Bruce：创建页面，内容为“ = 1. 前言 = 随着自主移动机器人（AMR）技术的快速发展，激光雷达（LiDAR）作为关键的传感器技术，在室内导航和SLAM（Simultaneous Localization and Mapping）系统中发挥着至关重要的作用。激光雷达的选择直接影响到AMR的定位精度和环境感知能力。因此，为激光雷达选型提供科学、合理的测试方法显得尤为重要。本测试报告旨在为室内导航激光雷达的选型提…”

2024-06-28T16:54:50Z

创建页面，内容为“ = 1. 前言 = 随着自主移动机器人（AMR）技术的快速发展，激光雷达（LiDAR）作为关键的传感器技术，在室内导航和SLAM（Simultaneous Localization and Mapping）系统中发挥着至关重要的作用。激光雷达的选择直接影响到AMR的定位精度和环境感知能力。因此，为激光雷达选型提供科学、合理的测试方法显得尤为重要。本测试报告旨在为室内导航激光雷达的选型提…”

新页面

= 1. 前言 =
随着自主移动机器人（AMR）技术的快速发展，激光雷达（LiDAR）作为关键的传感器技术，在室内导航和SLAM（Simultaneous Localization and Mapping）系统中发挥着至关重要的作用。激光雷达的选择直接影响到AMR的定位精度和环境感知能力。因此，为激光雷达选型提供科学、合理的测试方法显得尤为重要。本测试报告旨在为室内导航激光雷达的选型提供一套测试方法。

本报告的范围包括对激光雷达的关键性能指标进行测试，如角分辨率、成像质量、测量范围等，测试数据来源于实验室测试和项目调试过程。通过这些测试，我们将能够评估不同激光雷达在室内导航应用中的性能，为激光雷达选型提供指导。

本报告将详细介绍测试方法、测试环境和测试步骤，并通过实际测试数据对测试方法进行实例说明。通过本报告，我们希望能够为激光雷达选型提供一套实用的测试框架，帮助工程师和研究人员在实际应用中选择最适合的激光雷达型号，以实现高精度和可靠的室内导航。

= 2. 测试雷达参数 =
{| class="wikitable"
!产品名称
!角分辨率
!测量距离
!测量精度
|-
|雷达A
|0.033°@10HZ
|20m@10%反射面
|±30mm
|-
|雷达B
|0.25°
|10m(@10%反射率) 25m(@90%反射率)
|±20mm
|-
|雷达C
|0.025°@15Hz
|15m@10%反射率 30m@90%反射率
|±20mm
|-
|雷达D
|0.17°
|8.7m(10%反射率) 27.4m(100%反射率)
|±19mm
|}

= 3. 测试方法 =

== 3.1 与选型相关的性能指标 ==
在选择激光雷达时，需要综合考虑角分辨率和成像质量这两个指标。高角分辨率和高成像质量通常意味着更高的成本，但它们对于提高SLAM系统的性能和可靠性至关重要。在实际应用中，可能需要根据具体的环境和应用需求来选择合适的激光雷达。

=== 3.1.1 角分辨率 ===
角分辨率是激光雷达能够区分两个相邻目标的能力的度量。它直接影响到激光雷达对环境特征的识别能力，尤其是对小尺寸物体的测量。高角分辨率意味着激光雷达可以检测到更精细的环境特征，如20厘米宽的立柱。这对于点云配准算法至关重要，因为它需要足够的测量点来准确描述物体的形状和位置。如果角分辨率较低，可能无法提供足够的测量点，从而影响点云配准的准确性。<blockquote>备注：角分辨率与扫描频率相关，分辨率越高，扫描频率越低。选型时不能只考虑角分辨率指标，还要关注频率，它与最大行驶速度相关。一般而言，AMR的最大（直线）行驶速度是“车身长度 / 10 * 扫描频率“。设一台AMR的长度为1.5m，激光雷达扫描频率为10Hz，其最大行驶速度就是1.5m/s。</blockquote>

