點速覽

一、自動駕駛汽車多種傳感器各有優(yōu)劣,，多傳感器融合是共識,。

1、激光雷達能夠獲得高清的三維環(huán)境感知信息,，但是價格比較貴,。

2、攝像頭能夠獲得豐富的紋理,，價格也合適,，但是受環(huán)境光照影響比較大。

3,、毫米波雷達在雨霧天氣性能優(yōu)越,，但是分辨率比較低。

二,、激光雷達是自動駕駛汽車不可或缺的傳感器,，具有5大功能。

1,、障礙物檢測,。

2、障礙物分類,。

3,、障礙物跟蹤。

4,、生成高精地圖,。

5、實時定位

三,、激光雷達分為掃描式和非掃描式兩大類,。

1、掃描式激光雷達通過逐點掃描測距,，又分為機械掃描雷達,、基于MEMS微機電系統(tǒng)的雷達，以及相控陣雷達三種,。

2,、非掃描式激光雷達就是Flash雷達，像手電筒一樣打出去一個面陣光測距,。

3,、從另外一個角度說，機械式和MEMS都屬于機械雷達,，而相控陣和Flash則屬于固態(tài)雷達,。

機械式雷達目前比較成熟,，但硬件成本貴、量產(chǎn)困難,，且穩(wěn)定性也有待提升,，目前很多公司都在向固態(tài)激光雷達方向發(fā)展。

四,、激光雷達通過SLAM技術(shù)生成高精地圖并定位,。

1、自動駕駛汽車需要利用激光雷達,、攝像頭等傳感器感知外部環(huán)境,、構(gòu)建環(huán)境模型并利用該模型確定車輛所在的位置，這套技術(shù)被稱為SLAM,。

基于攝像頭等純視覺傳感器的SLAM被稱為VSLAM,，獲取數(shù)據(jù)成本較低，數(shù)據(jù)量豐富,，但是受光照影響比較大,。

基于激光雷達的SLAM就不受光照影響，數(shù)據(jù)量比較少,，創(chuàng)建的地圖精度高,，但是價格貴,。

2,、創(chuàng)建SLAM系統(tǒng)的時候，主要考慮穩(wěn)定性,、精度,、計算量和傳感器成本四大要素。

3,、激光雷達是依靠將車輛的初始位置與高精地圖信息進行比對來獲得精確位置,。

首先，GPS,、IMU和輪速等傳感器給出一個初始（大概）的位置,。

其次，將激光雷達的局部點云信息進行特征提取,，并結(jié)合初始位置獲得全局坐標系下的矢量特征,。

最后，將上一步的矢量特征跟高精地圖的特征信息進行匹配,，得出精確的全球定位,。

主講部分

大家好，我是速騰聚創(chuàng)聯(lián)合創(chuàng)始人兼CEO,，邱純鑫,。今天主要跟大家分享基于激光雷達的地圖創(chuàng)建和定位,，而關(guān)于激光雷達的感知，我們看看后續(xù)有沒有機會跟大家一起分享,。

速騰長時間投入于基于激光雷達的地圖創(chuàng)建和定位以及感知,，但這些技術(shù)在這幾年來沒有特別大的突破，大多數(shù)存在的問題是工程化的問題,。

今天的分享分為四部分,，第一部分是激光雷達是無人駕駛不可或缺的傳感器，第二部分和第三部分是LiDAR在自動駕駛中的應(yīng)用,，包括地圖創(chuàng)建和定位,。第四個是速騰如何貢獻力量來加速LiDAR的應(yīng)用。

一,、激光雷達是自動駕駛不可或缺的傳感器

上面這張圖是相對通用的自動駕駛的系統(tǒng)框架，左邊的部分是傳感器以及高精地圖,。像高德的谷總所說,，高精地圖其實是用于自動駕駛的專題圖，所以我們也可以將高精地圖理解為一個特殊的傳感器,，除了高精度地圖之外還有激光雷達,、攝像頭和毫米波雷達。中間部分是負責障物檢測和識別分類的定位感知層,，最右邊的部分是路徑規(guī)劃和執(zhí)行層,。

