激光雷达

　　目前，轮式机器人的研究中已经大量使用激光雷达辅助机器人的避障导航，考虑到使用成本，一般二维激光雷达使用较多，如下图。由于只能扫描一个平面，如果想用二维激光雷达获取环境三维点云，则需要通过移动机器人或加装机械结构提供第三个维度的支持。 　　激光雷达扫描时可以想象成将超声波传感器发出的声波替换为激光并高速回转扫描，如此就能大概构建出附近的物体轮廓，这个过程非常像潜艇上使用声纳探测周围物体。当然，由于激光雷达使用激光而不是声波，它的探测过程不仅极短，而且能弥补声波广角发散的缺点（激光不易发散，锥度角很小）。激光雷达工作时会先在当前位置发出激光并接收反射光束，解析得到距离信息，而后激光发射器会转过一个角度分辨率对应的角度再次重复这个过程。限于物理及机械方面的限制，激光雷达通常会有一部分“盲区”。使用激光雷达返回的数据通常可以描绘出一幅极坐标图，极点位于雷达扫描中心，0-360°整周圆由扫描区域及盲区组成。在扫描区域中激光雷达在每个角度分辨率对应位置解析出的距离值会被依次连接起来，这样，通过极坐标表示就能非常直观地看到周围物体的轮廓，激光雷达扫描范围示意图可以参见下图。 　　激光雷达通常有四个性能衡量指标：测距分辨率、扫描频率（有时也用扫描周期）、角度分辨率及可视范围。测距分辨率衡量在一个给定的距离下测距的精确程度，通常与距离真实值相差在5-20mm

AUTOWARE架构 传感层（Sensing） 计算层（Computing） 感知（Perception） 定位（Localization） 检测（Detection） 预测（Prediction） 决策（Decision） 智能（Intelligence） 状态（State） 规划（Planning） 任务规划（Misson） 运动规划（Motion） 执行模块（Actuation） 本文参考了https://github.com/autowarefoundation/autoware/wiki/Overview 主要描述了Autoware的整体框架和模块描述，主要包括传感模块（Sensing），计算模块（Computing）和执行器模块（Actuation）三大模块。计算模块下又包含了感知过程（Perception），规划过程（Planning）和决策过程（Decision）三大过程。 传感层（Sensing） Autoware支持相机（Camera），激光雷达（LiDAR），惯导（IMU）和GPS作为基础传感器，并提供了多种传感器的驱动 Autoware支持多个相机，但是每个相机需要被分配到独立的工作，同时不支持将多张图像融合成为一张图像（即不支持全景拼图） Autoware的传感器部分主要基于激光雷达，也支持毫米波雷达用于长距离的目标跟踪

近年来，激光雷达技术在飞速发展，从一开始的激光测距技术，逐步发展了激光测速、激光扫描成像、激光多普勒成像等技术，如今在无人驾驶、AGV、机器人等领域已相继出现激光雷达的身影。随着无人驾驶、机器人等领域的兴起，国内外陆续涌现出一批激光雷达公司， 鉴于激光雷达在各领域的重要地位，本文对16家知名激光雷达公司进行了各个维度的盘点。 据调查，目前大部分企业都以无人车、机器人及无人车领域激光雷达为主要研究方向。而传统机械式激光雷达已逐渐向固态激光雷达方向转变。在价格方面，无人驾驶领域的激光雷达少则上万，多则几十万元，普遍要高于机器人及AGV等领域价格。而机器人领域的激光雷达相对来说售价更低，国内思岚科技及玩智商等企业已低至上百元。在未来，固态、小型、低成本激光雷达将是各企业的着重发力点。 国外激光雷达公司产品概况 国内激光雷达公司产品概况 激光雷达赛道争宠 各领域“头号玩家”花落谁家 从下表中我们可以看到，目前各家公司在激光雷达研发中都有其深耕的一个或多个领域，在激光雷达群雄逐鹿的赛道中，各领域的“头号玩家”究竟花落谁家。 各企业激光雷达应用领域细分 机器人领域 机器人领域，目前所涉及的企业包括了国外的Sick 、Ibeo、Hokuyo、Trimble以及国内的思岚科技、速腾聚创、禾赛科技、北醒光子、玩智商、镭神智能。在这众多企业中，思岚科技无论是从价格、寿命还是性能上来说都具有领先优势

