激光雷达选型测试报告
目录
1. 前言
随着自主移动机器人（AMR）技术的快速发展，激光雷达（LiDAR）作为关键的传感器技术，在室内导航和SLAM（Simultaneous Localization and Mapping）系统中发挥着至关重要的作用。激光雷达的选择直接影响到AMR的定位精度和环境感知能力。因此，为激光雷达选型提供科学、合理的测试方法显得尤为重要。 本测试报告旨在为室内导航激光雷达的选型提供一套测试方法。
本报告的范围包括对激光雷达的关键性能指标进行测试，如角分辨率、成像质量、测量范围等，测试数据来源于实验室测试和项目调试过程。通过这些测试，我们将能够评估不同激光雷达在室内导航应用中的性能，为激光雷达选型提供指导。
本报告将详细介绍测试方法、测试环境和测试步骤，并通过实际测试数据对测试方法进行实例说明。通过本报告，我们希望能够为激光雷达选型提供一套实用的测试框架，帮助工程师和研究人员在实际应用中选择最适合的激光雷达型号，以实现高精度和可靠的室内导航。
2. 测试雷达参数
| 产品名称 | 角分辨率 | 测量距离 | 测量精度 |
|---|---|---|---|
| 雷达A | 0.033°@10HZ | 20m@10%反射面 | ±30mm |
| 雷达B | 0.25° | 10m(@10%反射率) 25m(@90%反射率) | ±20mm |
| 雷达C | 0.025°@15Hz | 15m@10%反射率 30m@90%反射率 | ±20mm |
| 雷达D | 0.17° | 8.7m(10%反射率) 27.4m(100%反射率) | ±19mm |
3. 测试方法
3.1 与选型相关的性能指标
在选择激光雷达时，需要综合考虑角分辨率和成像质量这两个指标。高角分辨率和高成像质量通常意味着更高的成本，但它们对于提高SLAM系统的性能和可靠性至关重要。在实际应用中，可能需要根据具体的环境和应用需求来选择合适的激光雷达。
3.1.1 角分辨率
角分辨率是激光雷达能够区分两个相邻目标的能力的度量。它直接影响到激光雷达对环境特征的识别能力，尤其是对小尺寸物体的测量。高角分辨率意味着激光雷达可以检测到更精细的环境特征，如20厘米宽的立柱。这对于点云配准算法至关重要，因为它需要足够的测量点来准确描述物体的形状和位置。如果角分辨率较低，可能无法提供足够的测量点，从而影响点云配准的准确性。
备注：角分辨率与扫描频率相关，分辨率越高，扫描频率越低。选型时不能只考虑角分辨率指标，还要关注频率，它与最大行驶速度相关。一般而言，AMR的最大（直线）行驶速度是“车身长度 / 10 * 扫描频率“。设一台AMR的长度为1.5m，激光雷达扫描频率为10Hz，其最大行驶速度就是1.5m/s。
3.1.2 成像质量
成像质量是激光雷达输出点云数据的质量指标，它决定了测量点的稳定性和噪音点的数量。高反射材质（如金属）可能会产生强烈的反射，导致测量结果不稳定，甚至产生所谓的“拖影”。这些拖影可能会被视为额外的环境特征，从而干扰点云配准过程。低反射材质则可能产生较弱的信号，导致激光雷达无法检测到这些物体。成像质量直接影响点云数据的质量，进而影响SLAM算法的性能。
备注：性能测试不关注激光雷达与AMR雷达槽的干涉问题，这是机械设计可以解决问题，不应归结为成像质量范畴。
3.2 测试数据来源
雷达A & C在实验室环境测试，测试方法如下：
- 静态测试，不引入运动带来的干扰。搭载测试雷达的AMR停在墙角附近，车身左侧距离墙体约3m， 约3.5m处是一个消防箱，其玻璃门框为高反射材质，用于测试中距离的拖影、鬼影。车身前方约8m是墙角，用于观察墙体点云的稳定性。约5米距离处是W300mmL300mm立方体，用于模拟5米处的细立柱，这种结构常见于车间，比如工字钢支柱。