=== 3.1.2 成像质量 ===
成像质量是激光雷达输出点云数据的质量指标，它决定了测量点的稳定性和噪音点的数量。高反射材质（如金属）可能会产生强烈的反射，导致测量结果不稳定，甚至产生所谓的“拖影”。这些拖影可能会被视为额外的环境特征，从而干扰点云配准过程。低反射材质则可能产生较弱的信号，导致激光雷达无法检测到这些物体。成像质量直接影响点云数据的质量，进而影响SLAM算法的性能。<blockquote>备注：性能测试不关注激光雷达与AMR雷达槽的干涉问题，这是机械设计可以解决问题，不应归结为成像质量范畴。</blockquote>

== 3.2 测试数据来源 ==
雷达A & C在实验室环境测试，测试方法如下：

* 静态测试，不引入运动带来的干扰。搭载测试雷达的AMR停在墙角附近，车身左侧距离墙体约3m，约3.5m处是一个消防箱，其玻璃门框为高反射材质，用于测试中距离的拖影、鬼影。车身前方约8m是墙角，用于观察墙体点云的稳定性。约5米距离处是W300mmL300mm立方体，用于模拟5米处的细立柱，这种结构常见于车间，比如工字钢支柱。
* 近距离高反射材质。手持宽约1m的金属板，分别在0.5m、1m、1.5m处停留10s，用于模拟高反材质的近距离成像质量（拖影），比如托盘腿于对角雷达的近距离干涉。

雷达B & D数据来自于同一个项目现场，周围环境是墙体和哑光不锈钢（立库与输送线）。

= 4. 测试记录 =
点云数据使用Medulla的录制功能留存，测试记录以GIF动图展示，以便读者对测试结果有直观认知，以便选型实践时运用。<blockquote>提示：Detour会过滤不利于SLAM计算的噪音点，因此我们在Medulla界面观察点云。</blockquote>

== 4.1 雷达A ==

=== 4.1.1 墙体轮廓 ===
[[文件:Image-20240628211323784.png|无框|920x920像素]]

'''图 4-1 实验室轮廓全貌'''

(0, 0)坐标处是激光雷达A，正对3点钟方向，6点钟方向凸起是消防箱。

[[文件:Image-20240628211515782.png|无框|919x919像素]]

'''图 4-2 消防箱附近点云'''

放大以观察消防箱附近的点云，可见墙体轮廓线清晰，测量点稳定，构成一条清晰的墙体直线，墙体直线未见跳动（性能较差的激光雷达成像质量差，测量点抖动将导致墙体直线出现毛刺，而“增厚”墙体）。

[[文件:Image-20240628213153880.png|无框|919x919像素]]

'''图 4-3 放大后的点云'''

放大墙体部分，直到看到构成墙体轮廓线的测量点。测量点在跳动，这是激光雷达固有的测量误差，使用Medulla LiDAR view的“测量”工具，测量出跳动范围约6mm。

消防箱的玻璃门未形成拖影（雷达与高反物体边缘连线上的噪音点）和鬼影（强烈反光造成的噪音点，可能形成“凸”向激光雷达的轮廓线，或者泡沫状噪音点）。

=== 4.1.2 近距离金属板 ===
雷达3点钟方向的直线段是金属板轮廓，其宽度850mm，距离雷达700mm。点云稳定，未见拖影和鬼影。

[[文件:Image-20240628220406495.png|无框|917x917像素]]

'''图 4-4 近距离金属板轮廓'''

金属板移动到1.7m处，其轮廓清晰稳定。

[[文件:Image-20240628220530362.png|无框|916x916像素]]

'''图 4-5 1.7m处的金属板轮廓'''

金属板依次移动到1.5m、2m，其轮廓清晰稳定。

=== 4.1.3 立方体轮廓 ===
[[文件:Image-20240628221117665.png|无框|920x920像素]]

'''图 4-6 约4米处的立方体轮廓'''

距离雷达约4m处是L30mmW15mm的立方体。在勘查现场的SLAM环境时，一般会假设5m内必定有结构化轮廓，以为SLAM提供可用的稳定轮廓。小尺寸物体轮廓是勘察时必须考虑的问题，比如200mm长的工字钢支撑柱能否用于定位。该问题与构成轮廓的点数量有关，如果点数少，甚至抖动，不可以用于点云配准。

放大立方体以观察其点云构成。

[[文件:Image-20240628221649386.png|无框|921x921像素]]

'''图 4-7 放大的立方体点云'''

