二维和三维激光雷达在无人驾驶中均有广泛应用。与三维激光测距雷达相比，二维激光雷达只在平面上扫描，结构简单、测距速度快、系统稳定可靠。但二维激光雷达无法完成复杂路面地形环境，重建行驶环境时容易出现数据失真和虚报等现象。三维激光雷达则可以获得环境的深度信息，准确发现障碍物，构建可行驶区域，在丰富的点云数据上可获得包括车道、路沿等道路要素，还可获得非结构化道路的障碍物和可行驶区域，行驶环境中行人和车辆，交通信号灯和交通标志等其他丰富信息。

　　1）激光雷达适用于道路环境检测

　　向地面扫描的线激光雷达通过所获得的信号强度处理和识别车道线信息。此外，通过三维激光雷达数据获得路沿等信息，映射到2D网格与相机图像信息融合处理，可以获得路面的车道边界。将激光雷达与相机视觉检测的空间/时间数据融合，直播，进行车道估计与跟踪，结合从地图数据生成的车道曲率约束和可参考的车道等信息，则可以获得高可信的车道估计。

图2. 基于激光雷达的结构化道路检测

　　在接收到激光雷达输出的原始点云数据之后，通过坐标转换形成点云的栅格化表述，并从中区分地面点的集合以及地面以上障碍点的集合，完成地面和障碍物分离，形成地面估计与分割。在非结构化的越野环境中行驶，还需考虑包括地面起伏、凸起障碍、负障碍物、水体等多种环境要素，完成可行驶区域检测。

　　图3. 基于激光雷达的可行驶区域检测

　　2）激光雷达可用于行驶环境中的目标检测与跟踪

　　通过对行驶环境中车辆周围的各类目标进行有效检测、跟踪和预测，才能实现跟车、换道和交叉口通行等复杂场景下的安全自主驾驶。由于行驶环境的复杂性，特别是道路中交通拥挤等情况下，车辆间容易互相遮挡以及行人目标较多且行走较难预测等，实现可靠的各类目标检测与跟踪存在较大挑战。

　　在接收到原始点云数据并进行点云栅格化描述、完成地面和障碍物分离以及地面估计与分割的基础上，采用目标聚类方法，通过栅格网叠加以及表面特征匹配，结合目标尺度比较，可确认跟踪列表并进行目标跟踪。其中，采用几何模型和运动模型假设结合的方法进行目标检测跟踪，可以有效地处理目标几何特征不明显的情况下多目标检测与跟踪，结合目标位置、速度以及速度方向的最优估计，容易获得周边车辆和行人的可靠检测。

　　图4. 基于激光雷达的行人检测（iSurestar RFan16雷达数据）

　　3）激光雷达用于地图构建和定位

　　在自主驾驶过程中需要一个厘米级的高精度地图，结合环境模型和传感器场景和交通状况感知，最后进行驾驶决策。这其中，激光雷达起到了地图采集、环境感知和辅助定位等功能。

　　通过采用激光雷达多次行驶获取道路的三维点云数据，进行人工标注，过滤一些点云图中的错误信息，对多次收集的点云数据进行对齐拼接最终形成高清地图。所建立路面模型包含较全的交通标志和交通信号灯，车道线位置、数量和宽度等，道路坡度和斜率等，还包括车道限高、下水道口、障碍物以及其他道路细节。既提供当前道路的静态环境模型，也可以通过预先存储的点云和图像特征数据来提供高精度定位。

　　通过局部点云匹配和全局点云匹配的位置估计方式，获得给定的当前位置情况下观测到点云信息的概率分布，结合对当前位置预测的概率分布，就可以提高无人车定位的准确度。在点云匹配过程中，采用事先获得的3D地图和获得的局部3D点云，通过顶视图的正交投影，转换为一个栅格化的2D反射率和高度网格图，进行两者之间的地图特征匹配计算，可获得高置信率的位置估计。

图5. HERE用于导航定位的高精度地图

　　2.2 面向无人驾驶应用的激光雷达适用挑战

　　1）影响激光雷达精度的外部因素