3、LiDAR传感器：激光雷达工作原理、Ray Cast LiDAR配置、LiDAR属性详解、点云数据格式

3.1 激光雷达工作原理：它到底怎么「看」世界的？

说实话，我第一次接触激光雷达的时候，觉得这东西挺神奇的。你想想看，它既不发光也不发热，凭什么能知道周围物体的距离和形状？

其实原理并不复杂。激光雷达（LiDAR）的核心就是「发射-接收」这个循环。它向周围发射激光脉冲，然后等待这些脉冲碰到物体后反射回来。通过计算发射和接收之间的时间差，就能算出距离。这就是所谓的ToF（Time of Flight）原理。

我在项目中遇到过一个问题：为什么有时候激光雷达会「看」不到某些物体？后来发现，如果物体表面太黑或者太光滑，激光脉冲会被吸收或者直接反射到别处去，接收器就收不到回波了。嗯，这个坑我踩过。

核心公式：距离 = (光速 × 飞行时间) / 2

为什么要除以2？因为激光走了「发射-反射-接收」一个来回，实际距离只有一半。

在CARLA中，激光雷达的模拟方式叫做Ray Cast LiDAR。说白了，就是向场景中发射大量射线，每条射线碰到物体就返回一个点。射线越多，点云越密，但计算开销也越大。

3.2 Ray Cast LiDAR配置：动手搭一个激光雷达

我个人习惯在配置激光雷达时，先想清楚「我要用它干什么」。是做障碍物检测？还是做高精地图构建？不同的任务对参数要求完全不同。

下面是一个典型的Ray Cast LiDAR配置代码：

import carla

# 获取蓝图库
blueprint_library = world.get_blueprint_library()
# 找到激光雷达蓝图
lidar_bp = blueprint_library.find('sensor.lidar.ray_cast')

# 配置基本属性
lidar_bp.set_attribute('channels', '64')        # 64线
lidar_bp.set_attribute('range', '100')          # 探测距离100米
lidar_bp.set_attribute('points_per_second', '1000000')  # 每秒100万点
lidar_bp.set_attribute('rotation_frequency', '20')      # 每秒旋转20圈
lidar_bp.set_attribute('upper_fov', '30')       # 垂直上视角30度
lidar_bp.set_attribute('lower_fov', '-30')      # 垂直下视角-30度

这段代码看着简单，但每个参数背后都有讲究。我曾经因为把points_per_second设得太高，导致仿真直接卡死。你想想看，每秒几百万个点，CPU和GPU都扛不住。

我的建议：刚开始调试时，把points_per_second设在50万左右，等算法稳定了再往上加。别一上来就追求极致精度，先跑起来再说。

3.3 LiDAR属性详解：每个参数都是坑

下面这张表是我在实际项目中总结出来的，每个参数我都吃过亏：

参数名	默认值	我的经验值	说明
channels	32	64	线数越多，垂直分辨率越高。但64线已经够用了，128线太费资源
range	100	50-80	不是越大越好。距离远了，点云稀疏，噪声也多
points_per_second	56000	500000	这个值决定了点云密度。我一般先设50万，不够再加
rotation_frequency	10	20	旋转频率越高，帧率越高，但点云会变稀疏
upper_fov	30	15	视角太大，点云会「拉长」，反而看不清细节
lower_fov	-30	-15	同理，下视角太大，地面点太多，干扰严重

注意：我曾经把upper_fov和lower_fov设成对称的（比如30和-30），结果发现点云里全是地面和天空的噪声点。后来改成15和-15，效果好了很多。记住，激光雷达不是视角越大越好，而是「够用就好」。

3.4 点云数据格式：拿到数据后怎么用？

激光雷达采集到的数据，在CARLA中是以carla.LidarMeasurement对象返回的。这个对象里包含了一个点云数组，每个点有4个属性：

x, y, z：点的三维坐标（单位：米）
intensity：反射强度（0-1之间），值越大表示反射越强

我刚开始做的时候，以为点云就是一堆坐标点。后来才发现，intensity这个属性特别重要。比如，路面的反射强度通常比较低，而路牌、车身的反射强度很高。利用这个特性，可以快速区分地面和障碍物。

下面是我常用的点云处理代码：

import numpy as np

def process_lidar_data(lidar_data):
    """
    将CARLA的LiDAR数据转换为numpy数组
    """
    # 获取点云数据
    points = np.frombuffer(lidar_data.raw_data, dtype=np.dtype([
        ('x', np.float32),
        ('y', np.float32),
        ('z', np.float32),
        ('intensity', np.float32)
    ]))
    
    # 提取坐标和强度
    x = points['x']
    y = points['y']
    z = points['z']
    intensity = points['intensity']
    
    # 过滤掉无效点（比如距离为0的点）
    valid = (x != 0) & (y != 0) & (z != 0)
    
    return np.vstack((x[valid], y[valid], z[valid], intensity[valid])).T

这段代码看起来简单，但有个细节要注意：raw_data是二进制数据，必须用np.frombuffer解析。我一开始用np.array去转，结果数据全乱了。嗯，这个坑我踩过两次。

3.5 知识体系总览：一张图看懂LiDAR

下面这张图是我自己画的，把激光雷达的核心知识点串起来了：

这张图把激光雷达的知识分成了三个模块：工作原理、配置参数、数据格式。我个人觉得，只要把这三点吃透了，CARLA里的LiDAR基本就没什么大问题了。

一个小技巧：如果你在调试时发现点云数据不对劲，先别急着改代码。打开CARLA的 spectator视角，看看激光雷达的射线是不是被什么东西挡住了。我遇到过好几次，都是因为车顶上有个装饰物挡住了激光雷达的视野。

好了，关于LiDAR传感器就聊这么多。记住，激光雷达不是万能的，但它绝对是自动驾驶感知系统里最可靠的传感器之一。用好它，你的仿真数据质量会上一个台阶。

可可精品资料库

📚 课程目录

3、LiDAR传感器：激光雷达工作原理、Ray Cast LiDAR配置、LiDAR属性详解、点云数据格式

3.1 激光雷达工作原理：它到底怎么「看」世界的？

3.2 Ray Cast LiDAR配置：动手搭一个激光雷达

3.3 LiDAR属性详解：每个参数都是坑

3.4 点云数据格式：拿到数据后怎么用？

3.5 知识体系总览：一张图看懂LiDAR