立方体宽边长148mm，由（平均）7个点构成，而长边点数量是宽边的几个数量级，这与激光雷达角分辨率，以及宽边与激光雷达夹角共同决定。从轮廓看能够用于（建图）轮廓，不过再远点就不好说了。由此可见激光雷达角分辨率的重要性，更多的点可以构造出几何特征，2～3个点只能是噪音。<blockquote>提示：静态测试可定量不可定性。上例轮廓能否在生产环境使用，应根据Detour在此处的点云配准分数来判断。雷达选型测试目的是给出基线，以供应用时判断余量。单传感器有其必然短板，增加另一种构型的传感器，比如IMU，其效用和成本或许比拚激光雷达性能更好，如此可取得性价比平衡。</blockquote>

== 4.2 雷达B ==

=== 4.2.1 近距离成像质量 ===
[[文件:Image-20240628223001485.png|无框|923x923像素]]

'''图 4-8 雷达B的近距离成像质量'''

雷达B安装在潜伏式牵引车头部，牵引车行驶在输送线旁。9点钟方向是车头轮廓，12点钟方向是输送线的哑光不锈钢墙体。成像质量较差，墙体直线较厚，离雷达越近越厚，说明测量点在跳动，且近距离高反材质造成了可观的噪音点。离雷达较远墙体的直线较薄，但毛刺很多。

[[文件:Image-20240628223547679.png|无框|923x923像素]]

'''图 4-9 墙体线段最“厚”处的宽度'''

测量可知墙体线段最厚处有23mm，超过雷达的测量误差指标，是雷达A测量误差4倍。虽然脉冲激光近距离测距误差较大，但是较远处墙体轮廓线毛刺也是不应出现的。

[[文件:Image-20240628224228691.png|无框|922x922像素]]

'''图 4-10 拖影'''

测量黄线处的点是“拖影”。这可能是脉冲激光光斑较大，照射在输送线支撑柱边缘处形成2个回波，较弱回波形成“拖影”点。

此外，在拖影后的墙体轮廓点间隔显著增大，这与角分辨率有关。0.25度角分辨率在较远处形成较稀疏点，对于墙体影响不大，但对于小尺寸物体就有显著影响。比如，为改善环境轮廓，使用1米宽度的参考挡板来构造结构轮廓。当雷达离其较远，且夹角较小时，挡板只有几个点而不起作用。如果挡板附近有料车，挡板甚至不起作用。

=== 4.2.2 远距离点云质量 ===
[[文件:Image-20240628225023348.png|无框|925x925像素]]

'''图 4-11 距离雷达3.6米处的墙体轮廓'''

墙体轮廓直线度与雷达A有差异，平滑性较差，测量点波动较随机。

== 4.3 雷达C ==

=== 4.3.1 墙体轮廓 ===
[[文件:Image-20240628225614328.png|无框|922x922像素]]

'''图 4-12 雷达C的墙体轮廓'''

墙体线段与雷达A相比，平滑性稍差。放大点云测量厚度以定量分析。

[[文件:Image-20240628225906585.png|无框|920x920像素]]

'''图 4-13 墙体点云“厚”度'''

墙体点云的抖动幅度为16mm，在其测量误差指标范围内。<blockquote>提示：两种型号雷达的点云质量有差异时，应定量分析。目视差异可能由分辨率、测量误差构成，大脑擅长创造而不擅计算，因此需要测量以定量分析，然后定性。</blockquote>

=== 4.3.2 近距离金属板 ===
[[文件:Image-20240628230320387.png|无框|923x923像素]]

'''图 4-14 0.5米处的金属板轮廓'''

金属板轮廓有明显毛刺，这和高反材质有关。我们要考察的是近距离高反射材质是否会造成拖影、鬼影，而非测量误差。因此忽略“毛刺”现象，金属板并未造成拖影和鬼影的噪音点，符合预期。

=== 4.3.3 立方体轮廓 ===
[[文件:Image-20240628230701518.png|无框|924x924像素]]

'''图 4-15 距离3米处的立方体'''

立方体长边轮廓清晰，但宽边只有2个点，不能构成"L"型几何特征，宽边也不能用于点云配准。<blockquote>注意：雷达C和雷达A的角分辨率相差不大，宽边问题是激光雷达与宽边夹角太小引起。</blockquote>[[文件:Image-20240628231025569.png|无框|923x923像素]]

