《【研报】计算机行业“智能网联”系列专题之八:激光雷达—自动驾驶汽车的“火眼金睛”-20201020(31页).pdf》由会员分享,可在线阅读,更多相关《【研报】计算机行业“智能网联”系列专题之八:激光雷达—自动驾驶汽车的“火眼金睛”-20201020(31页).pdf(31页珍藏版)》请在三个皮匠报告上搜索。
1、 证券研究报告 请务必阅读正文之后的免责条款 激光雷达激光雷达自动驾驶汽车的“火眼金睛”自动驾驶汽车的“火眼金睛” 计算机行业“智能网联”系列专题之八2020.10.20 中信证券研究部中信证券研究部 投资要点投资要点 杨泽原杨泽原 首席计算机分析师 S02 丁奇丁奇 计算机分析师 S03 张帅张帅 计算机分析师 S04 激光雷达是自动驾驶汽车的核心传感器,能够弥补摄像头在精度、稳定性和视野激光雷达是自动驾驶汽车的核心传感器,能够弥补摄像头在精度、稳定性和视野 方面的局限性,是方面的局限性,是 L4 自动驾驶不可或缺的元件。行业
2、整体将会向“低成本化”、自动驾驶不可或缺的元件。行业整体将会向“低成本化”、 “量产化”、“固态化”、“智能化”发展,预计“量产化”、“固态化”、“智能化”发展,预计 2030 年行业规模超百亿美元,年行业规模超百亿美元, 同时国产势力近年来逐步崛起,未来市场发展值得期待。纳斯达克上市公司同时国产势力近年来逐步崛起,未来市场发展值得期待。纳斯达克上市公司 Velodyne 以及国内禾赛科技、速腾聚创等创业公司值得关注。以及国内禾赛科技、速腾聚创等创业公司值得关注。 激光激光雷达雷达的的必要性及趋势。必要性及趋势。1.为什么激光雷达是为什么激光雷达是 L4 自动驾驶不可或缺的传感自动驾驶不可或缺
3、的传感 器?器?目前存在由摄像头主导的纯视觉解决方案和激光雷达主导的传感方案的路 线之争,激光雷达由于能够弥补摄像头在精度、稳定性和视野方面的局限性, 保证 L4 级自动驾驶的安全性,是 L4 级别自动驾驶不可或缺的元件;2.“发射“发射- 反馈”系统如何形成三维点云信息?反馈”系统如何形成三维点云信息?激光雷达通过测量激光信号的时间差和相 位差来确定距离,其最大优势在于能够利用多谱勒成像技术,创建出目标清晰 的 3D 图像;3. 机械式机械式 vs 固态式,未来趋势如何?固态式,未来趋势如何?目前高级自动驾驶玩家倾向 于选择传统的机械式产品,但固态激光雷达因为可以解决机械式面临的物料成 本高
4、+量产成本高的问题而成为大势所趋。 行业现状如何?行业现状如何?1. 上游上游核心元器件海外垄断明显:核心元器件海外垄断明显: 无论是光学还是电子元器件, 涉及精密仪器、芯片的加工和制造,目前基本被国外大厂商垄断,但自主研发 发展迅速,扫描系统、激光器和光源接收器等领域涌现出如禾赛科技、速腾聚 创、一径科技、力策科技等中国创业型企业;2. Velodyne 一马当先,国内市场一马当先,国内市场 百花齐放百花齐放:行业领头羊 Velodyne 已在纳斯达克实现借壳上市,目前估值 18 亿 美元,公司预计将会从 2022 年开始扭亏为盈;国内禾赛科技、速腾聚创等复刻 Velodyne 之路,从机械
5、式切入逐步向固态雷达覆盖,这类公司主打性价比,核 心策略是以价格优势抢占 Velodyne 市场份额;另一类如大疆、华为等直接锁定 固态激光雷达产品,拟实现弯道超车,国内市场整体竞争激烈,呈现出百花齐 放的局面。 行业前景如何?行业前景如何?1.行业规模行业规模 2030 年或超百亿美元年或超百亿美元:预计未来大部分激光雷达产 品价格都将降至 1000 美元以下,单车价值量下降,但量产趋势和渗透率的增长 将推动行业整体规模爆发,预计 2030 年市场空间超百亿美元。尽管激光雷达市 场增长前景广阔,但整个市场对其持有的态度逐渐回归客观冷静,投融资热度 相较于前几年有所减弱; 2.固态化和智能化为