毫米波 通常大气层中水汽、氧气会对电磁波有吸收作用，目前绝大多数毫米波应用研究集中在几个“大气窗口”频率和三个“衰减峰”频率上。所谓的“大气窗口”是指电磁波通过大气层较少被反射、吸收和散射的那些透射率高的波段。如图3，我们可以看到毫米波传播受到衰减较小的“大气窗口”主要集中在35GHz、45GHz、94GHz、140GHz、220GHz频段附近。而在60GHz、120GHz、180GHz频段附近衰减出现极大值，即“衰减峰”。一般说来，“大气窗口”频段比较适用于点对点通信，已被低空空地导弹和地基雷达所采用，而“衰减峰”频段被多路分集的隐蔽网络和系统优先选用，用以满足网络安全系数的要求。 24G、77G、79G毫米波 24GHz雷达系统主要实现近距离探测（SRR），77GHz雷达系统主要实现中远距离的探测。 77GHz是汽车前向远程探测的主流方案，而24GHz主要用作车后向和侧向的近程探测。 近程少用77G是因为24G技术已经比较成熟，而更高频硬件设计会更难成本更高。 频率 24GHz 77GHz 来源： CSDN 作者： 糟心的事太多，唯有写作可以解忧！ 链接： https://blog.csdn.net/weixin_44124323/article/details/103910682

　　不那么贵的激光雷达才是未来。 　　近日，自动驾驶里激光雷达的最早玩家 Velodyne 宣布停止在中国市场的直销业务。这一事件是国产激光雷达的胜利通告还是自动驾驶行业的寒冬信号，见仁见智。 　　几乎同时，12 月 23 日，饮冰科技宣布完成数千万元 Pre-A 轮融资，确定无疑地宣告：资本和从业者坚信自动驾驶和激光雷达拥有十分光明的未来。 　　新智驾独家获悉，饮冰科技的本次投资由京信供销基金、清研资本、满京华集团、纳维资本共同完成。 　　作为自动驾驶用激光雷达领域的后来者，在自动驾驶乃至整个汽车行业遇冷之际能够获得上述机构的投资和加持，在某种程度上体现了这家公司过硬的技术实力。 　　<strong>成立 3 年，航天标准研制</strong> 　　成立于 2016 年的饮冰，称得上是激光雷达行业的一匹黑马。 　　作为饮冰的天使轮投资方，清研资本于本轮继续加注，清研资本投资总监王睿向新智驾这样介绍饮冰的核心团队： 　　饮冰的创始团队来自中科院、清华大学等单位，长期服务于航天和军工，拥有十多年的激光雷达产品研发经验，参加过多项国家重点项目，在光电、半导体领域有着丰富的经验。 　　有着这样的技术背景，获得资本的青睐也不足为奇。 　　2019 年初，饮冰对外推出了三款激光雷达：16 线、32 线和 64 线。此次 Pre-A 轮融资将支持饮冰将三款产品的商业化，加速激光雷达的生产

1、SLAM简介 location:(L):在给定地图的情况下，估计机器人的位姿 Mapping(M):在给定机器人位姿的情况下，估计环境地图 S LAM： 同时 估计机器人的位姿和环境地图 SLAM解决的问题：（1）机器人在环境中的位姿（2）导航过程中需要的环境地图 1.1 SLAM 分类 静态环境：尺度地图：滤波器、图优化 拓扑地图：大环境 混合地图 SLAM框架 ： 前端：地图构建。后端：优化 误差 ~ 0 图优化：Graph-based SLAM Node：机器人的位姿 Edge：节点之间的空间约束关系 Graph：表示SLAM的过程 滤波器：Filter-based SLAM 状态预测(State Prediction)（里程计） 测量预测(Measurement Prediction) 进行测量(Measurement) 数据关联(Data Association) 状态更新 & 地图更新(State & Map Update) 2、2D-激光SLAM 室内：二维激光雷达 室外：三维激光雷达 传感器：惯性测量单元(IMU) -- 测角度 轮式里程计(Wheel Odometry) --测距离 激光雷达(Lidar) 地图类型 ：覆盖栅格地图(Occupany Grid Map) 点云地图 帧间匹配算法 ICP(Iterative Closest Point) NDT