這張圖是傳感器的介紹,，左邊的激光雷達,、攝像頭和毫米波雷達這三個傳感器主要是用于感知物體，而右邊GPS,、IMU和Encoder（編碼器）這些主要是用于定位,。激光雷達、攝像頭和毫米波雷達各有優(yōu)缺點,。激光雷達能夠獲取高清的三維環(huán)境感知的信息,，但是價格比較昂貴。攝像頭能夠獲取比激光雷達更加豐富的紋理,，價格也適合,，但是受光照影響比較大。毫米波雷達在雨霧天氣的性能優(yōu)越,，但是分辨效果比較弱,。各種傳感器各有優(yōu)缺點，因而目前采用多傳感器融合的方案是大家達成的共識,。

激光雷達能在哪幾個部分進行起作用,？激光雷達在生成高精地圖中是一個非常重要的傳感器，同時我們可以利用激光雷達進行實時定位,，障礙物的檢測,、分類和跟蹤。

接下來講一下激光雷達的行業(yè)發(fā)展的情況,。我把激光雷達分為兩種，一種是掃描式雷達,，一種是非掃描式雷達,。掃描式雷達又分為Mechamical Scanning LiDAR，基于MEMS的LiDAR,，以及Optical Phase array LiDAR（相控陣雷達）,，非掃描式雷達就是Flash LiDAR，它打出去是一個面陣光,，通過面陣光來進行測距,。為什么這樣分雷達呢？因為掃描式雷達是通過逐點掃描來進行測距,，而flash LiDAR這種非掃描式雷達就不是逐點掃描,，而是像手電筒一樣發(fā)射一個面陣光進行測距。

機械式雷達存在兩個問題,，第一個是目前的硬件成本比較貴,，第二個是量產(chǎn)性受到限制，其次產(chǎn)品不容易過車規(guī),。所以大家都很急迫地往固態(tài)的方向發(fā)展,，固態(tài)有基于MEMS,，MEMS當中還有微機械的部分,，還有全固態(tài)的相控陣、FlashLiDAR,。大家在固態(tài)雷達的研發(fā)過程中選擇了不同的方向,，有些在做MEMS，有些在做OPA,，有些在做FLash,，目前來看各種雷達都有各自的優(yōu)缺點。

二,、Lidar在自動駕駛中的應(yīng)用——地圖創(chuàng)建

現(xiàn)在開始講雷達在自動駕駛中的第一個應(yīng)用——地圖創(chuàng)建。無人駕駛車輛需要利用攜帶的激光雷達,、視覺系統(tǒng)等傳感器來感知環(huán)境,，并且構(gòu)建環(huán)境的模型,，并利用該模型來確定車輛所在的位置。這同時考量了無人駕駛車輛在地圖創(chuàng)建和自身定位的技術(shù),， Smith和Cheeseman在九十年代首次提出了同時定位和制圖的思想,，也就是SLAM。

基本思想就是利用已經(jīng)創(chuàng)建的地圖修正基于運動模型的機器人的位置姿態(tài)誤差,，同時根據(jù)可靠的位置姿態(tài)創(chuàng)建出一個更高精度的地圖,，SLAM自提出以來，一直受到國內(nèi)外研究人員的關(guān)注,，逐漸變成一個關(guān)鍵技術(shù),。SLAM其實是一個蛋生雞雞生蛋的思想，精確的定位能夠獲取精確的地圖信息,，精確的地圖也能夠獲取精確的定位信息,，它們相輔相成。根據(jù)傳感器的劃分可以分為基于視覺的SLAM,，即VSLAM,，和基于雷達的SLAM。這兩種方式的優(yōu)缺點的不同主要是由于傳感器的原始數(shù)據(jù)的不同,。

基于視覺的SlAM的優(yōu)點是獲取數(shù)據(jù)的成本比較低，就像攝像頭,，它的價格比較合適,，數(shù)據(jù)量比較豐富，對于周圍環(huán)境的描述也比較充分,，但最大的缺點是環(huán)境光照對它的影響會比較大,，同時視覺有限。目前我們在用的攝像頭的視覺是沒有那么大的,。假設(shè)如果采用360度的全景,，它的畸變會比較嚴重，這樣它后續(xù)的計算量就會比較大,。

基于雷達的SLAM的優(yōu)點就是比較穩(wěn)定，它不會受到環(huán)境光照的影響,，白天晚上都可以用,，數(shù)據(jù)量也比較少，定位和地圖創(chuàng)建的精度高,，目前最主要的缺點是傳感器價格昂貴,。

