激光雷达点云中的空洞现象是什么原因导致的？

[首发于智驾最前沿微信公众号]很多人在评价自动驾驶传感器时，会把关注点放在性能参数上，比如激光雷达的点云密度够不够高、摄像头的分辨率是否足够清晰、毫米波雷达在雨雾天气下是否依然稳定。

但在真实道路环境中，对于传感器的要求并不只是“看得清不清楚”，还有就是“在关键时刻有没有看丢”。

激光雷达点云中出现的空洞、吸点，本质上正是“看丢”的具体表现，它并不是参数不足，而是传感器在复杂场景下对信息持续获取能力的边界。

激光雷达点云空洞到底是什么

激光雷达（LiDAR）在自动驾驶车上是一个很重要的传感器。

简单理解，它往外发一束束激光，然后等这些光遇到东西反射回来后，靠飞行时间算出距离，再结合发射角度，就能算出周围物体在空间里的三维坐标。

这一系列点组成的数据，我们叫点云。

正常情况下，当激光碰到一个物体并顺利返回的时候，点云上就会有一个对应的点，显示那个物体的一部分。

但是在很多真实路况中，会出现本来应该连续呈现的物体，在点云上却“时有时无”，或者某个区域完全没有点，看起来像一个洞。

这种情况在业内叫做点云空洞。

点云空洞的具体表现就是检测设备在某些方向或距离上没有返回有效的激光回波，使点云出现了间断或者缺失区域。

点云空洞特别容易出现在车辆靠近一些如倒在路上的轮胎、低矮路缘、车底部的小障碍物等低矮物体的时候。

在这种场景下，点云并不会随着靠近目标而越来越密，而是在某些距离段忽然变得稀疏甚至完全掉点。

对于自动驾驶的感知算法来说，这种瞬间断续的点云会让处理变得更难。

图片源自：网络

当感知软件看到一个物体的点云突然断掉，将无法持续追踪这个物体是否存在，也就难以正确判断物体的边界和运动状态。

这种不稳定的输出会让系统对场景理解产生犹豫，从而出现不必要的急刹车或反复减速加速的情况，这不仅非常危险，还会导致非常差的乘坐体验。

为什么会出现点云空洞？

要理解空洞的成因，关键要回到激光雷达的工作逻辑上。激光雷达生成点云的前提是发射光束碰到物体后有足够强的反射返回并被接收器捕获。

如果反射信号根本没有返回，或者返回信号太弱、不符合质量要求，系统就无法判断这个方向上有一个有效的点。这样的缺失在点云上就表现为空洞。

一个常见的原因是物体表面对激光的反射非常弱。不同材料对激光光的反射率差别很大。

像是一些黑色、暗色的软质材料或者纹理很复杂的表面，它们可能吸收了大部分激光光而没有明显反射，导致接收器得不到有效回波。

虽然某些材料在可见光下看起来很明显，但在激光雷达使用的红外波段上，它们的反射率可能很低，这就容易造成点云缺失。

图片源自：网络

还有一种情况是激光回波落在了系统不能正确处理的位置或者时间窗口。

激光雷达内部有一个最短和最长测距范围，在这两个边界之外激光雷达将无法判断回波。

如果物体距离太近，回波返回得太快，可能会落在接收器无法处理的时间盲区里；如果距离太远或者反射信号太弱，也可能因为低于系统的检测阈值而被丢弃。

这个时间和距离盲区在很多低成本型号的激光雷达里是难以完全避免的，它会导致点云在近距离或者特定角度上出现不连续的情况。

很多激光雷达支持单回波和多回波模式。在单回波模式下，如果一个激光脉冲碰到一个物体可能产生多个反射，但设备只会选择其中最强或者最远的一个作为有效点。

这种策略在面对复杂表面或多个反射路径的时候，很可能丢掉一些原本可以利用的回波，从而形成空洞。

双回波模式可以输出多个回波数据，但在实际设备中因为噪声、反射角度以及光学窗口的特性，双回波系统也可能在某些反射条件下遗漏有效点。

激光雷达本身的光学结构和视场设计也会对空洞产生影响。

激光雷达的发射和接收光的过程会通过一个保护视窗，这个视窗虽然看起来透明，但会对不同角度的光有不同的透过率。

