摘要
针对激光雷达在降雨条件下的性能局限性问题,基于封闭场地中的降雨模拟设施,分别选取一款机械旋转雷达和混合固态激光雷达采集不同降雨条件下的点云数据,通过构建包括5项客观指标的指标集,对两类激光雷达受降雨条件影响的程度进行了对比分析。试验结果表明,降雨会在一定程度上减少点云的数量,降低点云的反射率,增加反射率信息熵,降低反射率信噪比;降雨的雾化现象会大幅恶化激光雷达的表现,在20m~40m内,对机械旋转雷达造成91.49%的平均点云数量削减和82.98%的平均反射率削减;而波长较长、非重复扫描的混合固态雷达在降雨下具有更好的穿透性,点云数量较为稳定;但混合固态雷达在降雨环境下的点云会包含更多反射率较低的雨滴回波,因此需要采用更有效地噪声滤除算法。
自动驾驶汽车是由环境感知、决策规划、控制执行等系统组成的复杂信息物理系统。其中,环境感知系统是自动驾驶汽车获得外部环境信息的入口,其可靠性和鲁棒性直接关系到车辆行驶过程中的安全性。激光雷达由于其相较毫米波雷达的分辨率优势,相较摄像头能够提供可靠的场景深度信息等优势,并被视为自动驾驶技术的关键传感器之一。但车载激光雷达在实际运行场景中会受到外界环境因素不同程度的影
针对激光雷达在各类环境因素影响下的性能变化问题,国内外学者开展了广泛研究。Rivero J
相关研究大多采用较为单一的评价指标对激光雷达的性能进行评价,主要集中于点云数量和反射率的分析,且针对不同类型激光雷达的性能差异探讨较少。因此,本文主要针对激光雷达在实际使用条件下对典型交通目标物的感知性能受降雨强度的影响情况,引入多个量化指标形成的指标集,基于封闭场地的降雨模拟设施,对不同类型的激光雷达进行了分析和比较。
激光雷达的环境感知结果以点云的形式采集和存储,每一帧点云均包含一定时间间隔内雷达接收到的全部激光回波信息,主要包含点云的坐标、距离、反射率等信息。在自动驾驶汽车应用领域,基于点云的目标识别算法主要通过点云提供的上述信息进行点云聚类和特征提取,进而实现目标物识别。因此,点云质量将直接影响算法识别效果,包括点云数量、点云反射率、点云位置分布、点云反射率分布、点云信息的波动等。因此,本文通过建立更加全面的点云质量评价指标,探究降雨对点云质量的影响情况,以便为激光雷达选型、识别算法性能改进提供依据。
参考其他应用领域对激光雷达的性能要
(1)平均点云数量
平均点云数量是指每帧点云的平均激光回波数量,该指标可以衡量点云数量的平均水平,可由式(1)计算得到。其中,为特定时间段内全部帧的点云数量,为该段时间内的采集帧数。
(1) |
(2)平均反射率
平均反射率是指一段时间内全部帧的点云反射率均值,该指标可以衡量点云反射率的平均水平,可由式(2)计算得到。其中是第帧的点云数目,是第i帧中第个点的反射率。
(2) |
(3)反射率信息熵
反射率信息熵可以客观评价点云反射率的一致性,即信息熵越小,点云反射率的分布越集中。计算方法见式(3),其中,表示反射率位于第i等级的点云占比。
(3) |
(4)反射率信噪比
本文采用的反射率信噪比的计算方法如式(4)所示,该指标可以客观评价点云抵抗外界噪声的能力强弱。其中,为一段时间内全部帧的点云平均反射率,为一段时间内全部帧的点云反射率标准差。
(4) |
(5)纵向距离标准差
纵向距离标准差是指一段时间内全部帧的点云纵向距离标准差,该指标反映了激光雷达在一段时间内的测距精度。在本文中,选取标定后的激光雷达的点云数据y坐标绝对值作为纵向距离,如