所以以前我們在做SLAM，大家是普遍在室外使用基于雷達的SLAM,，而在室內(nèi),，基于視覺和雷達的SLAM都會使用,。

創(chuàng)建SLAM系統(tǒng)的時候,，我們主要考慮幾個維度,，第一個是影響穩(wěn)定工作的因素，第二個是定位和地圖創(chuàng)建的精度,，第三個是計算量,，第四個是傳感器的成本。

從第一個維度（工作穩(wěn)定）上來看,，VSLAM容易受到環(huán)境光照的影響,，依賴紋理色彩。當處于無紋理環(huán)境時,，如果兩邊都是白色的墻,，它是無法實現(xiàn)定位和制圖的。而激光雷達是依靠結(jié)構(gòu)化信息作為特征對環(huán)境進行感知并實行SLAM,，如果處于又長又直的通道,，它的性能就會比較差。但是如果結(jié)合激光雷達輸出的反射率要素,，也就是雷達的輸出除了XYZ還有一個反射率I,，那么情況就會好很多，但是畢竟它的信息量不夠多,，所以效果并不會特別好,。最終最可靠的方式還是由多傳感器融合來完成。

第二個考慮的維度是定位和地圖構(gòu)建的精度,，從維度上來看,，激光雷達遠遠優(yōu)于這個基于視覺的方式。

從第三維度（計算量需求）來看,，激光雷達的輸出是點云,。點云這個詞給人感覺數(shù)據(jù)量很大，但是事實并不是,。像速騰現(xiàn)在的32線激光雷達一秒的輸出數(shù)據(jù)量不到三兆,，但是視覺的一張圖片就有好幾兆了,，一秒輸出如果按20幀算,，可能要20張圖片甚至更高，所以從這點上看,，視覺的數(shù)據(jù)量毫無疑問會比激光雷達輸出多得多,。從硬件支持來看的，激光雷達不需要性能特別強的處理芯片,，而視覺算法就需要,，但是現(xiàn)在的芯片發(fā)展得非?？欤裼⑻貭?、英偉達等廠家在硬件的處理能力上也在加速發(fā)展,，未來不會成為一個很大的瓶頸。

從第四個維度（傳感器的成本）來看,，激光雷達目前成本比較貴,，像Sick或者hokuyo的中等距離單線激光雷達，價格要上萬塊錢,，而速騰的16線激光雷達也要幾萬,。因而降低成本是必然的趨勢，一方面通過規(guī)?；纳a(chǎn)降低成本,，另一方面往固態(tài)方向上進行技術(shù)創(chuàng)新，朝著固態(tài)的低成本和可量產(chǎn)化的方向去發(fā)展,，目前包括速騰在內(nèi)的國內(nèi)外廠家都在加速創(chuàng)新,，我相信2到3年內(nèi)成本不會是問題。

通過這四個維度的結(jié)合,，我們可以得出第一點是多傳感器融合的方式是一個必然的趨勢,，第二點是特征提取會從基本的定義特征走到深度學(xué)習中去，同時激光雷達的創(chuàng)新成本也往降低成本的方向去發(fā)展,。

大家可以先看一下SLAM的demo,。（視頻在文末）

三、Lidar在自動駕駛中的應(yīng)用——定位

接下來講定位的問題,。（在以前，就將移動機器人的定位導(dǎo)航定義成三個問題（無人駕駛的車輛也是屬于移動機器人的范疇）,，我在哪,？我要去哪里？我應(yīng)該怎么去,？

無人駕駛的定位的問題,，其實是無人駕駛車輛通過自身所攜帶的內(nèi)部或外部的傳感器來確定自身在道路環(huán)境中的位置。

無人駕駛車輛的定位和地圖創(chuàng)建是密切相關(guān)的,，準確的地圖信息有利于實現(xiàn)高精定位,，而高精定位又是構(gòu)建可靠的地圖信息的前提。目前我們使用GPS的定位精度肯定是不夠的,，它基本上就是米級,。

我們現(xiàn)在手機的定位導(dǎo)航在自主駕駛肯定是精度不夠，同時由于周圍的建筑物密集、高樓林立或者樹比較高的,，GPS信號也容易受到減弱,，甚至屏蔽，這樣是非常危險,。依靠地面基站的RTK的方式能夠在很大的程度上解決誤差問題,，達到精度的要求。它能夠解決一些在GPS傳遞過程中的問題,，但是依然沒有沒辦法解決在隧道或者高樓林立的環(huán)境中的一些信號中斷問題,。所以增加其他的方式進行穩(wěn)定的高精定位是非常有必要的。

