隨著世界科技向智能化、高效率發展，激光雷達及其應用也受到越來越多的關注。但是，人們對激光雷達技術及性能等方面也存在一些誤解。本文將為大家揭開關于激光雷達的六個常見誤區。

1、激光雷達應用的技術復雜

雖然激光雷達是由不同硬件組成的復雜傳感器，但實際上其基本工作原理相當簡單。傳感器使用飛行時間法，該探測原理類似于蝙蝠使用聲波或雷達使用微波。

如果我們把傳感器分解成幾個部分，即激光器、探測器和光束偏轉單元，激光雷達就不再是一項令人望而生畏的技術了。激光源首先發出激光脈沖，這些脈沖通過微振鏡偏轉到場景中，探測器檢測反射光，根據激光脈沖發射時間和返回時間精確計算出距離。

每秒鐘重復數千次甚至數百萬次以上這個過程，實時生成精確的3D環境點云。這些3D點云數據易于分析和利用，例如，用于自動駕駛決策。

這項技術是在20世紀60年代早期發明脈沖激光器之后發展起來的，脈沖激光器重復發射光脈沖，而不是采用連續波。

2、在自動駕駛汽車應用中，激光雷達是多余的

埃隆·馬斯克(Elon  Musk)在2019年的一次會議上忽視了激光雷達在自動駕駛汽車上的用途，這一事件迄今為止滋生了許多關于激光雷達的謬論。他聲稱，在相機和智能算法的輔助下，激光雷達是多余的，并將一直堅持自己的立場。

攝像機應用不同的圖像識別技術，可以采集彩色視覺圖像，但僅僅采用一個攝像機，只能捕捉到2D數據，很容易導致視覺錯覺和距離誤判。有不少的悲慘例子表明，這些缺陷是危險的，有時甚至是致命的。

相比之下，激光雷達可以可靠地捕捉3D數據，并精確識別出距離和物體尺寸。

融合精確的3D激光雷達數據有助于在攝像機“失明”的情況下依然能夠感知周圍環境，比如在走出隧道后攝像機需要一定時間適應光線變化等場景。

此外，攝像頭生成的2D圖像，表面上看起來可能足夠精確，足以訓練自動駕駛汽車的算法。但它們仍然有很多不精確的地方，會降低機器學習模型的準確性，從而降低車輛感知、預測和決策的能力。促進自動駕駛的機器學習能力需要具有可擴展性，并解決“長尾巴”問題。這意味著僅滿足道路上車輛所面臨的95%的場景是不夠的，基于機器學習的自動駕駛功能還要針對5%的棘手情況進行訓練，同時不斷提高其性能，這需要大量純相機系統數據用于訓練。

相比之下，激光雷達可以提供更多的機器學習預測模型，同時生成更高精度的訓練數據。因此，激光雷達是更可靠、更健壯的自動駕駛系統所必需的傳感器。

3、激光雷達可以完全被其他傳感器取代

關于激光雷達最常見的一個誤解是，它可以被相機或雷達傳感器替代，這種誤解源于人們對這些傳感器技術如何以不同方式對物體進行分類缺乏了解。在理解了這些傳感器的不同能力和產生的數據類型之后，我們會了解到它們在功能上的互補。相機采集到的是2D圖像，提供灰度或顏色信息、紋理和對比度。為了進一步分析這些數據，需要使用圖像識別軟件。因為相機應用的是被動測量原理，物體需要被照亮來檢測。此外，需要兩個或更多的相機來創建3D圖像，以及高計算能力。

雷達測量三維信息，在確定物體距離和速度方面具有極高的精度。然而，分辨率較低，他們無法精確探測（以厘米為尺度）或對物體進行分類。

激光雷達將采集得到的三維數據創建形成點云，根據點云形狀和大小，可以精確地檢測物體，將物體分為不同的類別，如人、汽車、建筑物等。