2. LiDAR传感器原理

LiDAR（Light Detection and Ranging，激光雷达）是三维感知系统的核心传感器，其通过发射激光束并测量回波时间或相位差，直接获取环境目标的精确三维坐标。与摄像头相比，LiDAR不受光照条件影响，能够提供厘米级精度的深度信息；与毫米波雷达相比，其角分辨率更高，点云密度更大。在SLAM（同步定位与建图）系统中，LiDAR点云既是构建高精度地图的数据源，也是进行帧间配准和回环检测的观测基础。理解LiDAR的硬件原理、点云数据特性以及坐标系变换关系，是后续开展分割、检测与SLAM算法设计的必要前提。本章将系统梳理机械式、固态、MEMS等主流LiDAR的技术架构，深入解析点云数据的空间与属性特征，并建立从传感器坐标系到世界坐标系的标定方法论。

上图从宏观层面展示了三类LiDAR的技术路线及其与点云数据、坐标系标定的逻辑关系。机械式LiDAR通过电机带动激光收发模块旋转，实现360°视场覆盖；固态LiDAR采用电子扫描或面阵闪光技术，取消了机械运动部件；MEMS LiDAR则利用微振镜的机械摆动在有限视场角内实现高分辨率扫描。无论采用何种扫描方式，最终输出的都是包含三维坐标、反射强度和时间信息的点云数据流。而坐标系标定则是将LiDAR测量值从传感器局部坐标系转换到统一的车体或世界坐标系中，是多传感器融合和SLAM建图的关键前置步骤。

2.1 三类LiDAR的核心原理与工程选型

2.1.1 机械式LiDAR：旋转扫描的经典方案

机械式LiDAR是目前自动驾驶和测绘领域应用最广泛的方案。其核心结构包括激光发射器（通常为905nm或1550nm波长的半导体激光器）、接收器（APD或SPAD）、旋转电机和编码器。工作时，电机带动整个激光收发模组绕垂直轴连续旋转，每个激光器在固定俯仰角上发射脉冲，通过测量激光往返时间（Time of Flight, ToF）计算目标距离。多线束设计（如16线、32线、64线、128线）通过在不同俯仰角布置多个激光器，实现垂直视场角的覆盖。

以Velodyne VLP-16为例，其拥有16个激光通道，垂直视场角为-15°至+15°，水平视场角360°，测距范围可达100米，测距精度±3cm。在10Hz扫描频率下，每秒可产生约30万个点。机械式LiDAR的优势在于技术成熟、点云密度高、视场角完整，适合需要全方位感知的场景。但其缺点同样明显：旋转部件导致体积庞大、成本高昂（64线产品价格曾高达数十万元），且长期振动环境下轴承磨损会影响精度。

2.1.2 固态LiDAR：无旋转部件的全电子扫描

固态LiDAR分为Flash和OPA（Optical Phased Array）两种技术路线。Flash LiDAR类似摄像头，一次性发射大面积激光照亮整个视场，通过焦平面阵列上的探测器接收回波，无需扫描即可获得三维图像。其优势在于帧率高、结构紧凑，但受限于激光功率和探测器灵敏度，探测距离通常较短（<50米），且视场角有限。OPA LiDAR则通过控制光学相控阵中每个阵元的相位差，实现激光束的电子偏转扫描，理论上可实现快速、灵活的波束控制，但当前技术尚不成熟，存在旁瓣干扰和制造良率问题。

固态LiDAR在车规级应用中备受关注，因为其没有机械运动部件，可靠性高、体积小、易于集成到车身。然而，有限的视场角（通常<120°）意味着需要多个传感器拼接才能实现全景覆盖，增加了系统成本和标定复杂度。

2.1.3 MEMS微振镜LiDAR：准固态的平衡之道

MEMS LiDAR采用一个微型振镜（尺寸约几毫米）代替电机旋转，通过振镜在水平和垂直方向上的高频摆动，将激光束反射到不同方向实现扫描。这种方案保留了机械扫描的高分辨率特性，同时大幅缩小了体积和成本。典型产品如InnovizOne和速腾聚创M1，其水平视场角可达120°，垂直视场角25°，测距范围150米，点频约50万点/秒。

MEMS振镜的摆动频率通常在1-5kHz，通过控制振镜的驱动电压和波形，可以实现非均匀扫描模式（如中心区域加密扫描）。但振镜的机械谐振频率受温度影响较大，需要内置温度传感器进行实时补偿。此外，振镜的摆动幅度有限，导致视场角无法达到360°，在SLAM应用中通常需要多个MEMS LiDAR组合或与IMU融合。

2.2 点云数据特性：从原始测量到结构化信息

2.2.1 点云的空间与属性维度

LiDAR点云中的每个点通常包含以下核心字段：三维坐标（x, y, z）、反射强度（Intensity）、时间戳（Timestamp）和通道编号（Channel ID）。其中，x、y、z是相对于LiDAR传感器坐标系的三维位置，由测距值r、水平角α和垂直角θ通过球坐标转换得到：

x = r * cos(θ) * cos(α)
y = r * cos(θ) * sin(α)
z = r * sin(θ)

反射强度反映了目标表面对激光的反射能力，与目标材质、颜色、粗糙度和入射角有关。例如，白色墙体强度值通常为200-255，深色轮胎约为50-100，而高反光金属可能产生饱和值。强度信息在点云分割和地面提取中具有重要价值，但需要注意不同LiDAR型号的强度值范围并不统一（如Velodyne为0-255，Ouster为0-4095），跨传感器使用时需进行归一化处理。