图1 激光雷达坐标系
Fig.1 Coordinate of the LiDAR
纵向距离标准差的计算方法如式(5)所示,其中表示第帧里第个点的纵向距离,而表示全部帧点云的纵向距离均值。
(5) |
围绕试验选取的被测激光雷达工作原理和性能参数,以及试验条件和试验场景的设置进行说明。
常见的车载激光雷达根据获取物体信息的方式不同,主要包含三角测距和飞行时间激光雷达两大
机械旋转式和混合固态激光雷达在零部件构成和工作机制上存在一定差异,二者的工作原理见

图2 不同激光雷达的工作原理
Fig.2 Working principle of different LiDARs
本文选择了机械旋转式激光雷达OUSTER OS2-128和混合固态式激光雷达Livox Tele-15作为被测对象,两款雷达的参数对比见
雷达型号 | OS2-128雷达 | Tele-15雷达 |
---|---|---|
激光波长 | 865nm | 905nm |
线数 | 128线 | 135线 |
水平角分辨率 | 0.18° | 0.02° |
垂直角分辨率 | 0.18° | 0.12° |
垂直视场角 |
22.5° (±11.25°) | 16.2° |
水平视场角 | 360° | 14.5° |
测量精度 | ±1.5~±5cm |
±2cm(5~220m) ±4cm(220~380m) |
每s点数 | 2 621 440 | 240 000 |
为构建接近真实使用条件的测试环境,本文基于封闭测试场地的降雨模拟设施对被测雷达进行试验,试验场地为位于上海临港智能网联汽车综合测试示范区内的降雨模拟路段。该降雨模拟设施共有5个降雨等级,不同降雨等级所对应的降雨强度详见
降雨等级 | 降雨强度/(mm∙mi |
---|---|
1级 | 0.75 |
2级 | 2 |
3级 | 3 |
4级 | 4 |
5级 | 5.5 |
本文核心目的为研究不同降雨强度对激光点云质量的影响情况,即以降雨强度作为自变量,以特定测试场景下的点云质量评价指标作为因变量。为尽可能减少其他因素对试验结果的影响,试验设置为静态场景,以避免由于目标物移动位置导致与激光雷达纵向距离变化产生影响。为保证场景设置的有效性,试验前开展了相应预实验,包括无雨条件下不同速度行人横穿试验,以及不同距离静态目标物试验。结果表明行人在0~3m·

图3 无雨条件下点云质量变化情况
Fig.3 Change curve of point cloud quality under normal condition
基于预实验结果,选取实际交通场景中最为常见的行人和车辆作为激光雷达感知目标,降雨条件试验场景分别设置假人、汽车目标物与雷达的纵向距离为20m和40m;横向位置布置时,考虑各目标物互相不遮挡,并能完全处在激光雷达的水平视场角范围内,如

图4 降雨试验目标物设置
Fig.4 Target objects of rainfall test
此外,为区分不同的目标物,在后续数据处理过程中,仅对目标物附近选定区域内的点云根据评价指标进行计算和评价。选定的区域如
按照试验方案,共计采集了两款激光雷达在无雨和5个降雨等级下的点云数据。

图5 试验雷达采集的点云斜视图对比
Fig.5 Comparison of oblique views of point cloud collected by LiDARs under Test
进一步分析第1节提出的5项指标受降雨条件的影响情况。

图6 相对平均点云数量比例变化曲线
Fig.6 Change curve of relative proportion of average point cloud number

图7 平均反射率及反射率信息熵变化曲线
Fig.7 Change curve of average reflectivity and reflectivity information entropy

图8 反射率信噪比变化曲线
Fig.8 Change curve of reflectivity Signal-to-Noise ratio
考虑到被测两款激光雷达的实际表现受到生产工艺等因素的影响,测试结果具有一定的特异性,因此结合二者的性能变化趋势及一般性的工作原理和特点进行分析,对于获得激光雷达在降雨条件下的性能变化特点及其性能局限性,以及SOTIF相关研究具有一定参考价值。
由试验结果可知,1级降雨对各项指标的影响最为严重。由于场地中采用的降雨模拟设施采用喷淋的形式,在1级降雨条件下,雨滴颗粒直径较小,但喷洒的雨滴密度较高,此时降雨更接近雾滴的形态。