6、大势所趋:固态化和智能化为大势所趋: 激光雷达正从机械旋转 式,到混合固态,再到纯固态方向演进,激光雷达真正要进入量产,智能化和 软件感知算法将是更大的挑战。 风险因素:风险因素:技术突破进度不及预期;智能网联政策推广力度不及预期;辅助驾 驶、智能驾驶等新功能推广速度低于预期;伦理道德层面规范带来的不确定性。 投资策略:投资策略:激光雷达行业发展可期,其快速发展料将推动自动驾驶行业的迅速 发展。纳斯达克上市龙头公司 Velodyne 以及国内禾赛科技、速腾聚创等创业公 司值得关注。 计算机行业计算机行业“智能网联智能网联”系列专题之八系列专题之八2020.10.20 请务必阅读正文之后的免责条
7、款 目录目录 激光雷达:三维点云建模构建传感基石激光雷达:三维点云建模构建传感基石 .1 路径之争:激光雷达为什么是 L4 自动驾驶不可或缺的传感器? .1 工作原理:“发射-反馈”系统如何形成三维点云信息? .5 产品体系:机械式 vs 固态式,未来趋势如何? .9 产业现状:海外厂商存在先发优势,国产势力正逐步崛起产业现状:海外厂商存在先发优势,国产势力正逐步崛起 . 11 上游情况:核心元器件海外垄断明显,国产自研势力涌现 . 13 中游格局:Velodyne 成功上市一马当先,国内市场百花齐放 . 14 产业前景:市场增长潜力巨大,固态化、智能化成刚需产业前景:市场增长潜力巨大,固态化
8、、智能化成刚需 . 21 市场空间:单车价值量下降,2030 年市场规模有望超百亿美元 . 21 发展前景:固态雷达成新战场,智能化成新挑战 . 23 风险因素风险因素 . 26 投资策略投资策略 . 26 mNtOmNqQtOpOtMoMnQmMtM7NdN7NpNoOsQmMeRmNrRfQpNoP9PnNyRvPoMnRxNmOoO 计算机行业计算机行业“智能网联智能网联”系列专题之八系列专题之八2020.10.20 请务必阅读正文之后的免责条款 插图目录插图目录 图 1:电磁波图谱 .2 图 2:各传感器性能比较 .3 图 3:无人驾驶车传感器融合方案 .4 图 4:自动驾驶对传感器的
9、需求 .5 图 5:激光雷达扫描示意图 .6 图 6:激光测距工作原理 .6 图 7:Velodyne HDL-64 激光雷达系统扫描点云图.6 图 8:激光雷达四大工作系统 .7 图 9:激光雷达分类 .7 图 10:禾赛 Pandar128 横截面图 .8 图 11:禾赛 Pandar128 技术参数 .8 图 12:禾赛 Pandar128 垂直方位角及分辨率示意图 .9 图 13:激光雷达探测距离示意图 .9 图 14:机械式激光雷达结构示意图 . 10 图 15:MEMS 激光雷达结构示意图 . 10 图 16:OPA 激光雷达结构示意图 . 10 图 17:Flash 面阵式激光雷
10、达结构示意图. 10 图 18:四种激光雷达性能比较. 11 图 19:激光雷达产业链 . 12 图 20:激光雷达产业链代表厂商 . 13 图 21:激光雷达上游主要厂商. 14 图 22:激光雷达公司一览 . 15 图 23:Velodyne 发展历史 . 16 图 24:Velodyne 产品布局 . 17 图 25:Velodyne 盈利及现金流情况(单位:百万美元) . 17 图 26:Velodyne 研发费用预测(单位:百万美元) . 18 图 27:Velodyne 销售费用预测(单位:百万美元) . 18 图 28:Velodyne 管理费用预测(单位:百万美元) . 18
11、图 29:禾赛科技产品布局 . 19 图 30:速腾聚创产品布局 . 20 图 31:全球激光雷达销售数量预测(单位:百万个) . 22 图 32:全球激光雷达销售额预测(单位:百万美元) . 22 图 33:国外激光雷达厂商融资概况 . 23 图 34:ADAS 激光雷达销售额细分预测(百万美元) . 23 图 35:Robotic Cars 激光雷达销售额细分预测(百万美元) . 23 图 36:2025 年固态/机械销售额比例 . 24 图 37:2030 年固态/机械销售额比例 . 24 图 38:2025 年固态/机械销量比例 . 24 图 39:2030 年固态/机械销量比例 .
