百度Apollo：激光雷达检测技术深度解析

🎬 鸽芷咕：个人主页
?🔥 个人专栏:《linux深造日志》《粉丝福利》

??生活的理想，就是为了理想的生活!

---

?? 粉丝福利活动

• ?参与方式：通过连接报名观看课程，即可免费获取精美周边

• ??活动链接：《自动驾驶新人之旅》
  

• 📆 活动时间长期有效 | 课程姓名填写 鸽芷咕 学号 1111

完成后加博主微信填写问卷领取礼品，也可根据《活动步骤》 完成领取

🔥 注：可以拉取进度条观看，超过%50即可领取百度周边

?? 文章末尾扫码加入粉丝群，不定期发放粉丝福利，各种专业书籍免费赠送！

引入

在自动驾驶技术的飞速发展中，感知系统的关键组件之一是激光雷达。百度Apollo平台作为领先的自动驾驶解决方案之一，其激光雷达检测技术在实现高精度环境感知方面发挥着关键作用。

一、 激光雷达在自动驾驶中的角色

激光雷达（LiDAR）是一种通过发射激光束并测量其返回时间来感知周围环境的传感器。在自动驾驶中，激光雷达的角色不可忽视，因为它提供了高精度的三维空间信息，用于检测障碍物、构建地图以及进行定位。

二、激光雷达的配置文件

激光雷达检测用于 3D 目标检测，它的输入是激光雷达点云，输出为检测到的物体的类型和坐标，具体的实现在lidar_detection_component中。它的流水线配置文件在

• modules/perception/pipeline/config/lidar_detection_pipeline.pb.txt 中

一共分为 7 个阶段，其 POINTCLOUD_DETECTION_PREPROCESSOR，POINTCLOUD_DETECTION_POSTPROCESSOR，OBJECT_FILTER_BANK 各包含 1 个

2.1 配置文件

和上图对应，lidar_detection_component组件一共分为 7 个阶段，具体的流水线配置如下。

pipeline_type: LIDAR_DETECTION

stage_type: POINTCLOUD_PREPROCESSOR
stage_type: POINTCLOUD_DETECTION_PREPROCESSOR
stage_type: MAP_MANAGER
stage_type: POINT_PILLARS_DETECTION
stage_type: POINTCLOUD_DETECTION_POSTPROCESSOR
stage_type: OBJECT_BUILDER
stage_type: OBJECT_FILTER_BANK

stage_config: {
  stage_type: POINTCLOUD_PREPROCESSOR
  enabled: true

  pointcloud_preprocessor_config: {
    filter_naninf_points: false
    filter_nearby_box_points: false
    box_forward_x: 2.0
    box_backward_x: -2.0
    box_forward_y: 2.0
    box_backward_y: -2.0
    filter_high_z_points: false
    z_threshold: 5.0
  }
}

stage_config: {
  stage_type: POINTCLOUD_DETECTION_PREPROCESSOR
  enabled: true

  plugin_config: {
    plugin_type: POINTCLOUD_DOWN_SAMPLE
    enabled: true

    pointcloud_downsample_config: {
      enable_downsample_pointcloud : true
      enable_downsample_beams : true
      x_min_range : -74.88
      x_max_range : 74.88
      y_min_range : -74.88
      y_max_range : 74.88
      z_min_range : -2.0
      z_max_range : 4.0
    }
  }

  pointcloud_detection_preprocessor_config:{

  }
}

stage_config: {
  stage_type: MAP_MANAGER
  enabled: true

  map_manager_config: {
    update_pose: false
    roi_search_distance: 120.0
  }
}

stage_config: {
  stage_type: POINT_PILLARS_DETECTION
  enabled: true

  point_pillars_detection_config: {

  }
}

stage_config: {
  stage_type: POINTCLOUD_DETECTION_POSTPROCESSOR
  enabled: true

  plugin_config: {
    plugin_type: POINTCLOUD_GET_OBJECTS
    enabled: true

    pointcloud_get_objects_config:{

    }
  }
}

stage_config: {
  stage_type: OBJECT_BUILDER
  enabled: true

  object_builder_config: {

  }
}

stage_config: {
  stage_type: OBJECT_FILTER_BANK
  enabled: true

  plugin_config: {
    plugin_type: ROI_BOUNDARY_FILTER
    enabled: true

    roi_boundary_filter_config: {
      distance_to_boundary_threshold: -1.0
      confidence_threshold: 0.5
      cross_roi_threshold: 0.6
      inside_threshold: 1.0
    }
  }