图10 1级和3级降雨下的汽车图像对比
Fig.10 Image comparison of vehicle at level 1 and level 3 rainfall

图11 不同降雨等级下的灰度方差
Fig.11 Gray-scale variance at different rainfall levels
由
比较两款激光雷达的测试结果可知,Tele-15雷达的点云反射率受降雨条件的影响程度要大于OS2-128雷达,主要是因为Tele-15雷达的点云密度较大,导致点云中包含较多的雨滴回波,而雨滴的反射率极

图12 两款雷达的低反射率点云占比统计
Fig.12 Proportion of low reflectivity point cloud of two LiDARs
由
激光雷达是自动驾驶汽车环境感知系统的重要组成部分。本文针对激光雷达在降雨条件下的性能局限性,基于封闭场地内的降雨模拟设施,开展了测试试验,量化分析了不同类型激光雷达在典型交通目标物感知过程中受降雨强度影响的情况。可以从多个角度评价点云质量;试验以机械旋转式OS2-128雷达和混合固态式Tele-15雷达作为被测对象,设置假人和汽车作为被测目标物,采集了无雨和5个等级降雨条件下的点云数据;基于评价指标对选定区域内的点云进行分析,从降雨量、目标物类型、雷达种类三个维度,对比分析了降雨条件对雷达性能的影响情况。
实验结果表明,降雨会在一定程度上减少目标物区域内的平均点云数量,降低点云平均反射率,使反射率分布集中于低反射率区间,从而降低反射率信息熵,容易导致点云反射强度特征的丢失;降雨会降低点云的反射率信噪比,削弱其抗噪声能力。此外,在模拟降雨条件下,雾化的小雨条件对激光雷达的影响相较其他降雨条件更加严重,在20~40m距离内,机械旋转式激光雷达平均点云数量最大降幅达到91.49%,平均反射率最大降幅达82.98%。因此在自动驾驶场景中要充分考虑雨滴雾化的影响,进而通过软硬件优化来弥补车载激光雷达的性能局限,以提升SOTIF性能。在降雨环境下,线数相近的混合固态雷达相比机械旋转雷达在局部具有更高的点云密度,从而产生更多的雨滴回波,表现为低反射率点云占比上升,因此采用混合固态激光雷达需要更加有效地噪声滤除策略。
在未来的研究工作中,将会在上述激光雷达点云质量评价指标的基础上,进一步研究基于点云的识别算法识别效果的受影响情况;并从车辆预期功能安全的触发条件分析需求出发,研究环境条件引发车辆非预期行为的过程及机制,为触发条件量化指标构建和触发条件库建立提供依据和支持。
作者贡献声明
邢星宇:试验方案设计与实施,测试结果分析,论文撰写;
黄安:试验实施,测试结果分析,论文修订;
姜为:试验实施,测试结果分析,论文修订;
陈君毅:研究命题提出与构思,试验方案设计,论文审核;
余卓平:论文修订与审核。
参考文献
PEYNOT T, UNDERWOOD J P, SCHEDING S. Towards reliable perception for unmanned ground vehicles in challenging conditions[C]//2009 IEEE/RSJ International Conference on Intelligent Robots and Systems. Los Alamitos, CA: IEEE Computer Society, 2009: 1170-1176. [百度学术]
International Organization for Standardization. Road Vehicles-Safety of the intended functionality: ISO 21448:2022[S]. Geneva: ISO, 2022. [百度学术]
RIVERO J, TAHIRAJ I, SCHUBERT O, et al. Characterization and simulation of the effect of road dirt on the performance of a laser scanner[C]//2017 IEEE 20th International Conference on Intelligent Transportation Systems (ITSC). Yokohama, Japan: IEEE, 2017: 1-6. [百度学术]
NAKAJIMA T Y, IMAI T, UCHINO O, et al. Influence of daylight and noise current on cloud and aerosol observations by spaceborne elastic scattering Lidar[J]. Applied Optics, 1999, 38(24):5218. [百度学术]
RASSHOFER R H, SPIES M, SPIES H. Influences of weather phenomena on automotive Laser Radar Systems[J]. Advances in Radio Science, 2011, 9: 49. [百度学术]
HASIRLIOGLU S, DORIC I, KAMANN A, et al. Reproducible fog simulation for testing automotive surround sensors[C]//2017 IEEE 85th Vehicular Technology Conference(VTC2017-Spring). Sydney, Australia: IEEE, 2017: 1-7. [百度学术]
HASIRLIOGLU S, KAMANN A, DORIC I, et al. Test methodology for rain influence on automotive surround sensors[C]//2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC). Rio de Janeiro, Brazil: IEEE, 2016: 2242-2247. [百度学术]
HEINZLER R, SCHINDLER P, SEEKIRCHER J, et al. Weather influence and classification with automotive lidar sensors[C]// 2019 IEEE Intelligent Vehicles Symposium (IV). Paris, France: IEEE, 2019: 1527-1534. [百度学术]