在大角度入射或者特殊反射条件下，回波光可能因为折射、漫反射或者能量损失而无法被接收器正常捕获，特别是在视场边缘角度，这种丢点现象更容易出现。

外部环境也会加剧点云空洞的现象。

如果强烈的太阳光直射进入雷达视场，就会让传感器部分单元饱和，这会干扰回波信号的接收和判定，使本来应该返回的点反而丢失。

还有灰尘、雨雪等环境，会对激光的传播和反射产生影响，不同程度上都会让点云出现不连续或者缺失现象。

图片源自：网络

空洞现象对自动驾驶感知的影响

点云空洞只是让点云中一些信号缺失，会对自动驾驶产生什么很严重的影响吗？

在自动驾驶系统里，感知模块负责从传感器数据中识别和定位周围的物体。如果点云在关键位置出现空洞，感知算法就可能误判环境。

举个例子，当激光雷达在追踪一个低矮障碍物时由于点云断裂，系统将无法判断这个物体是不是持续存在。它可能认为障碍消失了，然后又突然出现，这会让决策模块反复进行如减速然后再加速这样的不同的动作。

这种不稳定不仅让乘客坐的不舒服，更可能产生危险。

图片源自：网络

当不同距离的点云数据不连续时，感知算法在估计物体边界、尺寸和位置时也会犯错。比如在判断一个低矮障碍物是在地面上还是离地有微小高度差时，点云的缺失可能让算法误判为不重要的路面起伏，从而忽略这个物体。

点云空洞还会让物体跟踪变得不稳定。自动驾驶感知模块需要在多个时间帧之间连续追踪物体的位置和运动状态，而点云的缺失会让这种追踪像断断续续的线一样，难以给出连续稳定的轨迹预测，这对于动态避障和预测周围交通参与者的行为产生非常大的影响。

此外，路径规划也依赖完整的点云数据。规划模块需要根据点云构建可通行区域的三维模型，如果点云在路面边缘或者障碍物周围有空洞，规划算法可能会误判可通行空间，从而规划出不理想甚至有风险的路径。

如何减少和避免点云空洞

想减少和避免点云空洞，一个最有效的方法就是提升硬件本身的性能。

更高线数的激光雷达、增加光束密度、增强发射功率和接收灵敏度，都能提高激光雷达在复杂表面和角度下获得有效回波的概率。

硬件上做得更好，可以让雷达在面对弱反射材料或者边缘角度时更可靠地捕获回波，从源头上减少空洞的发生。

光学设计也很是一个避免点云空洞的方法，设计更优化的视场光学窗口，降低视窗对不同角度激光的透过损失，能够让回波光更好地进入接收器。

有些激光雷达就在光学设计上花很大功夫，以减少在极端视角下的信号损失。

图片源自：网络

双回波输出和其它增强回波处理策略也是避免点云空洞的一个方向。

传统单回波模式在面对复杂反射时可能丢掉有效信息，双回波模式能同时输出多个回波数据，从而在一定程度上填补单回波可能遗漏的数据。

但这也需要配套的软件和算法来判定哪些回波是真实回波，哪些是噪声。

软件层面的点云预处理也是避免点云空洞的常见做法。很多点云处理算法会在原始回波基础上进行噪声过滤、插值补全等处理，使得因为某些小区域点云缺失引起的数据断层得到一定的平滑或者填补。

还有一些算法基于周围点的几何关系来推测缺失部分，在不破坏整体结构的前提下对空洞进行补全。

环境干扰也是不能忽视的一部分，在设计和安装时，要尽量避免雷达视场直接面对强光源，或者使用滤光设计来减轻环境光对传感器的干扰，这些都有助于提升点云质量。

在多传感器融合系统中，还可以通过摄像头和毫米波雷达的数据来补偿激光雷达在某些场景下的不足，加强整体感知稳定性。

感知算法本身对点云空洞的鲁棒性也很关键。通过融合多个传感器数据、加入时间序列滤波、对点云缺失数据进行降噪和预测等策略，都能让自动驾驶感知链条对空洞现象更不敏感。

最后的话

激光雷达点云空洞看起来像是一个很细微的数据缺失，但它背后反映的是激光雷达物理工作机制和复杂环境交互的真实影响。

在自动驾驶感知中，点云数据的完整性直接关系到物体检测、跟踪和路径规划的稳定性。识别和减轻空洞现象对于提升系统的可靠性至关重要。