  object_filter_bank_config: {

  }
}

lidar_detection_config: {

}

三、激光雷达追踪

激光雷达追踪是一种使用激光雷达（LIDAR）技术来检测、跟踪和预测物体运动的过程。它通常涉及到对激光雷达数据的处理和分析，以确定物体的位置、速度和轨迹。

而在apollo 里面激光雷达跟踪用于追踪上面检测到的 3D 目标对象，它的输入是激光雷达点云检测结果，输出为跟踪到对象的 ID，具体的实现在 lidar_tracking_component 中。

它的流水线配置文件在 modules/perception/pipeline/config/lidar_tracking_pipeline.pb.txt 中，一共分为 2 个阶段，每个阶段各包含 2 个算法插件。

3.1 配置文件

stage_type: MLF_ENGINE
stage_type: FUSED_CLASSIFIER


stage_config: {
  stage_type: MLF_ENGINE
  enabled: true

  plugin_config: {
    plugin_type: MLF_TRACK_OBJECT_MATCHER
    enabled: true

    mlf_track_object_matcher_config: {
      foreground_mathcer_method: "MultiHmBipartiteGraphMatcher"
      background_matcher_method: "GnnBipartiteGraphMatcher"
      bound_value: 100
      max_match_distance: 4.0
    }
  }

  plugin_config: {
    plugin_type: MLF_TRACKER
    enabled: true

    mlf_tracker_config: {
      filter_name: "MlfShapeFilter"
      filter_name: "MlfMotionFilter"
    }
  }

  mlf_engine_config: {
    main_sensor: "velodyne128"
    use_histogram_for_match: true
    histogram_bin_size: 10
    output_predict_objects: false
    reserved_invisible_time: 0.3
    use_frame_timestamp: true
  }
}

stage_config: {
  stage_type: FUSED_CLASSIFIER
  enabled: true

  plugin_config: {
    plugin_type: CCRF_ONESHOT_TYPE_FUSION
    enabled: true

    ccrf_type_fusion_config: {
      classifiers_property_file_path: "./data/perception/lidar/models/fused_classifier/classifiers.property"
      transition_property_file_path: "./data/perception/lidar/models/fused_classifier/transition.property"
      transition_matrix_alpha: 1.8
    }
  }

  plugin_config: {
    plugin_type: CCRF_SEQUENCE_TYPE_FUSION
    enabled: true

    ccrf_type_fusion_config: {
      classifiers_property_file_path: "./data/perception/lidar/models/fused_classifier/classifiers.property"
      transition_property_file_path: "./data/perception/lidar/models/fused_classifier/transition.property"
      transition_matrix_alpha: 1.8
    }
  }

  fused_classifier_config {
    one_shot_fusion_method: "CCRFOneShotTypeFusion"
    sequence_fusion_method: "CCRFSequenceTypeFusion"
    enable_temporal_fusion: true
    temporal_window: 20.0
    use_tracked_objects: true
  }
}

四、Apollo激光雷达的应用

4.1 数据融合

Apollo平台采用多传感器融合的方法，将来自不同传感器的信息整合在一起，以获取更全面、准确的环境感知。激光雷达的数据与摄像头、毫米波雷达等传感器的数据相融合，提高了感知系统的鲁棒性。

4.2 障碍物检测

激光雷达通过测量返回时间来计算物体的距离，并通过旋转来获取物体的方位。这些数据用于高精度的障碍物检测，能够识别车辆、行人、建筑物等。

4.3 实时地图构建

激光雷达还用于实时地图构建，为自动驾驶车辆提供高精度的地图信息。这对于路径规划和决策制定至关重要。

4.4 激光雷达技术的挑战和创新

激光雷达技术在自动驾驶中面临着一些挑战，如对恶劣天气的适应性、点云处理的复杂性等。为了解决这些问题，Apollo平台在激光雷达技术上不断创新，采用先进的信号处理算法和机器学习技术，提高系统的性能。

未来展望

随着技术的不断发展，激光雷达技术在自动驾驶中将继续发挥重要作用。未来，我们可以期待更小型、高分辨率的激光雷达设备，以及更智能、自适应的感知系统。