基于視覺或激光雷達的定位是常用的定位方法,。我們這里重點講一下激光定位。這是一個基于激光雷達定位的框架,，首先GPS給定初始位置,，通過IMU和車輛的Encoder（編碼器）可以得到車輛的初始位置，然后將激光雷達的局部點云信息,，包括點線面的幾何信息和語義信息進行特征提取,，并結(jié)合車輛初始位置進行空間變化，獲取基于全局坐標系下的矢量特征,，接著將這些特征跟高精度地圖的特征信息進行匹配,，最后獲取一個準確的定位。

基于雷達的定位還是會走多傳感器融合的方式,，如結(jié)合GPS、IMU,、Encoder或者攝像頭,，來進行定位。IMU和Encoder其實能夠很好地解決一些初始位置的定位問題,，初始位置是非常關(guān)鍵,，而GPS相當于是做全局定位。

比如GPS的精度在分米級別,，那么我們是能夠保證在所有的定位精度在分米級別,，如果GPS的定位精度在厘米級別，那么我們先保證精度在厘米級別,，GPS會限制住最大誤差,。這種基于GPS、IMU,、Encoder,、雷達和高精度地圖的定位方式是一個多傳感器融合的方式,。

接下來給大家看一下我們定位的demo,。（視頻在文末）

四,、加速Lidar應(yīng)用——普羅米修斯計劃

我們速騰想在加速大家的雷達應(yīng)用上盡自己的一份力量,。在這方面上目前有三個問題,，第一個問題是傳感器缺失，速騰希望自己能夠在量產(chǎn)上,，成本上,，產(chǎn)品上更加給力，進而給大家提供穩(wěn)定性和性價比更高的雷達,。第二個問題是雷達還沒有充分發(fā)揮威力,，我們在和很多客戶的溝通過程中發(fā)現(xiàn)了這點，最后是我們希望拋磚引玉,，貢獻出自己的積累,，讓大家加速整個自動駕駛落地。

我們最開始是在做算法,，當時是做夢都想自己去提供雷達,，一方面是當時國外單線激光雷達或者多線激光雷達的支持力度不夠，另一方面在開發(fā)算法很希望能夠軟硬結(jié)合,，能夠把算法做得更加的穩(wěn)定,，所以在14年公司成立的時候我們就開始做激光雷達。

普羅米修斯這個名字是我起的,。本著一種負責、開放,、共享的心態(tài),，讓大家一起來開發(fā)，一起來努力?，F(xiàn)在國內(nèi)和國外在自動駕駛上的差距還是有的,，所以我們希望能夠加速整個國內(nèi)自動駕駛的落地。現(xiàn)在速騰提供整個激光雷達的解決方案,，包括激光雷達和算法,。

這個模塊包括定位,、車道線檢測,、路沿檢測、障礙物識別分類和障礙物跟蹤,。我們最近對這些模塊可能還會有一個大的升級,，我們會通知大家,，也希望大家在用的過程中及時反饋問題，以及希望能夠跟大家一起多探討技術(shù)問題,。

分享到此,，謝謝大家。

問答環(huán)節(jié)

提問1

李瑤 勇藝達機器人 產(chǎn)品經(jīng)理

1,、現(xiàn)在激光雷達的應(yīng)用場景主要在鋪裝路面,，未來幾年是否可應(yīng)用在非鋪裝的路面上，例如叢林,，荒漠無人區(qū),，等等。

2,、密集的無人車輛在路面駕駛,，他們之間的激光線束會互相干擾嗎？

邱純鑫：關(guān)于激光雷達的應(yīng)用場景,，目前確實還是在結(jié)構(gòu)化特征比較好的路面上,，未來肯定會用在非結(jié)構(gòu)化的道路上，例如在剛才提問中提到叢林或者一些荒漠無人區(qū),，原來我研究的課題是在非結(jié)構(gòu)化特征上面去做的,，因此我知道所需要克服的困難比現(xiàn)在的結(jié)構(gòu)化道路上要多，但是也有好處,。

如果是針對叢林這種環(huán)境下,，幾何特征對于激光雷達來講會更好，但是對于荒漠無人區(qū)這些地方,，激光雷達是很難去做到地圖的創(chuàng)建和定位,，但是在這種荒漠無人區(qū)，沒有什么干擾的情況下,，用GPS這種定位的方式效果會更好一些,。