12、24 图 40:激光雷达演进趋势 . 25 图 41:速腾聚创 MEMS 固态激光雷达 RS-LiDAR-M1 智能版(M1 Smart)实测点云 . 25 计算机行业计算机行业“智能网联智能网联”系列专题之八系列专题之八2020.10.20 请务必阅读正文之后的免责条款 表格目录表格目录 表 1:摄像头分类 .1 表 2:各类传感器性能比较 .2 表 3:激光雷达与视觉方案价格对比 .3 表 4:视觉方案存在的问题 .4 表 5:激光雷达技术指标解析 .8 表 6:激光雷达结构分类 .9 表 7:固态激光雷达解决机械激光雷达的问题 . 11 表 8:国内企业激光雷达上游研发进展 . 14 表
13、 9:国内激光雷达公司概况 . 18 表 10:华为固态激光雷达领域布局 . 20 表 11:大疆激光雷达方案参数表 . 21 计算机行业计算机行业“智能网联智能网联”系列专题之八系列专题之八2020.10.20 请务必阅读正文之后的免责条款 1 激光雷达:三维点云建模构建传感基石激光雷达:三维点云建模构建传感基石 路径之争:激光雷达为什么是路径之争:激光雷达为什么是 L4 自动驾驶不可或缺的传感器?自动驾驶不可或缺的传感器? 自动驾驶的环境监测传感器主要包括摄像头和雷达两类:自动驾驶的环境监测传感器主要包括摄像头和雷达两类:1)摄像头通过图像识别技)摄像头通过图像识别技 术实现距离测量、目标
14、识别等功能;术实现距离测量、目标识别等功能;2)雷达利用发射波和反射波之间的时间差、相位差)雷达利用发射波和反射波之间的时间差、相位差 获得目标物体的位置和速度等数据, 按所使用的不同类型的波, 雷达可以分为毫米波雷达、获得目标物体的位置和速度等数据, 按所使用的不同类型的波, 雷达可以分为毫米波雷达、 激光雷达、超声波雷达三类。激光雷达、超声波雷达三类。 在摄像头方面,按视野覆盖位置可分为前视、环视(侧视+后视)及内视摄像头,其 中前视摄像头最为关键, 可以实现车道偏离警示系统 (LDW) 、 前向碰撞预警系统 (FCW) 、 行人识别警示(PCW)等功能。前视摄像头又有单目摄像头、双目摄像
15、头,乃至多目摄像 头等不同的解决方案。虽然双目或多目摄像头具有更高的测距精度和更广的视角,但由于 其成本较高以及对精度和计算芯片的高要求,使得其仍未能大规模量产,目前以 Mobileye 领衔的单目摄像头解决方案是市场的主流。 表 1:摄像头分类 分类分类 测距原理测距原理 优点优点 缺点缺点 主要应用厂商主要应用厂商 单目摄像头 先通过图像识别障碍物类 型,再根据相对大小估算 距离 成本和量产难 度相对较低 图像识别算法壁垒、数据库建立成本较高; 定焦镜头难以同时观察不同距离的图像 Mobileye 双目摄像头 不需要识别目标、在级化 分割、 立体匹配等计算后, 获得精确的深度数据 测距精准
16、 使用多个摄像头、成本较高; 计算量巨大、对计算芯片要求高,目前大多 使用 FPGA; 对摄像头之间的误差精度要求 高,量产、安装较困难 博世、大陆、LG、电装、 日立 多目摄像头 全覆盖视角 蔚来、Mobileye 资料来源:电子工程世界,中信证券研究部 在雷达方面, 主要分为三类: 1) 毫米波雷达: 介于微波和红外线之间, 频率范围 10GHz 200GHz,波长为毫米级;2)激光雷达:介于红外线和可见光之间,频率大致为 100000GHz,波长为纳米级;3)超声波雷达:频率高于 20000Hz。根据公式:光速=波 长*频率,频率越高,波长越短。波长越短,意味着分辨率越高;而分辨率越高,
