一、课程导论与基础：激光雷达原理、高精地图定义、匹配技术概览、环境搭建（ROS + PCL）
各位同学，欢迎来到这门实战课。我是你们这趟旅程的向导。
说实话，做自动驾驶感知这些年，我踩过最多的坑，就是「传感器数据」和「地图」对不上。你想想看，车明明在路中间，激光雷达扫出来的点云却偏了半米，这要是真上路，后果不堪设想。所以，这门课的核心，就是带大家搞定「激光雷达与高精地图匹配」这件事。
嗯，咱们先不急着写代码。先把地基打牢。这一章，我会带大家把四个核心概念捋清楚：激光雷达怎么工作的、高精地图到底长什么样、匹配技术有哪些流派、以及我们的开发环境怎么搭。
1.1 激光雷达原理：它到底是怎么「看」世界的？
激光雷达，英文叫 LiDAR，说白了就是「激光 + 雷达」。它发射一束激光，打到物体上反射回来，通过计算时间差，就能知道物体有多远。
我个人习惯把激光雷达比作「一把尺子」。只不过这把尺子每秒能测量几十万次，而且还能旋转。所以它扫出来的不是一条线，而是一圈一圈的点云。
核心原理公式：
距离 = (光速 × 飞行时间) / 2
就这么简单。但实际工程中，噪声、多路径反射、运动畸变，都会让这个「简单」变得复杂。
我在项目中遇到过最头疼的问题，就是雨雪天气。激光打到雨滴上，会产生大量噪点。你想想看，本来一个平整的路面，扫出来全是毛刺。这时候，滤波算法就至关重要了。后面我们会专门讲。
目前主流的激光雷达，按扫描方式分，有机械旋转式、固态式、MEMS 振镜式。机械式最成熟，但寿命短；固态式没活动部件，但视场角小。选型的时候，要根据你的应用场景来定。
| 类型 | 优点 | 缺点 | 典型代表 |
|---|---|---|---|
| 机械旋转式 | 360° 视场角，技术成熟 | 有机械磨损，寿命短 | Velodyne HDL-64 |
| 固态式 | 无活动部件，寿命长 | 视场角小，成本高 | Luminar |
| MEMS 振镜式 | 体积小，成本适中 | 扫描图案复杂，算法要求高 | InnovizOne |
避坑指南： 我曾经在项目里选了一款便宜的固态激光雷达，结果发现它的视场角只有 90°，车转弯时完全看不到侧方障碍物。后来不得不加装两个补盲雷达。所以，选型时一定要考虑「感知盲区」。
1.2 高精地图定义：它和普通导航地图有什么不同？
普通导航地图，是给人看的。它告诉你「前方 500 米右转」。高精地图，是给车看的。它告诉你「前方 500 米，车道线是白色实线，曲率半径 200 米，坡度 3%」。
说白了，高精地图就是一张「厘米级精度」的电子地图。它包含车道线、路沿、交通标志、杆状物等所有静态元素的精确位置和属性。
我记得第一次接触高精地图时，被它的数据量吓了一跳。一个 1 平方公里的区域，地图数据可能就有几百兆。而且，它需要定期更新。因为道路会施工、标志会变化。所以，高精地图的「鲜度」和「精度」同样重要。
高精地图通常包含三层：
- 道路层： 车道线、路沿、人行横道等几何信息。
- 定位层： 用于匹配的特征点、杆状物、地面标记等。
- 语义层： 交通标志、限速、红绿灯等语义信息。
注意： 高精地图不是一成不变的。道路施工、季节变化（比如积雪覆盖车道线）都会导致地图失效。所以，实际工程中，我们通常会用「在线更新」或「众包更新」来保持地图的鲜度。
1.3 匹配技术概览：我们到底在「匹配」什么？
匹配，就是把激光雷达实时扫到的点云，和地图里存储的点云或特征，对齐到一起。这样，车就能知道自己在哪。
你想想看，车在行驶中，激光雷达每秒钟扫出几十万个点。这些点都是相对于车身的坐标。而地图里的点，是全局坐标。匹配要做的，就是找到一个变换矩阵，把实时点云变换到地图坐标系下。
匹配技术主要分两大类：
- 基于点云的匹配： 直接用原始点云进行配准。代表算法是 ICP（迭代最近点）及其变种。优点是精度高，缺点是计算量大，容易陷入局部最优。
- 基于特征的匹配： 先从点云中提取特征（比如角点、边缘、平面），然后匹配这些特征。代表算法是 NDT（正态分布变换）。优点是速度快，鲁棒性好。
我个人习惯，在结构化道路（比如高速公路）上用 NDT，因为它对初始位姿要求不高。在停车场或复杂场景下，我会先用 ICP 做精细配准。嗯，这里要注意，ICP 对初始位姿非常敏感。如果初始偏差太大，它很容易收敛到错误的位置。
核心思想： 匹配的本质，就是求解一个 6 自由度（x, y, z, roll, pitch, yaw）的变换矩阵。让实时点云和地图点云的「距离」最小。
1.4 环境搭建：ROS + PCL，我们的武器库
好了，理论讲完了。咱们得动手了。这门课的所有代码，都基于 ROS（机器人操作系统）和 PCL（点云库）。
ROS 负责通信、节点管理、数据录制回放。PCL 负责点云处理、滤波、配准。这两个工具，是自动驾驶感知工程师的标配。
我建议你使用 Ubuntu 20.04 + ROS Noetic。这是目前最稳定的组合。当然，Ubuntu 18.04 + ROS Melodic 也行，但有些新版本的 PCL 功能不支持。
安装步骤很简单，但有几个坑要注意：
# 1. 安装 ROS Noetic
sudo apt install ros-noetic-desktop-full
# 2. 安装 PCL（ROS 自带，但版本可能较老）
sudo apt install ros-noetic-pcl-ros
# 3. 验证安装
roscore
# 新开终端
rosrun pcl_ros pcl_to_pointcloud
我曾经踩过的坑： 安装完 ROS 后，直接运行 roslaunch，结果报错说找不到包。后来发现是 source 命令没加到 .bashrc 里。所以，记得执行：
echo "source /opt/ros/noetic/setup.bash" >> ~/.bashrc
然后 source ~/.bashrc。
另外，PCL 的版本要注意。ROS Noetic 自带的是 PCL 1.10。如果你需要更高版本，可以手动编译。但说实话，1.10 已经够用了。我们这门课用到的功能，它都支持。
最后，给大家看一张图。这是本章的知识体系结构，也是我们整个课程的路线图。
这张图把本章的四个核心模块串起来了。激光雷达原理是「感知源头」，高精地图是「参考基准」，匹配技术是「核心算法」，环境搭建是「实战基础」。缺一不可。
好了，这一章的内容就到这里。记住，理论是骨架，实践是血肉。下一章，我们会开始真正的点云数据处理。到时候，我会带大家亲手写一个点云滤波程序。
课后小作业： 打开终端，输入 rosnode list，看看你的 ROS 环境是否正常运行。如果报错，检查一下 .bashrc 里的 source 命令。
可可精品资料库