阿里巴巴達摩院宣布，其自研感知算法實現了對低線束LiDAR（激光雷達）的高線束模擬，間接將LiDAR線束量提升3倍以上，實現低成本普通激光雷達替代高成本雷達，此算法相當于用“低像素相機拍出單反相機效果”，可大幅降低自動駕駛感知部件成本。

在自動駕駛實際落地場景中，往往需要高密度的LiDAR才能滿足感知需求，而64線以上LiDAR 成本居高不下，成為自動駕駛大規模商業化瓶頸之一。達摩院自動駕駛實驗室環境感知算法能結合攝像頭圖像，對低線束LiDAR點云進行深度補全及語義識別，實現更稠密的激光雷達點云圖3D重建效果，不僅可更精確地讀取障礙物距離及形狀等信息，也可更精準判斷其類別信息。

上圖為低線束LiDAR原始點云，下圖為經達摩院算法深度補全后的點云，LiDAR線束量提升了3倍以上，且自動駕駛車輛更好辨別出了障礙物。

在精度指標上，達摩院采用低線束激光雷達輸入，實現了業內采用高線束激光雷達輸入的平均水平，50米內障礙物距離信息讀取平均誤差為25厘米左右，同時，達摩院進行深度補全任務時可達到100fps（每秒傳輸幀數）的處理能力。

點云配準

達摩院這種方法在研究上被稱作“點云配準”，就是要把多幅點云合成到一幅點云中。

點云配準的本質是坐標變換，將一幅點云配準到另一幅點云中，就是要將這一幅點云的每個點的坐標轉換到另一幅點云的坐標系下，這個過程涉及到坐標變換矩陣。點云配準的過程實際上就是求取坐標變換矩陣的過程以及使用變換矩陣計算新的坐標的過程。常用的點云配準方法有：

1、迭代最近點方法（ICP）

從一幅點云中搜索到另外一幅點云中最近點來確定對應點集，容易陷入局部最優解，且要求配準兩幅點云初始位置與真實位置相差不大，其實質是基于最小二乘法的最優匹配方法。主要分為點對點，點對投影和點對面的方法。

2、特征點匹配方法

通過分析被測物體的局部幾何信息來尋找特征點并實現匹配，但算法特征點包含較少幾何信息，穩定性有待提高?？梢岳枚喑呖臻g尺度不變特征變化（SIFT）來尋找特征點，這要求被測物體有紋理信息，基于SIFT算法在空間尋找極值點，并提取其位置、尺度、旋轉不變量進行特征點匹配。

3、載體運動參數方法

通過激光雷達的載體的運動參數來計算各個點云的變換矩陣，在無人駕駛應用中，激光雷達的載體是無人駕駛車，車的速度、橫擺角速度等參數是可以通過傳感器精確測量的，通過這些參數可以計算出兩個時刻激光雷達的位置及姿態變化，根據這個變化可以得到點云的變換矩陣，從而實現配準。

使用點云配準的優點是可以采用少線束的激光雷達獲得多線束的激光雷達的感知效果。但是點云配準的方法也存在一些缺陷，比如：1、點云使用的是歷史數據，所以歷史點云中的障礙物無法更新，導致障礙物在點云中會一直存在下去；2、運動的物體在配準后的點云中會變成多個物體；3、需要消耗大量的計算資源。

目前，激光雷達的價格一般都比較昂貴，對于無人駕駛應用中，激光雷達是系統成本的重要組成部分。激光雷達的價格隨著線數的增加而增加，基本規則就是線數越多，價格越貴，達摩院通過此算法達到多線束激光雷達的目的，未來將進一步壓縮自動駕駛的硬件成本。