17、意味着在 距离、速度、角度上的测量精度更高。 计算机行业计算机行业“智能网联智能网联”系列专题之八系列专题之八2020.10.20 请务必阅读正文之后的免责条款 2 图 1:电磁波图谱 资料来源:汽车人参考 摄像头、毫米波雷达、激光雷达和超声波雷达的探测距离、分辨率、角分辨率等探测摄像头、毫米波雷达、激光雷达和超声波雷达的探测距离、分辨率、角分辨率等探测 参数各异,对应于物体探测能力、识别分类能力、三维建模、抗恶劣天气等特性优劣势分参数各异,对应于物体探测能力、识别分类能力、三维建模、抗恶劣天气等特性优劣势分 明。明。 表 2:各类传感器性能比较 类型类型 传感器传感器 最远距离(米)最远距离
18、(米) 探测人体探测人体 探测物体探测物体 物体识别物体识别 功能功能 优势优势 劣势劣势 视觉解 决方案 摄像头 50 ( 不 稳 定) (依赖样 本) (依赖样 本) 利用计算机视觉判别 周围环境与物体、判 断前车距离 目前唯一能识别 物体的传感器 依赖于光; 依 赖于样本; 识 别行人稳定 性欠佳 雷达解 决方案 毫米波 雷达 200 - - 感知大范围内车辆的 运行情况,多用于自 适应巡航系统 在车载测距领域 性价比较高 无法探测行 人 激光雷 达 200 - 障碍检测、动态障碍 检测识别与跟踪、路 面检测、 定位和导航、 环境建模 精度较高的距离 信息,可测量绝 大部分物体 在大雨大
19、雪 等恶劣天气 使用效果会 受到影响 超声波 雷达 10 - 倒车雷达 受环境影响小、 近距离探测精度 高、成本低 探测距离短 资料来源:半导体行业观察,中信证券研究部 计算机行业计算机行业“智能网联智能网联”系列专题之八系列专题之八2020.10.20 请务必阅读正文之后的免责条款 3 图 2:各传感器性能比较 资料来源:CSDN,中信证券研究部 对于自动驾驶传感器的选择, 目前市场上存在着两种不同路径: 一种是由摄像头主导、对于自动驾驶传感器的选择, 目前市场上存在着两种不同路径: 一种是由摄像头主导、 配合毫米波雷达等低成本元件组成,构成纯视觉计算,典型代表为特斯拉、配合毫米波雷达等低成
20、本元件组成,构成纯视觉计算,典型代表为特斯拉、Mobileye 和和 国内唯一自动驾驶纯视觉城市道路闭环解决方案国内唯一自动驾驶纯视觉城市道路闭环解决方案-百度百度 Apollo Lite; 另一种是由激光雷达; 另一种是由激光雷达 主导, 配合摄像头、 毫米波雷达等元件组成, 典型代表为谷歌主导, 配合摄像头、 毫米波雷达等元件组成, 典型代表为谷歌 Waymo、 国内的百度、 国内的百度 Apollo (除(除 Apollo Lite)、)、 Pony.ai、文远知行等主流自动驾驶厂商。、文远知行等主流自动驾驶厂商。 对于以特斯拉为代表的纯视觉方案拥护者而言,商业成本是一个重要的考量因素,
21、安 装昂贵的激光雷达会明显提高单台汽车的售价(如表 3)。特斯拉车辆标配总共有 8 个摄 像头,其中包含后方的一个倒车摄像头,前方的一个三目总成件,两侧的两个环绕摄像头, 此外还包含一个毫米波雷达,但此方案容易受光照、雨雾、遮挡等因素限制,从而使视野 范围受限。对于以主流自动驾驶厂商为代表的激光雷达拥护者,系统的安全可靠性排在首 位,实现这一方向的方式就是融合各个性能的传感器,以弥补不同类型的技术漏洞,采用 激光雷达的自动驾驶厂商一般选择在车顶配置 64 线激光雷达,用于障碍物和移动车辆检 测,同时在车四周环绕成本相对较低的低线束激光雷达或毫米波雷达进行视野补充。 表 3:激光雷达与视觉方案价
22、格对比 Velodyne 激光雷达价 格 型号 线束 价格(发行时) 由 Mobileye提供的自动驾驶视 觉方案几百美元 VLP-16(PUCK) 16 8000美元 (2018年降价50% 至 3999 美元) HDL-32E 32 40000 美元 HDL-64E 64 80000 美元 资料来源:中国机械社,搜狐网,中信证券研究部 摄像头拥有轻巧低成本和符合车规的特点,高分辨率高帧率意味着其能提供更丰富的 环境信息,同时视频数据也最接近人眼所感知的环境。但摄像头的二维图像相比三维信息 更难挖掘,需要设计更强大的算法、大量数据的积累和更长期的研发投入。在在 L4 级自动级自动 驾驶传感器