FILGUEIRA A, GONZÁLEZ-JORGE H, LAGÜELA S, et al. Quantifying the influence of rain in LiDAR performance[J]. Measurement, 2017, 95:143. [百度学术]
FERSCH T, BUHMANN A, KOELPIN A, et al. The influence of rain on small aperture LiDAR sensors[C]//2016 German Microwave Conference (GeMiC). Bochum, Germany: IEEE, 2016: 84-87. [百度学术]
WOJTANOWSKI J, ZYGMUNT M, KASZCZUK M, et al. Comparison of 905 nm and 1550 nm semiconductor laser rangefinders’ performance deterioration due to adverse environmental conditions[J]. Opto-Electronics Review, 2014, 22(3):183. [百度学术]
MCKNIGHT B D, MILES R, MARINE G. Impact of reduced visibility conditions on laser-based DP sensors[C]//Dynamic Positioning Conference. Houston, USA: Dynamic Position Committee, 2014: 1-9. [百度学术]
MONTALBAN K, REYMANN C, ATCHUTHAN D, et al. A quantitative analysis of point clouds from automotive lidars exposed to artificial rain and fog[J]. Atmosphere, 2021, 12(6):738. [百度学术]
VRIESMAN D, THORESZ B, STEINHAUSER D, et al. An experimental analysis of rain interference on detection and ranging sensors[C]// 2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC). Rhodes, Greece: IEEE, 2020: 1-5. [百度学术]
TANG L, SHI Y, He Q, et al. Performance test of autonomous vehicle lidar sensors under different weather conditions[J]. Transportation Research Record Journal of the Transportation Research Board, 2020, 2674(1):319. [百度学术]
GOBERVILLE N, EI-YABROUDI M, OMWANAS M, et al. Analysis of LiDAR and camera data in real-world weather conditions for autonomous vehicle operations[J]. Advances and Current Practices in Mobility, 2020, 2(5):2428. [百度学术]
中华人民共和国国家质量监督检验检疫总局. 机载激光雷达点云数据质量评价指标及计算方法: GB/T 36100[S]. 北京: 国家标准化管理委员会, 2018. [百度学术]
General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China. Indices and computation method of quality assessment for airborne LiDAR point cloud data: GB/T 36100[S]. Beijing: Standardization Administration, 2018. [百度学术]
QIAN Q, HU Y, ZHAO N, et al.Summed volume region selection based three-dimensional automatic target recognition for airborneLiDAR[J]. Defence Technology, 2020, 16(3):535. [百度学术]
WANG Z, WANG X, FANG B, et al. Vehicle detection based on point cloud intensity and distance clustering[J]. Journal of Physics: Conference Series, 2021, 1748(4):1. [百度学术]
LIU J, SUN Q, FAN Z, et al. TOF LiDARr development in autonomous vehicle[C]//2018 IEEE 3rd Optoelectronics Global Conference (OGC). Shenzhen, China: IEEE, 2018: 185-190. [百度学术]
武晓宇, 张晓, 王伟忠. 智能网联汽车激光雷达工作原理、性能比较与安全性分析[J]. 信息安全与通信保密, 2020(9):92. [百度学术]
WU X Y, ZHANG X, WANG Z W. A comparative study on the principle, performance and safety of the intelligent connected vehicle LiDAR[J]. Information Security and Communications Privacy, 2020(9):92. [百度学术]