在評估汽車激光雷達系統對周圍空間的感知水平時，制造商通常認為確定其探測距離很有價值。為了優化安全性，車載計算機系統應盡可能早地探測到障礙物。從理論上講，速度決定了控制系統是否可以計劃和執行及時的規避措施。AEye認為“探測距離”這個指標是必要的，但還不夠。感知系統應該能對目標進行分類并將準確及時的信息傳遞給控制系統。

最重要的不僅是有多快能探測到目標，而且有多快能識別出目標并進行分類，從而做出威脅級別決策并計算出適當的響應。單點探測無法與噪聲進行區分。因此，我們使用行業內對探測的通用定義，即每幀和/或多幀之間的相鄰拍攝的持久性。我們要求每幀（在相同探測距離內有五個點）和/或從多幀之間（連續五幀的一個相關點）對一個目標進行五次探測，以驗證探測到了有效的對象。在20Hz時，定義一次簡單的探測需要0.25秒。

當前，分類通常在感知堆棧中進行，對目標進行標記，并最終對其進行更清晰的識別。此數據被用于預測行為模式或軌跡。傳感器提供的分類屬性越多，感知系統確認和分類的速度就越快。AEye認為，評估這種關鍵汽車激光雷達能力的更好方法是影響“目標分類距離”的能力。該指標減少了早期感知堆棧的未知數，如與噪聲抑制相關的等待時間，從而確定了重要信息。

作為相對較新的領域，尚未確定汽車激光雷達分類所需數據量的定義。因此，我們建議使用視頻分類的感知標準作為參考定義。根據視頻標準，采用的分類是基于對象的3 x 3像素網格。在此定義下，可以通過汽車激光雷達系統以多快的速度生成高質量、高分辨率的3 x 3點云來進行評估，使感知堆棧能夠理解場景中的物體和人物。

對于傳統激光雷達系統而言，生成3 x 3點云是一項艱巨的任務。盡管許多系統都宣稱可以在一秒鐘內顯示100萬點甚至更多的點云，但這些圖像均勻性不佳。對于分類而言，這些固定采樣模式可能很難完成，因為域控制器必須每秒處理100萬個點，這在許多情況下與所涉及目標的關鍵采樣所需的分辨率無法平衡。如此廣泛的點樣本意味著它需要執行其它解釋，從而占用大量CPU資源。

圖4：在探測物周圍排列密集的3 x 3網格可以收集更多有用的數據，并大大加快分類速度。在左側的“掃描1”（scan 1）中，對車輛進行了一次探測。無需等待下一幀對該車輛進行重新采樣（如傳統激光雷達的典型操作），而是快速形成動態ROI，如“掃描2”（scan 2）所示。在初始單次探測之后和完成下一次掃描之前，將立即執行。

回到“搜索、采集和采取行動”的架構中，一旦我們獲得了目標并確定其是有效的潛在威脅，我們就可以分配更多拍攝進行分類，并在需要時采取行動。另外，如果我們確定目標不是立即威脅，我們可以更全面地詢問該目標以獲取其它分類數據，或者每次掃描拍攝幾次就可以對其進行簡單跟蹤。

實際用例：無保護左轉彎

對不同目標需要不同響應。在具有挑戰性的駕駛場景尤其如此，例如在高速行駛過程中的無保護左轉彎。想象一下，在四車道道路上的自動駕駛汽車，其時速限制為100公里/小時，在兩條行車道上進行無保護左轉彎。在迎面而來的交通中，一條車道有摩托車，另一條車道有小轎車。在這種情況下，目標分類距離至關重要，在足夠的距離內將一個目標分類為摩托車，高速行駛的自動駕駛汽車會更加謹慎，這是由于摩托車行駛速度較快且路徑不可預測。

實際用例：校車（特殊目標）

在特定距離對目標進行分類的意義比即時響應更為重要。一個很好的例子就是遇到一輛滿員的校車。該目標被歸類為校車的速度越快，自動駕駛車輛啟動適當協議的速度就越快——減慢車速并部署其它工具，如在校車周圍區域增加瞬時分辨率（觸發式ROI），以立即捕獲兒童朝車道移動的任何動作。此功能可用于警車、救護車、消防車或任何需要自動駕駛車輛改變詢問場景、改變速度或路徑的特殊車輛。

結論

在本文中，我們討論了減少同一幀內對目標探測時間差至關重要的原因。由于需要捕獲同一點/目標的多次探測才能完全理解該目標或場景，因此對于汽車激光雷達來講，目標重訪速度是比幀速率更為關鍵的指標。

另外，我們認為分辨率是不夠的。量化瞬時分辨率更加重要，因為智能、高靈敏度的分辨率更有效，并且可以通過更短的響應時間提供更高的安全性，尤其是在將ROI與卷積神經網絡配合時。

最后，我們證明了探測距離這個指標遠遠不夠，目標分類距離（即識別和分類目標的速度）更為重要。僅僅量化傳感器可以探測到潛在目標的距離還不夠。還必須量化從實際事件發生到被傳感器探測的延遲，并加上從傳感器探測到CPU決策的延遲。在此架構下，激光雷達系統可提供的屬性越多，感知系統的分類速度就越快。