LiDAR
LiDAR 是一种基于激光的感知技术，可测量距离并捕获三维几何信息，为点云、目标检测、机器人和地图绘制提供支持。
LiDAR（激光探测与测距）是一种主动感知技术，使用激光测量距离并捕获环境几何信息。LiDAR 扫描仪自带照明，因此即使在黑暗中也能测量表面。在计算机视觉中，这些测量为机器提供空间信息，用于定位物体、在环境中导航以及构建三维地图。
LiDAR 扫描仪的工作原理#
脉冲式 LiDAR 传感器会发射激光，并测量反射光返回所需的时间。距离等于光速乘以光的往返时间，再除以二。将每个距离与光束方向结合起来，就能确定表面位置。反复测量会形成一个点云：由具有 x、y 和 z 坐标的点组成的集合，通常还包含回波强度，即反射信号的强弱。
基于激光的 LiDAR 源于早期的光学雷达实验。Giorgio Fiocco 和 Louis Smullin 于1963 年进行了大气激光测量，探测到地球上空 60 至 140 公里之间的散射层。他们的实验展示了利用激光回波进行远距离测量的早期应用。
二维扫描仪会扫描机器人周围的一个平面；三维扫描仪则会测量多个高度。机载系统还会将激光测距结果与定位和姿态测量结合起来，以地理坐标标记各点。地形和水深 LiDAR适用于不同环境：地形测量仪器通常使用近红外光绘制陆地地图，而水深测量仪器使用绿光测量水下地形。
将 LiDAR 测量结果转化为 AI 感知#
点云描述几何信息。机器学习通过三维目标检测等任务赋予其解读能力，这类任务用于估计物体的位置、尺寸和朝向。Alex H. Lang 及其同事于 2018 年提出 PointPillars，该方法将点分组成垂直柱体，为这些柱体学习特征，并使用检测网络处理生成的鸟瞰图表示。这将不规则测量数据转换为适合高效卷积处理的结构。
传感器融合将 LiDAR 几何信息与相机图像特征结合起来。图像提供颜色、纹理和可识别细节；LiDAR 则提供测得的距离和形状。标定用于确定传感器之间的旋转和平移关系，同步则用于对齐传感器的时间戳。任一步骤出错，都可能导致相机检测结果与属于其他物体的点相关联。
Ultralytics YOLO 通过其 ROS 集成支持这一从图像到几何信息的工作流：YOLO26可根据对齐的 RGB 图像生成分割掩码，并利用这些掩码从有序且包含颜色信息的点云中选取对应点，从而分离出三维物体。
LiDAR、雷达与基于相机的深度#
这些技术可提供互补的测量信息：
- 深度估计：基于相机的方法从图像推断距离。LiDAR 使用发射的激光测量距离；深度图是表示距离信息的一种方式。
- 雷达：使用无线电波，通常测量距离和径向速度，即朝向或远离传感器的速度。在会削弱光学感知能力的雨雾天气中，雷达仍然很有用。
- 三维重建：构建场景的几何模型。LiDAR 提供测量数据，重建系统会将这些数据组合成地图或表面模型。
LiDAR 点云会随着距离增加而变得稀疏，因此远处的行人和其他小型物体只能由较少的测量点表示。雾和雪也会散射激光，产生会扭曲点云并干扰检测的后向散射。这些影响会出现在汽车感知中，因为缺失的几何信息或天气造成的回波可能会改变检测器识别出的障碍物。
在驾驶、机器人和地图绘制中的应用#
- 自动驾驶：Waymo Driver结合 LiDAR、相机和雷达来感知车辆、行人和骑行者。LiDAR 提供周围环境的几何信息，而感知系统会解读传感器数据，以识别道路使用者及其位置。
- 移动机器人：TurtleBot3 的 SLAM 工作流使用激光扫描构建地图，同时估计机器人的位置。SLAM 指同步定位与地图构建；通过反复观测，将机器人不断变化的位置与环境中持续存在的特征关联起来。
- 航空测绘与环境监测：国家生态观测网络的机载 LiDAR用于测量森林结构，包括冠层高度和植被密度。由于部分激光可以穿过植被间隙，单个脉冲可能会从树冠、树枝、林下植被和地面产生多个回波。