23、选型上, 纯视觉解决方案会存在精度、 稳定性和视野等方面的局限性 (如表驾驶传感器选型上, 纯视觉解决方案会存在精度、 稳定性和视野等方面的局限性 (如表 4) ,) , 无法满足高级自动驾驶对于传感器的性能要求。无法满足高级自动驾驶对于传感器的性能要求。 计算机行业计算机行业“智能网联智能网联”系列专题之八系列专题之八2020.10.20 请务必阅读正文之后的免责条款 4 表 4:视觉方案存在的问题 视觉方案存在问题视觉方案存在问题 介绍介绍 精度问题 测距精度低且依赖项较多,算法固定的情况下只能通过增大焦距或者双目镜头间的 基线距来提高精度,但焦距增加导致视场角变小,基线距增加导致能看到的
24、最近距 离变远 稳定性问题 双目测距精度与标定有关且强相关,但是装在车上机械结构稳定性差,面临着隔段 时间就得标定的问题 难度问题 双目视觉不是单独的技术,需要很好的算法(目前的算法不够优化,导致计算成本 高而容错能力差,雨天基本无用),甚至还要专门的芯片来提高并行处理能力 视野问题 双目系统最多能覆盖目标方向 60 度的视野,而激光雷达基本上都是 360 度 资料来源:中信证券研究部 与以摄像头为主传感器的自动驾驶方案“轻感知、重计算”相比,以激光雷达为主传 感器的自动驾驶方案最明显的特征是“重感知、轻计算”,“堆叠激光雷达”的方案会适 当降低感知数据处理环节对运算能力的要求,从而加快 L4
25、 级自动驾驶汽车商业化部署进 程。所以尽管目前安装激光雷达会大幅提高传感器方案成本,但对于安全可靠性要求极高所以尽管目前安装激光雷达会大幅提高传感器方案成本,但对于安全可靠性要求极高 的的 L4 来说,激光雷达不可或缺,以成本换安全将会是一个更优的选择。来说,激光雷达不可或缺,以成本换安全将会是一个更优的选择。 图 3:无人驾驶车传感器融合方案 资料来源:CK365 计算机行业计算机行业“智能网联智能网联”系列专题之八系列专题之八2020.10.20 请务必阅读正文之后的免责条款 5 图 4:自动驾驶对传感器的需求 资料来源:麦姆斯咨询 工作原理:“发射工作原理:“发射-反馈”系统如何形成三维
26、点云信息?反馈”系统如何形成三维点云信息? 与雷达工作原理类似,激光雷达通过测量激光信号的时间差和相位差来确定距离,但与雷达工作原理类似,激光雷达通过测量激光信号的时间差和相位差来确定距离,但 其最大优势在于能够利用多谱勒成像技术,创建出目标清晰的其最大优势在于能够利用多谱勒成像技术,创建出目标清晰的 3D 图像。图像。激光雷达通过发 射和接收激光束, 分析激光遇到目标对象后的折返时间, 计算出到目标对象的相对距离 (图 6),并利用此过程中收集到的目标对象表面大量密集的点的三维坐标、反射率和纹理等 信息,快速得到出被测目标的三维模型以及线、面、体等各种相关数据,建立三维点云图, 绘制出环境地
27、图,以达到环境感知的目的。由于光速非常快,飞行时间可能非常短,因此 要求测量设备具备非常高的精度。从效果上来讲,激光雷达维度(线束)越多,测量精度 越高,安全性就越高。 相比于可见光、红外线等传统被动成像技术,激光雷达技术具有如下显著特点:一方 面,它颠覆传统的二维投影成像模式,可采集目标表面深度信息,得到目标相对完整的空 间信息,经数据处理重构目标三维表面,获得更能反映目标几何外形的三维图形,同时还 能获取目标表面反射特性、运动速度等丰富的特征信息,为目标探测、识别、跟踪等数据 处理提供充分的信息支持、降低算法难度;另一方面,主动激光技术的应用,使得其具有使得其具有 测量分辨率高,抗干扰能力