我記得我原來提過在不同道路情況下定位的問題，當時我是按照不同道路對GPS信號的干擾進行了分類,，隧道等基本無信號的路段分成一類,；高樓林立以及樹比較多的分成一類；最后就是多車道的高速公路分為一類,，根據(jù)這幾種不同,，把傳感器產(chǎn)生的定位特點和激光雷達的特點以及視覺特點進行融合，根據(jù)不同的置信度進行定位,，最終是一個多傳感器融合的方式進行,。

第二個問題，目前激光雷達用的量也不是特別大,，因此還沒有密集的無人駕駛車輛在路上行駛的情況,。當很多車輛在路上行駛的時候,，車輛間激光束的相互干擾給激光雷達產(chǎn)生無規(guī)律產(chǎn)品問題的現(xiàn)象也會越來越明顯，包括速騰在內(nèi),，我們現(xiàn)在也都在解決這個問題,，這也是兩年甚至三年后無人駕駛快速落地時必須要解決的關(guān)鍵性問題。

提問2

黃新耀 粵鴻投資研究員

想了解一下3D激光雷達真正商用起量這個時間周期,？在無人駕駛商用前有沒有其它領(lǐng)域會率先使用,？

邱純鑫：關(guān)于第二個問題,，目前激光雷達已經(jīng)算是在商用了,，我們在給客戶賣這個產(chǎn)品時也發(fā)現(xiàn)有很多客戶確實想認認真真地落地解決一些原來行業(yè)的痛點，可能是對于低速的場景或者高速場景下,，整個體量也是一個慢慢的爬坡期,。隨著這個行業(yè)的應(yīng)用，我相信激光雷達的廠家會越來越給力,，從產(chǎn)能以及價格上面去滿足大家的需求,。

至于時間點，我覺得今年或者明年的增長速率可能會越來越快,，等到大批量產(chǎn)時,，它每一個成本的下降應(yīng)該都會打開一個新的市場。對于在無人駕駛商用前有沒有其他領(lǐng)域會率先去應(yīng)用,，我覺得有一些是可以去嘗試的,，比如安防領(lǐng)域或者AGV或者是解決最后一公里的園區(qū)車以及最后一公里的物流車。因此對于這塊,，速騰會逐一地去支持,，同時我們也會根據(jù)我們的能力去滿足大家的需求。

速騰會沿著市場的需求先量產(chǎn)16線,，接下來是32線以及后面會量產(chǎn)固態(tài)激光雷達,，同時也將逐一來進行產(chǎn)品的開發(fā)。

回答完畢,！

提問3

黃玉璽 京東X事業(yè)部無人車研發(fā)部算法工程師

1.在無人駕駛汽車這種高速的環(huán)境下,，基于點云地圖的定位如何解決實時性問題？GPU加速,？

2.實際應(yīng)用中,，大場景下(幾十甚至上百公里)點云地圖通常是否會占用很大存儲空間？地圖通常需要分塊加載,，通常是如何分塊加載的,，每個地圖塊大小通常多大？

3.在建圖的過程中有用到深度學(xué)習的方法,，對地圖做語義上的處理嗎,？

邱純鑫：針對第一個問題,，如果是對于高速環(huán)境下的定位問題，我認為這里可以從兩個維度去解決實時性和匹配精度的問題,，第一：在高速的環(huán)境下,，IMU和Encoder是必不可少的，相當于做了一個初始位置的估計,，因為在高速環(huán)境下時,，Lidar的頻率是沒有那么快的，比如20幀或者是（ ）,，如果一秒獲取十次全景掃描,，按照120公里每小時的速度就已經(jīng)滑出去三米多，這時你去做匹配時可能就會陷入局部最優(yōu)或者是匹配不上的問題,。因此,，對于第一問題來說，IMU和Encoder整個的原始初始估計是比較重要的,；

第二：Lidar的幀率從10提升到20,，同時點云的出點率更高，實際上在激光測距的時候,，它的速度是很快的,，比如單點測量時的速度相當于光速，因此在對于高速環(huán)境120千米每小時的時候,，對單次測量來說它根本就不算快,，完了之后，Lidar在你輸出時針每一幀的數(shù)據(jù)時,，每個點都對應(yīng)它當時的一個時間戳,，因此，我們會從兩個維度去解決這問題,。

