在传感器性能指标方面，除了要求视场角覆盖、角分辨率、检测精度和距离等指标之外，还要求信息采集处理的实时性。此外，要改变现有激光雷达生产中的紧密光学器件的校准等繁琐环节，减少标定过程的人工介入，从而降低人工和器件的成本。

　　3.2 激光雷达传感器的集成化和智能化挑战

　　1）面向无人驾驶的激光雷达配置与安装

　　如图10所示，参加2007年DARPA Urban Challenge比赛的Stanford 大学“Junior”无人车辆配备2个侧向的SICK LMS 291-S14激光雷达和1个前向的RIEGL LMS-Q120激光雷达提供3D道路结构和车道标线检测，并进行车辆高精度定位。1个车顶64线Velodyne HDL-64E激光雷达用于障碍物和移动车辆检测，形成水平方向360度和垂直方向30度视域的扫描数据，由车尾的2个SICK LDLRS激光雷达和前保险杠2个 IBEO ALASCA XT激光雷达进行视野补充。5个安装在前格栅的BOSCH长距离雷达（LRR2）提供周围移动车辆的检测信息。Junior无人驾驶方案中，充分体现了激光雷达传感器的重要性。

　　图10. DARPA Urban Challenge 中的 Junior 无人驾驶车辆及其传感器配置

　　同样，在2016年参加中国智能车未来挑战赛的无人车，也大多安装了高精度的多线激光雷达。车顶64或32线的Velodyne激光雷达，前向不同角度的摄像头分别负责车道线、行人、红绿灯。前脸保险杠处增加4线或8线激光雷达以及毫米波雷达，车尾配置毫米波雷达用于变道辅助。百度在本月的乌镇互联网大会上展示最新的无人驾驶车辆，在车辆顶部有64 线激光雷达、3个环绕车顶的16线激光雷达、位于车顶前方的两个视觉识别摄像头、以及车前方的毫米波雷达组成，辅以 GPS 高精度地图在车载计算中心的控制下，实现无需人类操作决策的机器自动驾驶。

　　图11. 参加2016年挑战赛的无人车和百度无人车均搭载多个激光雷达

　　激光雷达的嵌入式安装方式容易导致的传感器检测范围受到遮挡，需要采用多点布置的方式进行检测视角覆盖。车顶安装的64线激光雷达可以形成60米左右360度视角覆盖，车辆正前方、正后方、左前方和右前方安装的4线、8线激光雷达。安装在险杠附近的前向方低线束4～8线的长距激光雷达，用于检测远距的前方车辆和障碍物等信息。安装在车辆左右两侧（车顶侧或车尾侧）的激光雷达，可以对侧向车辆、障碍物、车道和路沿等路面进行检测，形成视角的覆盖与冗余。在现有技术基础上，如能将激光雷达与车载其他传感器进一步集成，则可简化方案，如图12所示。

　　图12. 车载传感器集成与智能化

　　2）面向无人驾驶的激光雷达智能化挑战

　　激光雷达传感器如果能够结合传感器特点进行原始数据的预处理，提供云数据处理结果，提供从硬件到处理软件的一体化方案，有效降低用户门槛，提高应用广度。Velodyne输出的原始数据中，除了位置和距离信息，还包括目标反射密度信息。如果厂家能提供进一步的算法，判断出目标的反射率信息，用于辅助目标的识别，例如确定众多检测目标中的交通标志牌。再结合相机有针对性地识别标志牌内容，则可以减少算法成本。Ibeo的软件方案则包括算法端设计，可直接输出周围车辆、行人、障碍物、路面等检测到的环境信息。

　　4. 激光雷达传感器的标定与测试

　　4.1 激光雷达参数与繁琐的标定过程

　　大部分激光雷达中，通过电控扫描方式控制线阵中每个激光二极管（Laser Diode - LD）发射脉冲激光，经发射光路整形，激光脉冲到达目标表面并返回，经接收光路接收，聚焦到对应光电传感器（APD）并转换为电信号，电信号处理，测距、测灰度；激光探测模块中32元通过电控扫描在竖直方向次第测量，同时围绕竖直轴做360°旋转扫描；所采集原始数据计算生成激光三维点云，数据上传并实现对激光点云数据同步处理。其中，多个步骤涉及精密光学器件的调校，光学收发透镜需要精确设计，这些环节比较费时费力。

　　图13. Velodyne的64线激光雷达内部结构

　　1）车载激光雷达的标定