Member-only story
光達 (Lidar)、雷達 (Radar)與攝影機/相機 (Camera)均是自駕車上重要的感測器。雖然目前這些感測器還無法「獨自」滿足「全自駕車」感知系統的性能要求,相關感測器軟硬體技術的精進已逐漸突破這些障礙。這邊簡短地說明我所觀察與發想的「光達雷達化、雷達光達化」發展趨勢以及其背後的道理。

光達雷達化
光達是全自駕車上不可或缺的感測器,其數據被用來建立高精地圖、提供精準定位、完成周遭物體偵測追蹤與預測等自駕車必備的感知能力。隨著這幾年大量資源投入光達的開發,光達的成本已有顯著的降低(已經從台幣三百萬降至三萬),許多新創公司也正努力開發車規等級、更低成本的光達產品。除了成本考慮外,我們還必須留意光達的失效模式。基於光達的測量原理,光達有一些可能會量測錯誤的地方,如光達所發射出的測量光線容易被黑色物體吸收而導致黑色物體的偵測距離較短、測量光線會穿過玻璃材質的物體而測量(看)不到玻璃材質物體、以及所射出的測量光線容易被鏡面物體(如鏡子)反射到其他物體而得到一個非真實的鏡像數據。我們亦在先前的文章中說明過下雨(水)對光達的影響。
除了上述這些光達的失效問題,另一個在自駕車上使用的主要問題是光達並不像雷達可以直接量測到周遭物體的速度。就像相機一樣,周遭物體的速度必須經由處理來至不同時間上的數據來推算出來。讀者可觀看下面我們陽明交大研究生 何若慈 以光達實作自駕車周遭物體偵測與追蹤的影片。
在光達數據處理實作上有幾種不同的做法,我們這邊只說明影片中的做法。首先每個量測的光達「點雲」數據會被分群,分群的結果先被視為可能獨立運動的物體。每個小群會與先前分群與追蹤的結果做比對來建立時間軸上前後的關聯性,關聯性的強弱可用來建立物體偵測追蹤的可信度、與過濾掉可能的光達雜訊(如時空不連續或不穩定的光達訊號)。接下來便可透過這些建立起關聯性的多組數據來計算物體的速度與行進方向。讀者可由上面影片觀察這種做法在台灣擁擠市區的表現,雖然多數的結果是正確合理的,但我們發現「擁擠」與「機車」確實會造成少部分物體的速度與行進方向估測不準確。雖然演算法軟體的精進會逐漸解決這些問題,但樂觀地假設用演算法估測到的速度與行進方向會百分之一百正確也不是很合理。而另一種得到周遭移動物體速度的方法就是基於「雷達」測量物體位置與速度的原理 (Frequency-Modulated Continuous-Wave or FMCW)來製作光達。
其中採用此做法最著名的光達新創公司是 Blackmore (於 2019 被 Aurora 併購),另一家則是最近(2021)透過 SPAC上市的 AEVA 。由於這些 FMCW 光達除了三維點雲以外,還可以量到物體相對於光達的逕向速度,一般也稱這些 FMCW光達為四維光達(4D Lidar)。如果這些四維光達所直接量測速度準確的話,自駕系統便可以不需透過上述較複雜的軟體演算法來計算周遭物體速度。從系統工程的觀點上來看,這將可大幅簡化相關軟體系統複雜度、並增強整體自駕系統強健性。我想這也是有著豐富自駕車研發經驗的 Aurora CEO Chris Urmson 會決定併購 Blackmore 的原因。至於 FMCW 光達能不能像雷達一樣能在惡劣氣候中使用,以及能不能處理原先三維光達失效的問題,這還有待驗證,至少現在這兩家 FMCW 光達公司並沒有特別討論這些議題。