'''图 4-16 放大后的立方体点云'''

立方体长边点云质量不错，跳动幅度只有几毫米，点云密度符合角分辨率预期。

== 4.4 雷达D ==
[[文件:Image-20240628231752970.png|无框|918x918像素]]

'''图 4-17 雷达D环境轮廓全貌'''

雷达D安装在一台重载AGV对角上，其两侧的直角线段是车体轮廓，3点钟方向是立库的哑光不锈钢框架，另一侧是车间墙体。

[[文件:Image-20240628232015797.png|无框|920x920像素]]

'''图 4-18 车体轮廓'''

3点钟方向的车体轮廓线为清晰直线，几乎没有起伏。7点钟方向是车头，噪音点是激光扫描到雷达槽下表面的噪音（钣金件表面处理不良，有毛刺，激光雷达装配高度较低而扫描到毛刺）。<blockquote>提示：导航雷达不应该扫描到车体。这种现象说明激光雷达的扫描线与雷达槽干涉，属于设计&装配问题。虽然可用Detour车体编辑器扩大车体而过滤，但是干涉噪音会误触发雷达避障报警。</blockquote>

[[文件:Image-20240628232625811.png|无框|922x922像素]]

'''图 4-19 立库安全围栏轮廓'''

距离激光雷达较近的安全围栏轮廓清晰。

[[文件:Image-20240628232800344.png|无框|920x920像素]]

'''图 4-20 墙体轮廓'''

墙体轮廓是测试雷达中质量最好的，几乎没有起伏，墙角轮廓线干净利落。

= 5. 结果分析 =

== 5.1 应讨论的问题 ==

=== 5.1.1 是否越平滑越好 ===
轮廓线的平滑程度涉及两个因素，一是硬件测量性能，二是滤波算法。我们希望激光雷达能够提供客观测量结果，滤波算法不仅是滤波，还可能有副作用。

[[文件:Image-20240629001819061.png|无框|917x917像素]]

'''图 5-1 平滑且圆滑的轮廓'''

距离雷达2.4米处的轮廓为圆角。

[[文件:Image-20240629002008535.png|无框|918x918像素]]

'''图 5-2 不那么平滑但是锐利的轮廓'''

相同位置，另一个雷达观测的轮廓则是锐利角，其下方另一个轮廓也是直角。

[[文件:Image-20240629002406251.png|无框|921x921像素]]

'''图 5-3 圆润墙角'''

放大另一个雷达，也能看到墙角带着弧线，这也和滤波算法有关。

雷达应该保留细节，比如锐利的直角，不能处理则提供原始数据。平滑问题对SLAM影响不大，但是会影响物体识别，滤波算法部分抹掉了几何特征，这却是识别算法所需要的。

== 5.2 小结 ==
在本报告中，我们通过一系列实验室测试和实际项目调试，对四款不同型号的激光雷达进行了全面的性能测试。测试指标包括角分辨率和成像质量，这两个指标对于激光雷达在室内导航和SLAM系统中的应用至关重要。

测试结果显示，不同型号的激光雷达在角分辨率和成像质量方面存在显著差异。具体来说：

# 角分辨率方面，雷达A和雷达C表现出了较高的角分辨率，能够检测到较小的环境特征，如30厘米宽的立方体。相比之下，雷达B角分辨率较低，对小尺寸物体的检测能力较弱。
# 在成像质量方面，雷达A、雷达C、雷达D的成像质量较好，测量点稳定，噪音点较少。雷达B在近距离高反射材质（金属）附近出现了明显的拖影和噪音点，影响了点云数据的质量。

通过本报告的测试结果，读者可以对不同型号激光雷达的性能差异有更深入的了解，从而为导航型激光雷达的设计和应用提供指导意见。

=== 附录：测试数据 ===
[https://dev.lessokaji.com/index.php?topic=206.0 雷达A]

[https://dev.lessokaji.com/index.php?topic=208.0 雷达B]

[https://dev.lessokaji.com/index.php?topic=205.0 雷达C]

[https://dev.lessokaji.com/index.php?topic=207.0 雷达D]

激光雷达选型测试报告 - 版本历史