一個維度是：我會用上更好的初始位置估計,；同時，在用這個初始位置估計的時候,，把激光測距單點的時間戳也用上,；

另一個維度是：對于高速環(huán)境下，它的場景是比較簡單的,，結(jié)構(gòu)化數(shù)據(jù)比較好,，在特征提取的時候可以做一些其他的限制，這跟在復(fù)雜場景下是不一樣的,。

針對第二問題,，就是在大場景下的時候，點云地圖通常是否會占據(jù)很大的存儲空間,。實際上這個回答是對的,，我以前是做機器人的,，主要是解決大場景下如何去做實施定位的問題，當時我們的距離大概是十公里左右,，然后對其進行局部地圖的存儲,，再去做定位，從這個維度上,，我們可能又在整個地圖的使用頻次上去做,，而我不可能一下子存儲整個地圖，然后再去做定位,，這樣可能會有些問題的,，因此，用一種分布存儲來解決問題是比較好的,。

第三個問題是關(guān)于深度學(xué)習的,，這個方式我們很早就開始用了,，更多的是從原來的定義特征到利用深度學(xué)習去自學(xué)習特征的方式去進行,，也就是我們通過深度學(xué)習來完成這個特征的提取以及整個空間表達的問題。

回答完畢,！

提問4

李毅瞳 布谷鳥科技 工程師

最近聽說速騰能夠量產(chǎn)相控陣Lidar了,，那么我想問下相控陣激光雷達在產(chǎn)品設(shè)計以及量產(chǎn)化上有哪些技術(shù)難題？

速騰現(xiàn)在在單線以及多線Lidar出貨量上能做到多少,？有一些具體的應(yīng)用項目可以介紹下嗎,？

還有就是您如何看待目前激光雷達在輔助駕駛系統(tǒng)上的應(yīng)用？

目前的多傳感器融合想在汽車上批量應(yīng)用的話,，是否存在一些問題,？怎么解決？

短期內(nèi)激光雷達的上車成本能降到什么水平,？

邱純鑫：第一個問題,，速騰最近前段時間發(fā)布的是我們的MEMS激光雷達，同時也介紹了我們在后面全固態(tài)激光雷達的一個布局,。

這個MEMS激光雷達的demo我們做完了,，距離到真正的量產(chǎn)和可應(yīng)用也需要一段時間，沒有那么快,。而相控陣可能它也得往后移到MEMS的后面,。

對于相控陣激光雷達這一塊，它的產(chǎn)品設(shè)計和量產(chǎn)化有哪些技術(shù)難題要去突破呢,。我也可以跟大家簡單一起來探討一下,，相控陣激光雷達這一塊，大家原來看到的可能是它的相陣,，就是它的發(fā)射部分,，其實還有接收部分,，在整個后面的高速數(shù)據(jù)處理，這幾塊東西都要去完成,，對于發(fā)射部分來講,，光在傳導(dǎo)過程中能量的損耗以及提高傳導(dǎo)效率，都靠工藝和多次嘗試來實現(xiàn),，另外消除柵瓣的一些難點也可以去解決,，大概是這樣子的。

對于接收部分,，我們怎么樣才能夠使得光信號變成電信號的效率以及敏感度得到提高,，比如你原來是需要多個光子才能進行產(chǎn)生雪崩，是否可以使用單個光子來產(chǎn)生雪崩以及從光信號變到電信號過程中對微弱信號進行放大,，這個過程中產(chǎn)生的一些底噪是否能夠去減少,，這個過程其實是解決一些刺激能力的問題，因此整個發(fā)射與接收都是需要去解決,，我覺得這是兩個主要的問題,。

第二問題，速騰其實沒有單線的激光雷達,，我們現(xiàn)在在大批量出貨的是我們多線的激光雷達,。至于出多少貨，我覺得我們可以再討論具體的應(yīng)用,，主要包括幾塊,，一：低速場景的物流車以及低速場景下的觀光車，還有一些高速上多個耦合的應(yīng)用,，包括單個64線激光雷達+多個16線激光雷達進行補盲,，通過這樣的作用來進行。

