在評估汽車激光雷達系統(tǒng)對周圍空間的感知水平時，制造商通常認為確定其探測距離很有價值。為了優(yōu)化安全性，車載計算機系統(tǒng)應(yīng)盡可能早地探測到障礙物。從理論上講，速度決定了控制系統(tǒng)是否可以計劃和執(zhí)行及時的規(guī)避措施。AEye認為“探測距離”這個指標(biāo)是必要的，但還不夠。感知系統(tǒng)應(yīng)該能對目標(biāo)進行分類并將準(zhǔn)確及時的信息傳遞給控制系統(tǒng)。
最重要的不僅是有多快能探測到目標(biāo)，而且有多快能識別出目標(biāo)并進行分類，從而做出威脅級別決策并計算出適當(dāng)?shù)捻憫?yīng)。單點探測無法與噪聲進行區(qū)分。因此，我們使用行業(yè)內(nèi)對探測的通用定義，即每幀和/或多幀之間的相鄰拍攝的持久性。我們要求每幀（在相同探測距離內(nèi)有五個點）和/或從多幀之間（連續(xù)五幀的一個相關(guān)點）對一個目標(biāo)進行五次探測，以驗證探測到了有效的對象。在20Hz時，定義一次簡單的探測需要0.25秒。
當(dāng)前，分類通常在感知堆棧中進行，對目標(biāo)進行標(biāo)記，并最終對其進行更清晰的識別。此數(shù)據(jù)被用于預(yù)測行為模式或軌跡。傳感器提供的分類屬性越多，感知系統(tǒng)確認和分類的速度就越快。AEye認為，評估這種關(guān)鍵汽車激光雷達能力的更好方法是影響“目標(biāo)分類距離”的能力。該指標(biāo)減少了早期感知堆棧的未知數(shù)，如與噪聲抑制相關(guān)的等待時間，從而確定了重要信息。
作為相對較新的領(lǐng)域，尚未確定汽車激光雷達分類所需數(shù)據(jù)量的定義。因此，我們建議使用視頻分類的感知標(biāo)準(zhǔn)作為參考定義。根據(jù)視頻標(biāo)準(zhǔn)，采用的分類是基于對象的3 x 3像素網(wǎng)格。在此定義下，可以通過汽車激光雷達系統(tǒng)以多快的速度生成高質(zhì)量、高分辨率的3 x 3點云來進行評估，使感知堆棧能夠理解場景中的物體和人物。
對于傳統(tǒng)激光雷達系統(tǒng)而言，生成3 x 3點云是一項艱巨的任務(wù)。盡管許多系統(tǒng)都宣稱可以在一秒鐘內(nèi)顯示100萬點甚至更多的點云，但這些圖像均勻性不佳。對于分類而言，這些固定采樣模式可能很難完成，因為域控制器必須每秒處理100萬個點，這在許多情況下與所涉及目標(biāo)的關(guān)鍵采樣所需的分辨率無法平衡。如此廣泛的點樣本意味著它需要執(zhí)行其它解釋，從而占用大量CPU資源。
圖4：在探測物周圍排列密集的3 x 3網(wǎng)格可以收集更多有用的數(shù)據(jù)，并大大加快分類速度。在左側(cè)的“掃描1”（scan 1）中，對車輛進行了一次探測。無需等待下一幀對該車輛進行重新采樣（如傳統(tǒng)激光雷達的典型操作），而是快速形成動態(tài)ROI，如“掃描2”（scan 2）所示。在初始單次探測之后和完成下一次掃描之前，將立即執(zhí)行。
回到“搜索、采集和采取行動”的架構(gòu)中，一旦我們獲得了目標(biāo)并確定其是有效的潛在威脅，我們就可以分配更多拍攝進行分類，并在需要時采取行動。另外，如果我們確定目標(biāo)不是立即威脅，我們可以更全面地詢問該目標(biāo)以獲取其它分類數(shù)據(jù)，或者每次掃描拍攝幾次就可以對其進行簡單跟蹤。
實際用例：無保護左轉(zhuǎn)彎
對不同目標(biāo)需要不同響應(yīng)。在具有挑戰(zhàn)性的駕駛場景尤其如此，例如在高速行駛過程中的無保護左轉(zhuǎn)彎。想象一下，在四車道道路上的自動駕駛汽車，其時速限制為100公里/小時，在兩條行車道上進行無保護左轉(zhuǎn)彎。在迎面而來的交通中，一條車道有摩托車，另一條車道有小轎車。在這種情況下，目標(biāo)分類距離至關(guān)重要，在足夠的距離內(nèi)將一個目標(biāo)分類為摩托車，高速行駛的自動駕駛汽車會更加謹慎，這是由于摩托車行駛速度較快且路徑不可預(yù)測。
實際用例：校車（特殊目標(biāo)）
在特定距離對目標(biāo)進行分類的意義比即時響應(yīng)更為重要。一個很好的例子就是遇到一輛滿員的校車。該目標(biāo)被歸類為校車的速度越快，自動駕駛車輛啟動適當(dāng)協(xié)議的速度就越快——減慢車速并部署其它工具，如在校車周圍區(qū)域增加瞬時分辨率（觸發(fā)式ROI），以立即捕獲兒童朝車道移動的任何動作。此功能可用于警車、救護車、消防車或任何需要自動駕駛車輛改變詢問場景、改變速度或路徑的特殊車輛。
結(jié)論
在本文中，我們討論了減少同一幀內(nèi)對目標(biāo)探測時間差至關(guān)重要的原因。由于需要捕獲同一點/目標(biāo)的多次探測才能完全理解該目標(biāo)或場景，因此對于汽車激光雷達來講，目標(biāo)重訪速度是比幀速率更為關(guān)鍵的指標(biāo)。
另外，我們認為分辨率是不夠的。量化瞬時分辨率更加重要，因為智能、高靈敏度的分辨率更有效，并且可以通過更短的響應(yīng)時間提供更高的安全性，尤其是在將ROI與卷積神經(jīng)網(wǎng)絡(luò)配合時。
最后，我們證明了探測距離這個指標(biāo)遠遠不夠，目標(biāo)分類距離（即識別和分類目標(biāo)的速度）更為重要。僅僅量化傳感器可以探測到潛在目標(biāo)的距離還不夠。還必須量化從實際事件發(fā)生到被傳感器探測的延遲，并加上從傳感器探測到CPU決策的延遲。在此架構(gòu)下，激光雷達系統(tǒng)可提供的屬性越多，感知系統(tǒng)的分類速度就越快。
