无人船 | 毫米波雷达与激光雷达的应用

无人船现状

提高障碍物实时感知精度是当前无人驾驶领域的一大难题。
可以预见，在未来，深度融合各种感知传感设备，并辅以高精地图，是自动驾驶环境感知的主要思路。

当下几种感知传感设备的优劣分析

感知传感设备	优势	劣势
视觉传感器（可见摄像头、红外摄像头）	摄像头类的视觉传感器对于障碍物辨识与分类更为直接明了	摄像头感知精度低；以图像为基础的目标识别所需样本数量巨大，因此对数据即时处理能力要求极高；雨雪雾等恶劣天气下难以正常工作
船舶自动识别系统（AIS）		刷新速率低，实时性低；仅限安装AIS应答器的船只，许多船只（如休闲艇和皮艇）没有安装AIS，就无法获得信息，会留下巨大安全隐患
导航雷达	探测距离远	感知精度低；存在船舶周围50米范围盲区，直接影响船舶的近距离避障和自助靠泊
激光雷达	能够非常精确地获取反射点的距离信息；在无人船近距离避碰的应用中，激光雷达可实时获取 150 m 范围内水面目标的点云数据，构建出无人船在水面航行过程中周围的实时三维环境。	不适合在天气恶劣环境下工作
毫米波雷达	透雾、烟、尘的能力强，且具有体积小、重量轻、抗干扰、空间分辨率高等特点，可在较为恶劣的天气环境下全天候工作	精度不如激光雷达

点云数据：

扫描资料以点的形式记录，每一个点包含有三维坐标，有些可能含有颜色信息（RGB）或反射强度信息（Intensity）。
颜色信息通常是通过相机获取彩色影像，然后将对应位置的像素的颜色信息（RGB）赋予点云中对应的点。强度信息的获取是激光扫描仪接收装置采集到的回波强度，此强度信息与目标的表面材质、粗糙度、入射角方向，以及仪器的发射能量，激光波长有关。
在激光雷达中，点云数据主要包括三维坐标和反射强度信息

激光雷达精度高、采集信息多、对目标尺寸大小敏感，但不适合在恶劣天气环境下工作；毫米波雷达精度不如激光雷达，但能直接给出目标位置、距离、速度和加速度信息，且在恶劣环境下具有较高的可靠性。两者各有优劣，互为补充，可共同完善无人船的态势感知效果

数据处理与融合

无人船毫米波雷达数据处理

毫米波在无人驾驶车辆上的应用大多基于 CAN总线进行数据传输与控制，而无人船上的毫米波雷达需要通过以太网进行数据的传输
完整的毫米波雷达数据处理流程见下图

1）TCP/UDP 包解析。毫米波雷达以TCP/UDP数据包的形式传输，实时解包以获得目标的数量、位置、距离、速度、加速度等信息。
2）数据预处理。剔除空目标和无效目标，以保证环境感知的准确性，避免因干扰目标的出现而引起误判。
3）空间同步。计算毫米波雷达自身坐标系到船体中心坐标系的坐标转换矩阵，将其转换至统一坐标系中。
4）数据修正。依据本船运动状态，将船舶实时速度、加速度数据输入毫米波雷达算法处理模块进行数据修正，以减小船舶自身运动带来的感知误差，提高探测结果的准确性。
5）模式切换。毫米波雷达实时算法处理程序内置Object（目标）模式与 Cluster（群簇）模式自动切换算法。当接收到自动靠离泊指令后，程序将自动切换为 Cluster 模式，辅助无人船进行自动靠离泊。
6）岸堤识别。毫米波雷达处于 Cluster 模式下会以点云的形式描述探测到的目标，使用神经网络或支持向量机对常见岸堤形状进行训练，实现基于毫米波雷达的岸堤识别以辅助自动靠离泊。同时，毫米波雷达需要在船舶靠离泊过程中探测水面区域是否存在障碍物并进行预报警。
7）可视化。将经过算法处理后的水面目标 ID、距离、速度、加速度和岸堤识别结果与无人船避碰界面融合。