研华EKI-2728交换机拆解 BCM53118 RTL8380M 前几天写了上面这篇拆解文章，本来以为交换机没啥区别， 今天居然就撞了墙，是这样的： 3个激光雷达连接到自制的交换机， 交换机芯片用的微芯的KSZ9897，然后连到研华交换机， 工控机也挂到研华交换机上。 之前用的老型号的研华交换机(芯片博通的BCM53118)，工控机访问雷达数据没有问题， 雷达配置网页秒开， 帧率到10。 用新的研华交换机(芯片瑞昱的RTL8380M)，出现激光雷达配置网页打开异常缓慢或者很难打开， 帧率不稳， 降到0 2 3 6帧不等， 丢包严重。 激光雷达不经过KSZ9897, 直接接到新老型号研华交换机都没有问题。 iperf单独测试KSZ9897，BCM58113， RTL8380M千兆均不丢帧。 问题来了， KSZ9897和RTL8380M级联为什么会出现问题？有经验的观众老爷路过请不吝赐教， 万分感谢ʘᴗʘ 来源： CSDN 作者： weifengdq 链接： https://blog.csdn.net/weifengdq/article/details/103671849

作为激光雷达鼻祖的Velodyne，正式决定裁掉中国北京的办公室超过20名员工，包括直销团队和部分技术支持，并且将其销售模式，从直销模式恢复到刚进入中国的“代理模式”。 这意味着，Velodyne基本放弃了中国市场。原因在于， 激光雷达 领域，Velodyne的产品已经不是中国自动驾驶公司的唯一选择，中国的激光雷达公司包括禾赛、速腾、大疆、innovusion等公司的产品，成为了自动驾驶公司的选择。 值得一提的是，在Velodyne传出IPO消息的时候，中国的激光雷达初创公司禾赛和速腾被其以侵犯专利为由向美国法庭提起了诉讼，此前，Velodyne将另一家激光雷达Quanergy以同样的专利提起了诉讼，官司进行了超过4年。 随后，有消息显示，Velodyne在2019年底前IPO的计划已经终止。在IPO的当口，撤出中国市场这样的大动作，几乎不太可能发生，这从另一个角度也佐证了Velodyne IPO终止的信息的准确性。全球激光雷达市场，迎来了巨变。中国激光雷达公司，迎来证明自己的最好机会。 Velodyne的全面败退 Velodyne此番被裁员的中国北京办公室，不仅仅是负责Velodyne中国市场的销售和售后，还负责新加坡、韩国、日本等亚太其它国家和地区的销售和售后服务。在此前，Velodyne一度宣布获得了现代的L3级别自动驾驶的订单。 根据消息显示

文章来源: 无人机搭载激光雷达的效率

这几天在做谷歌cartographer算法实现，前两天实现了谷歌cartographer室内建图的实现，不过所建之图是基于谷歌提供的博物馆的数据，我们只是将数据包下载之后复现而已，并不是我们自己实验室或者周围的地图，由上一篇博客 点击打开链接 实现的建图我们可以看到，在没有里程计等其他传感器的协助之下，仅仅依靠激光测距仪和算法就完成了效果甚至优于其他多传感器结合的2D地图，如此优秀的开源我们当然希望能用在我们自己的机器人或者传感器上，而不是仅仅做一下仿真。于是拿实验室的EAI的激光雷达F4来进行实验室建图。网上的教程有基于rplidar,北洋雷达，hokuyo UTM-30LX实现的，但没有找到F4的相关教程。于是自己经过摸索实现了其建图。仅供大家参考，不对之处还望指正。 系统要求：Ubuntu16.04（kinetic）或者Ubuntu14.04（indigo）都行 硬件要求：EAI激光雷达F4以及与电脑相连数据线，笔记本一台。 1.激光雷达的调试 使用命令在当home目录下创建 flashgo_ws 工作空间,并将 F4 资料包内的 ROS 驱动包 flashgo 复制到 flashgo_ws/src 目录下,切换到 flashgo_ws 工作空间下并重新进行编译。 $ mkdir -p ~/flashgo_ws/src $ cd ~/flashgo_ws $ catkin