28、强、抗隐身能力强、穿透能力强和全天候工作的特点。测量分辨率高,抗干扰能力强、抗隐身能力强、穿透能力强和全天候工作的特点。 计算机行业计算机行业“智能网联智能网联”系列专题之八系列专题之八2020.10.20 请务必阅读正文之后的免责条款 6 图 5:激光雷达扫描示意图 资料来源:自动驾驶之家 图 6:激光测距工作原理 资料来源:自动驾驶之家 图 7:Velodyne HDL-64 激光雷达系统扫描点云图 资料来源:Velodyne 官网 激光雷达主要包括激光发射、扫描系统、激光接收和信息处理四大系统,这四个系统激光雷达主要包括激光发射、扫描系统、激光接收和信息处理四大系统,这四个系统 相辅相成
29、,形成传感闭环。相辅相成,形成传感闭环。首先激光发射系统中激励源周期性地驱动激光器,发射激光脉 冲,激光调制器通过光束控制器控制发射激光的方向和线数,最后通过发射光学系统,将 激光发射至目标物体;扫描系统负责以稳定的转速旋转起来,实现对所在平面的扫描,并 产生实时的平面图信息;激光接收系统中光电探测器接受目标物体反射回来的激光,产生 接收信号;信息处理系统中接收信号经过放大处理和数模转换,经由信息处理模块计算, 获取目标表面形态、物理属性等特性,最终建立物体模型。 计算机行业计算机行业“智能网联智能网联”系列专题之八系列专题之八2020.10.20 请务必阅读正文之后的免责条款 7 图 8:激
30、光雷达四大工作系统 资料来源:汽车人参考 激光雷达的各个环节几乎都有不同的执行方式(如图 9),单从测距这一个环节来看, 就存在基于时间的飞行时间法和不基于时间的相位式等方法,不同环节的组合构成了激光 雷达的近二十种分类方法。 图 9:激光雷达分类 资料来源:汽车人参考 在评价激光雷达的性能时,可以用到多个技术指标。线束、方位角、扫描帧频、角分在评价激光雷达的性能时,可以用到多个技术指标。线束、方位角、扫描帧频、角分 辨率、测量精度、探测距离、数据率是七个常用的激光雷达性能评价指标。辨率、测量精度、探测距离、数据率是七个常用的激光雷达性能评价指标。下面以禾赛 Pandar128 为例进行解析。
31、 计算机行业计算机行业“智能网联智能网联”系列专题之八系列专题之八2020.10.20 请务必阅读正文之后的免责条款 8 图 10:禾赛 Pandar128 横截面图 图 11:禾赛 Pandar128 技术参数 资料来源:禾赛官方产品手册 资料来源:禾赛官方产品手册 表 5:激光雷达技术指标解析 技术指标技术指标 介绍(以禾赛介绍(以禾赛 Pandar128 技术指标为例)技术指标为例) 线束 线表示激光雷达系统包含独立的发射机/接收机的数目。为获得尽量详细的点云图,激光雷达必须要快速采集周围 环境的数据。一种方式是提高发射机/接收机的采集速度,每个发射机在每秒内可以发送十万以上组脉冲,也就
32、是 说在 1 秒内,有 100,000 组脉冲完成一次发射/返回的循环,另一种方式是使用多线激光雷达,例中所示的禾赛 Pandar128 就有高达 128 组发射机/接收机,多线的配置使得激光雷达在每秒内可构建高达百万的数据点。 方位角 水平方位角 激光雷达的主体部分在工作时不断旋转,可对周围 360 进行扫描,也就是说该激光雷达的水平方位角为 360 垂直方位角 激光雷达的垂直视场角是 40 ,这里要注意 2 点,一是视场角的偏置,二是激光雷达光束的分布。(如图 13) 1)视场角的偏置:视场角的偏置为 5 ,也就是说激光雷达在水平方向向上的扫描角度为 15 ,而在水平方向往下 扫描的角度为 25 ,因为主要需要扫描路面上的障碍物,而不是把激光打向天空,为了良好的利用激光,因此激光 光束会尽量向下偏置一定的角度。2)光束的分布:激光雷达的光束不是垂直均匀分布的,而是中间密,两边稀疏, 这是为了达到既检测到障碍物,又把激光束集中到中间感兴趣的部分来更好的检测车辆的目的。 扫描帧频 激光雷达点云数据更新的频率,也就是旋转镜每秒钟旋转的圈数,单位 Hz 。例如,10 Hz 即旋转镜每秒转 10 圈, 同一方位的数据点更新 10 次 角分辨 率 水平角分辨 率 水平角分辨率是指水平方向上扫描线间的最小间隔度数。