2.2.2 点云密度与分布特征

点云密度随距离增加呈二次方衰减。以VLP-16为例，在10米处水平角分辨率0.2°，垂直角分辨率2°，点间距约为3.5cm；而在50米处，点间距增大到17.5cm。这种非均匀分布对SLAM特征提取和分割算法提出了挑战——近处目标点云密集，远处目标稀疏且易产生空洞。此外，由于激光的物理特性，黑色高吸收表面和镜面反射表面会产生数据缺失（即“黑洞”现象），需要在预处理阶段进行插值或滤波。

2.3 坐标系定义与标定基础

2.3.1 三大坐标系的定义与变换

在LiDAR SLAM系统中，涉及三个关键坐标系：传感器坐标系（L系）、车体坐标系（B系）和世界坐标系（W系）。传感器坐标系以LiDAR光心为原点，x轴指向车辆前方，y轴指向左侧，z轴垂直向上（遵循右手定则）。车体坐标系通常以车辆后轴中心为原点，x轴指向车辆前进方向。世界坐标系是全局参考系，在SLAM中通常以起始时刻的车体坐标系为原点。

从传感器坐标系到车体坐标系的变换称为外参标定，包含旋转矩阵R和平移向量t。从车体坐标系到世界坐标系的变换则由SLAM算法实时估计，通常表示为SE(3)变换矩阵T。完整的坐标变换公式为：

P_world = T_wb * T_bl * P_lidar

其中，T_bl为LiDAR到车体的外参矩阵，T_wb为车体在世界坐标系中的位姿。外参标定的精度直接影响点云拼接和地图构建的质量，误差1°的旋转偏差在50米处会造成约0.87米的横向偏移。

2.3.2 外参标定的常用方法

外参标定分为离线标定和在线标定两类。离线标定通常在实验室或特定场地进行，常用方法包括：

1. 靶标法：在LiDAR前方放置已知尺寸的平面靶标（如棋盘格或圆形标定板），通过提取靶标在点云中的特征点，与靶标在车体坐标系中的已知位置进行匹配，求解外参。该方法精度高（旋转误差<0.1°），但需要专用设备和场地。
2. 手眼标定法：借鉴机器人手眼标定思想，通过多次移动车辆并记录LiDAR相对环境的位姿变化，构建AX=XB方程求解外参。该方法无需靶标，但需要高精度的位姿参考（如Vicon系统）。
3. 自然场景法：利用环境中平面特征（地面、墙面）进行配准，通过ICP（迭代最近点）算法优化外参。该方法操作简便，但精度受场景特征丰富度影响。

2.4 实战案例：多传感器融合中的LiDAR标定与点云质量验证

在某园区无人配送车项目中，我们部署了一台速腾聚创RS-LiDAR-M1（MEMS方案）和一台VLP-16（机械式方案），分别安装于车顶前后位置。初始目标是通过外参标定实现两束点云的高精度融合，并验证点云质量满足后续SLAM建图需求。

初始现象：两束点云在车体坐标系中叠加后，同一墙面出现约20cm的错位，且远处（>30m）点云存在明显重影。

分析过程：首先检查两传感器的内参（距离偏移、垂直角度偏移），确认出厂标定无误。随后使用靶标法进行外参标定，在车辆前方5米、10米、15米处分别放置三个平面靶标，采集30秒静态点云。通过提取靶标平面中心点，建立对应点对，使用SVD分解求解旋转矩阵和平移向量。标定结果显示，M1相对车体的外参为：旋转欧拉角（roll=0.2°, pitch=-0.5°, yaw=1.8°），平移（x=0.35m, y=0.0m, z=0.85m）。

实际操作步骤：

1. 使用ROS录制包含两LiDAR数据的bag文件，确保时间戳同步。
2. 编写Python脚本提取靶标点云，使用RANSAC拟合平面并计算中心点。
3. 构建最小二乘优化问题，求解外参矩阵。
4. 将标定结果写入URDF文件，并在RViz中可视化验证。

结果对比：标定后，墙面错位从20cm降至2cm以内，远处重影消失。进一步使用点云配准评估指标——相对位姿误差（RPE）从0.15m降至0.03m，满足SLAM建图要求。

风险与代价：靶标法标定耗时约2小时，且需要开阔场地。若车辆长期运行，建议每季度进行一次复标定。此外，M1的MEMS振镜在低温（<-10°C）下扫描角度会偏移，需在算法中增加温度补偿系数。

复盘经验：多LiDAR融合时，应优先选择视场角互补的传感器组合（如M1负责前向120°，VLP-16负责360°环视）。标定过程中，靶标应覆盖不同距离和角度，避免退化配置（如所有靶标共面）。

2.5 常见误区与总结复盘

• 误区一：认为点云密度越高越好。高密度点云带来计算量剧增，且远处点云噪声比例上升。应根据应用场景选择合适的分辨率，或采用自适应降采样策略。
• 误区二：忽略时间同步。在运动场景中，LiDAR帧内各点的时间戳不同（旋转扫描导致），若直接使用帧尾时间戳进行配准，会产生运动畸变。需使用IMU或轮速计进行运动补偿。
• 误区三：外参标定后不再校验。车辆碰撞、更换传感器或温度剧烈变化都可能导致外参漂移。建议在SLAM系统中加入在线外参监控模块，利用点云配准的残差分布判断外参是否失效。
• 误区四：混淆不同LiDAR的强度值范围。在训练分割模型时，若直接混用不同传感器的强度特征，会导致模型泛化能力下降。应进行强度归一化或使用距离无关的特征。