要想通过激光雷达精确获得环境描述并不容易，影响其感知精度的外部因素包括天气，车辆自身的运动状态，随机扰动和传感器安装位置等。其中，雨雪天气容易对激光雷达产生影响，同时周边物体的反射率也影响其正常工作。车辆速度也对所获得的激光点云数据质量有一定影响，特别是高速行驶状态下对激光雷达信息处理实时性要求较高。此外，由于车辆转弯引起侧倾等运动轨迹的变化，车辆轮胎的滑移及地面颠簸抖动引起的一定随机扰动等，也对激光雷达传感器形成的点云数据精度上有一定的影响。激光雷达的安装位置及其俯仰角等，使之可能受到不同的环境干扰。

　　2）面向极端驾驶环境下的适用性

　　由于激光雷达主要依靠激光的漫反射来实现的测距，决定了其在环境感知方面也不是万能的。雾霾天、大雨、大雪等极端天气对激光雷达的检测范围、识别时间等都有较大影响，虽然少量雨或雪可以通过算法的优化来进行信息过滤处理。在雨雪和雾天等情况下，空气中悬浮物会对激光发射和激光的反射检测等环节产生影响，从而影响其检测精度。雨或雾分布密度决定激光与之相撞概率，如图6所示，随着实验雨量增大，其最远探测距离线性下降。

　　图6 下雨量对LiDAR测量的影响

　　激光传感器在夜间表现良好，可在光线较弱情况下的自主行驶中发挥重要作用。福特搭载4个Velodyne32线激光雷达的智能车在亚利桑那州沙漠测试区开展过测试，模拟自动驾驶汽车在夜间车灯突然失灵的极限状况下自动驾驶的安全情况。而冰雪天气，则是激光雷达感知的挑战，道路因结冰或积雪而导致反射特性发生变化，导致激光雷达的检测效果受到影响，从而影响到三维地图的构建；此外，由于积雪覆盖也引起了道路环境的形状和边界发生变化。需要从算法层面对良好天气下构造的精准地图加以利用，在冰雪天气结合已有的地图完成顺利的感知与规划也很重要。

　　图7. 福特开展了夜间和下雪情况下的自动驾驶测试

　　3. 面向无人驾驶的激光雷达产品集成化与智能化挑战

　　现有的无人驾驶传感器配置方案中一般都包括多个2D和3D的激光雷达，这些激光雷达大部分都不是专门针对车载应用进行开发，体积较大且价格昂贵。未来量产应用的车载传感器则要求小型化、集成化和智能化，便于安装、便于标定和使用、提供现有车载总线集成等功能，提高了了应用适用性。总的来说，针对无人驾驶的应用需求，现有激光雷达在产品设计和供应链、小型化和集成化、智能化与算法服务等方面还有待于加强。

　　3.1 现有激光雷达面临产品设计和供应链的挑战

　　国外激光雷达传感器厂商主要有Velodyne、Ibeo和Quanergy等。与Velodyne进行竞争的初创公司有德国Ibeo，美国Quanergy，以色列Innoviz，美国Aerostar，加拿大LeddarTech，加拿大Phantom Intelligence, 美国TriLumina等。

　　图8. Velodyne、Ibeo、Quanergy的激光雷达

　　国内也出现了车载激光雷达产品研究热潮。北科天绘公司在今年5月就推出首款16线智能车用激光雷达（R-Fans16），有效探测距离大于50m（ρ≥20%），扫描视场360°，测距误差优于5cm，并将在年底推出32线升级版本。随后，禾赛科技、速腾聚创等国内初创企业也推出类似激光雷达产品与样机。

　　图9. 北科天绘公司的16线R-Fans激光雷达及其点云信息

　　现有激光雷达在产品设计上面临车规应用严格要求，在供应链上面临规模量产的挑战。需要通过改进设计和核心器件的供应，使得传感器满足规格且价格得到控制。在产品设计方面，要求激光雷达传感器尺寸越小并且容易安装在无人驾驶车上，需要将机械旋转部件做到最小甚至不用旋转器件。例如Velodyne和福特一起发布的32线半固态激光雷达Ultra Puck Auto，将旋转部件做到内部隐藏。Quanergy的全固态S3产品，使用相位矩阵技术，不存在旋转部件。