我認為激光雷達在輔助駕駛的應(yīng)用也是有它的用武之地,，線束就變得不是特別關(guān)鍵,，比如輔助駕駛，我也不需要用64線的激光雷達去做輔助駕駛,，最主要還是從它是不是能夠過車規(guī)以及是不是能將成本下降下來這兩個維度去考量,，當然也可以用在輔助駕駛上去做，因為最終還是在性價比合適的情況下去降低事故率,，能夠減緩客車或者貨車司機這種經(jīng)常長時間駕駛的人的壓力,，我覺得是它有這個應(yīng)用的必要性。

接下來就是多傳感器融合這個問題,，我認為多傳感器融合第一步要解決就是融合的問題,，那要如何去解決呢？因為我們不管是攝像頭或者Lidar裝在這個車上還是毫米波雷達裝在車上的時候，它都可能會隨著車在使用過程中產(chǎn)生的運動和震動而出現(xiàn)一些輕微的位移,。因此是否可以做到自標定從而解決這個問題是很重要的,，在車開一段時間后可能是Lidar的位置會產(chǎn)生移動，那我們是否可以通過自動糾正的方式來解決,。短時間內(nèi),，激光雷達的上車成本能降到什么樣的一個水平，這里我認為需要看時間點,。如果是一年時間,，我覺得它應(yīng)該是有的一個量級的下降，那如果是明年或者后年,，也會有另一個量級的下降,，我認為在兩到三年后應(yīng)該會下降到200美金以下，3年之后甚至100美金以下,。

回答完畢,！

提問5

Brandon-福特亞太-車聯(lián)網(wǎng)

激光雷達的高成本問題還有數(shù)據(jù)傳輸?shù)膸拞栴}，目前的解決方案有哪些,？

邱純鑫：關(guān)于激光雷達高成本的問題,，在上面我已經(jīng)解釋過了，就是通過兩個維度,，一：通過大批量生產(chǎn),；二：通過往固態(tài)方向發(fā)展。

對于數(shù)據(jù)傳輸?shù)膯栴},，實際上我們現(xiàn)在的數(shù)據(jù)量其實是不算多的，單秒的數(shù)量不算多,，我們現(xiàn)在采取的是百兆的以太網(wǎng)來傳輸,，后面是否會升級到千兆，這也是一個方向,。另外,，我們可以把點云處理算法集成到LiDAR上，給客戶輸出的已經(jīng)不是原始點云數(shù)據(jù),，而是一些處理后的數(shù)據(jù),，因此這樣數(shù)據(jù)就會更少了。目前經(jīng)過我們處理的一些數(shù)據(jù),，可以更好地用在自動駕駛這塊,，我覺得這也可以作為一個探討的方向。

回答完畢,！

提問6

孫志明-京東-無人車算法工程師

1,、如何融合gps和慣導(dǎo)數(shù)據(jù)?最終建圖的絕對誤差是多少

2、地圖為什么那么小但又不影響定位,。

邱純鑫：融合GPS和慣導(dǎo)數(shù)據(jù)主要在于整個模型的建立,，不管是GPS還是慣導(dǎo),，在你的測量方程中，整個模型的建立非常重要,，根據(jù)模型線性化程度選擇EKF或者PF等算法進行融合,，總的來說就是可以用不同的融合算法去實現(xiàn)。

速騰現(xiàn)在做的已經(jīng)算是比較不錯的了,，因為建圖的精度會影響到定位精度,，因此可以具體地達到一個精度是很不錯的，而我們現(xiàn)在的定位精度是可以做到20厘米以下,。

第二個問題,，在實際定位過程中我們也沒有用到那么多原始的點云數(shù)據(jù)，而是根據(jù)一些特征來進行定位,。因此地圖小,，同時它的實時性也高。在每次定位的時候,，實際上數(shù)據(jù)的吞吐量并沒有那么高,。

回答完畢！

還有一個福利

我們的「自動駕駛」社群全面開放申請啦,。誠邀你加入,，將能認識到來自谷歌Waymo、上汽,、北汽,、一汽、百度,、博世,、大陸、蔚來汽車,、NVIDIA,、Mobileye、智行者,、圖森,、高德等整車廠和供應(yīng)商的上萬名汽車工程師和從業(yè)者。

同時,，我們會定期邀請自動駕駛方向和新能源汽車領(lǐng)域的知名創(chuàng)業(yè)者和技術(shù)大牛,，主講自動駕駛系列課。如果對自動駕駛有強烈興趣,，可以添加車小東微信（ID：cdxauto）申請入群交流,。