- 近距离高反射材质。手持宽约1m的金属板，分别在0.5m、1m、1.5m处停留10s，用于模拟高反材质的近距离成像质量（拖影），比如托盘腿于对角雷达的近距离干涉。
雷达B & D数据来自于同一个项目现场，周围环境是墙体和哑光不锈钢（立库与输送线）。
4. 测试记录
点云数据使用Medulla的录制功能留存，测试记录以GIF动图展示，以便读者对测试结果有直观认知，以便选型实践时运用。
提示：Detour会过滤不利于SLAM计算的噪音点，因此我们在Medulla界面观察点云。
4.1 雷达A
4.1.1 墙体轮廓
图 4-1 实验室轮廓全貌
(0, 0)坐标处是激光雷达A，正对3点钟方向，6点钟方向凸起是消防箱。
图 4-2 消防箱附近点云
放大以观察消防箱附近的点云，可见墙体轮廓线清晰，测量点稳定，构成一条清晰的墙体直线，墙体直线未见跳动（性能较差的激光雷达成像质量差，测量点抖动将导致墙体直线出现毛刺，而“增厚”墙体）。
图 4-3 放大后的点云
放大墙体部分，直到看到构成墙体轮廓线的测量点。测量点在跳动，这是激光雷达固有的测量误差，使用Medulla LiDAR view的“测量”工具，测量出跳动范围约6mm。
消防箱的玻璃门未形成拖影（雷达与高反物体边缘连线上的噪音点）和鬼影（强烈反光造成的噪音点，可能形成“凸”向激光雷达的轮廓线，或者泡沫状噪音点）。
4.1.2 近距离金属板
雷达D安装在一台重载AGV对角上，其两侧的直角线段是车体轮廓，3点钟方向是立库的哑光不锈钢框架，另一侧是车间墙体。
图 4-18 车体轮廓
3点钟方向的车体轮廓线为清晰直线，几乎没有起伏。7点钟方向是车头，噪音点是激光扫描到雷达槽下表面的噪音（钣金件表面处理不良，有毛刺，激光雷达装配高度较低而扫描到毛刺）。
提示：导航雷达不应该扫描到车体。这种现象说明激光雷达的扫描线与雷达槽干涉，属于设计&装配问题。虽然可用Detour车体编辑器扩大车体而过滤，但是干涉噪音会误触发雷达避障报警。
图 4-19 立库安全围栏轮廓
距离激光雷达较近的安全围栏轮廓清晰。
图 4-20 墙体轮廓
墙体轮廓是测试雷达中质量最好的，几乎没有起伏，墙角轮廓线干净利落。
5. 结果分析
5.1 应讨论的问题
5.1.1 是否越平滑越好
轮廓线的平滑程度涉及两个因素，一是硬件测量性能，二是滤波算法。我们希望激光雷达能够提供客观测量结果，滤波算法不仅是滤波，还可能有副作用。
图 5-1 平滑且圆滑的轮廓
距离雷达2.4米处的轮廓为圆角。
图 5-2 不那么平滑但是锐利的轮廓
相同位置，另一个雷达观测的轮廓则是锐利角，其下方另一个轮廓也是直角。
图 5-3 圆润墙角
放大另一个雷达，也能看到墙角带着弧线，这也和滤波算法有关。
雷达应该保留细节，比如锐利的直角，不能处理则提供原始数据。平滑问题对SLAM影响不大，但是会影响物体识别，滤波算法部分抹掉了几何特征，这却是识别算法所需要的。
5.2 小结
在本报告中，我们通过一系列实验室测试和实际项目调试，对四款不同型号的激光雷达进行了全面的性能测试。测试指标包括角分辨率和成像质量，这两个指标对于激光雷达在室内导航和SLAM系统中的应用至关重要。
测试结果显示，不同型号的激光雷达在角分辨率和成像质量方面存在显著差异。具体来说：
- 角分辨率方面，雷达A和雷达C表现出了较高的角分辨率，能够检测到较小的环境特征，如30厘米宽的立方体。相比之下，雷达B角分辨率较低，对小尺寸物体的检测能力较弱。
- 在成像质量方面，雷达A、雷达C、雷达D的成像质量较好，测量点稳定，噪音点较少。雷达B在近距离高反射材质（金属）附近出现了明显的拖影和噪音点，影响了点云数据的质量。
通过本报告的测试结果，读者可以对不同型号激光雷达的性能差异有更深入的了解，从而为导航型激光雷达的设计和应用提供指导意见。