无人船激光雷达数据处理

无人船激光雷达也通过以太网进行数据传输
完整的激光雷达数据处理流程见下图

1）UDP 包解析。进行 UDP 的解析，获取激光测距值、回波的反射率值、水平旋转角度值和时间戳等信息。
2）数据预处理。由于设备精度和环境因素等带来的影响，采集到的原始点云数据中不可避免地会出现一些噪声点与离群点，需通过滤波算法对其进行预处理。
3）时空对准。根据雷达在无人船上具体的安装位置，确定一个合适的坐标变换，将各个视角得到的点集合并到一个统一的坐标系下，形成一个完整统一的数据点云。
4）栅格化。构建栅格地图可以为动态障碍物检测提供所需的关联帧，还可以大大简化点云数量（比如以某个栅格代替多个点），从而提高算法效率
5）数据融合。提供船舶自身的速度、加速度以及运动姿态数据，与毫米波雷达和激光雷达数据进行融合，才能确定障碍物真实准确的运动信息。毫米波雷达数据可以为激光雷达点云数据提供感兴趣区域，简化点云处理过程；激光雷达点云数据可以通过识别岸堤等标志性物体，为毫米波雷达滤除范围以外的虚警点，从而大大提高算法效率。
6）聚类分割。在聚类方法中每个点都与一个特征向量相关联，特征向量又包含了几何或辐射度量值，据此，在特征空间中通过聚类的方法（如 K-means 法、DBSCAN 法和模糊聚类法）分割点云数据，从而提取出感兴趣的对象。
7）特征提取。3D 点云特征描述与提取是点云信息处理中最基础也是最为关键的一部分，点云的识别、分割、重采样、配准、曲面重建等大部分算法都严重依赖特征描述与提取的结果。通过提取点云表面法线可以快速识别某些规则形状物体。
8）目标识别。提取感兴趣对象的特征后，通过支持向量机对样本数据的训练进行目标识别，如船舶、岸堤、水面等物体，识别出水面目标的种类对后续避碰算法及路径规划算法有极大的参考意义。
9）可视化。将处理后的点云进行曲面重建，使用泊松重建等算法直观地表示出障碍物的形状尺寸及种类，或者以具有一定体积的立方体简化地表示船舶等目标，从而在无人船驾驶室控制中心与电子海图结合输出至可视化界面。

两种雷达组合感知

激光雷达主要输出实时 3D 点云信息，通过复杂的点云实时处理算法，完成自身位置定位以及目标识别任务。将点云数据构建的船舶周围 3D 环境与电子海图结合，就能够确定船舶自身位置，这对船舶避障尤为重要。同样，点云数据对船舶周围的其他船只、岸堤和码头的识别也是实现无人船自主靠离泊功能的重要前提。
毫米波雷达具有 Object 和 Cluster 两种目标感知模式，这两种模式可在感知过程中实时切换。当对周围障碍物进行感知时，毫米波雷达进入 Object 模式，在这种模式下，雷达可以直接返回多个目标的位置、距离、速度和加速度信息，从而辅助实现船舶小范围避障功能；当进行自动靠离泊时，毫米波雷达需要对岸堤进行识别，此时进入 Cluster 模式，此模式下，雷达输出二维稀疏点云进行岸堤识别，以辅助实现船舶自动靠离泊功能。
激光雷达与毫米波雷达的数据量相差巨大。以 16线激光雷达为例，其每秒返回 320 000 个点，而毫米波雷达每秒仅返回几百个点。巨大的数据量势必会增加程序的负担，影响系统的实时性。关键区域融合处理算法主要通过毫米波雷达的目标定位，在激光点云中筛选出感兴趣的目标区域（点云块），从而大大减少点云数据处理量，显著提高代码效率与实时性。

改进空间

针对毫米波雷达与激光雷达组合感知方案当前存在的问题与难点，应着力提升传感器性能并降低成本。未来，激光雷达探测距离的改善依赖其硬件技术的提升，比如增加线束；激光雷达在海面环境作业的可靠性同样取决于激光雷达硬件防护技术的优劣
因为摄像头类的视觉传感器对于障碍物辨识与分类更为直接明了，未来必然以毫米波雷达、激光雷达和视觉传感器的深度融合为研究方向