如何处理自动驾驶激光雷达点云畸变？

[首发于智驾最前沿微信公众号]激光雷达作为自动驾驶系统中的核心感知传感器，通过发射激光脉冲并接收反射信号，能够实时构建出周围环境的高精度三维轮廓。激光雷达在获取环境信息的过程中，并不像高快门相机拍摄瞬间照片那样简单。像是旋转式激光雷达，每一帧完整点云的生成都需要经历一个持续的扫描周期，这一周期通常在一百毫秒左右。

在这漫长的一百毫秒内，自动驾驶汽车并不是静止不动的，它会处于持续的位移与旋转之中。这意味着，当激光雷达扫描这一圈的起始点时，车辆处于一个姿态，而当它旋转扫描到结束点时，车辆已经行驶到了另一个位置并可能发生了角度偏移。如果感知系统直接将这些在不同位姿下采集到的点绘制在同一坐标系中，就会导致严重的几何形变，这种现象在行业内被称为激光雷达的自运动畸变。

如果不经过去畸变处理，车辆所感知的世界将变得扭曲且不真实，原本笔直的道路边线会呈现弧形，竖直的路灯柱会发生倾斜，而停在路边的车辆则可能被拉伸成诡异的长条，这不仅极大干扰了后续的障碍物检测与分类，更将直接威胁到自动驾驶路径规划的安全性与准确性。

激光雷达扫描机制与运动畸变的物理本质

要深入理解去畸变的必要性，必须从激光雷达的底层扫描逻辑谈起。机械旋转式激光雷达依靠内部电机的转动，带动激光发射和接收模组进行全周向扫描。以常用的十赫兹扫描频率为例，雷达每旋转一周需要一百毫秒。在这段时间里，激光束按照极高的频率不断发射，并在击中物体后返回。每一束激光返回时，传感器记录的是相对于此时刻雷达中心点的距离和角度。

由于车辆在行驶过程中始终带有速度和角速度，激光雷达的坐标原点在每一束激光发射的瞬间其实都在发生位移。这就好比一个人在飞驰的高铁上拿着画笔在窗户上描绘窗外的风景，如果画笔移动的速度不够快，由于火车的位移，画出来的树木必然会横向拉长。

图片源自：网络

激光雷达的扫描方式在计算机视觉领域与“滚动快门”效应类似。在相机中，如果感光元件是逐行曝光的，当拍摄高速移动的物体时，图像就会发生倾斜或扭曲。激光雷达的每一个点都可以看作是一个独立的、在微秒级别完成的采样。将数万甚至数十万个带有不同“时刻”的点强行整合进一帧数据中，本质上是忽略了时间的连续性的。

自运动畸变的大小与车辆的相对速度、旋转角速度以及激光雷达的扫描帧率密切相关。在高速公路场景下，如果车辆以每秒三十米的速度行驶，在一百毫秒的扫描周期内，车身已经前移了三米。如果此时不对第一个采样点和最后一个采样点进行空间上的对齐，那么点云中反映出的障碍物位置偏差将达到数米之巨，这对于需要厘米级精度的自动驾驶系统来说是不可接受的。

除了车辆自身的运动，环境中的动态障碍物也会导致额外的形变。当激光雷达扫描一辆迎面而来的高速车辆时，由于目标物也在移动，雷达对其表面的采样点分布会受到双方相对速度的叠加影响。如果相对速度极快，目标车辆在点云中的几何轮廓会被显著压缩或拉长，这种“动态物体畸变”会导致物体识别算法将原本正常的车辆误判为其他异形物体。

目前主流的去畸变技术侧重于消除车辆自身的自运动畸变，而针对其他动态物体的实时形状修复则是当下感知领域的前沿研究课题。在多雷达耦合的硬件架构中，如果各传感器之间的运动补偿步调不一致，不同雷达产生的点云在融合后会出现严重的重影和分层现象，这对于环境地图的构建和定位精度将产生灾难性的后果。

运动类型

关键影响参数

典型畸变表现形式

对感知系统的影响

修正关键数据源

匀速直线运动

车辆前向速度

静态物体沿行驶方向拉伸或缩短

测距误差增大，物体长度判断失准

高频轮速计或惯导系统

快速转弯运动

车辆横摆角速度

环境点云发生整体扭转，直线变弧线

车道线识别失败，路径规划偏差

陀螺仪数据

路面颠簸/俯仰

俯仰角速度

扫描平面上下抖动，地面出现台阶状

虚假障碍物产生，高度估计错误

惯性测量单元(IMU)

动态目标相对运动

目标物相对速度

目标轮廓形变，出现“拖尾”现象

分类模型失效，轨迹预测偏差

多帧联合估计或4D雷达

时间同步与高频轨迹重建的技术基石

点云去畸变的核心在于“空间对齐”，而实现空间对齐的前提是拥有精确到微秒级的“时间标尺”。在自动驾驶系统中，各传感器拥有独立的内部时钟，由于硬件晶振的温漂和处理延迟，如果不进行统一，即便算法再优秀，也无法将激光点的采集时刻与车辆的精确位姿匹配起来。

为了解决这一问题，自动驾驶系统会引入全球导航卫星系统（GNSS）作为绝对的时间源。GNSS接收机通过发射每秒脉冲（PPS）信号，强制拉齐计算平台与激光雷达的时钟。在每个秒脉冲到来的时刻，激光雷达会结合串口发送的GPRMC报文，将其内部计时器清零或校准到标准的协调世界时（UTC）。这种硬件级别的同步确保了每一个产生的激光点都带有一个可以追溯到全球标准时间的时间戳。

图片源自：网络

随着车载网络架构向以太网演进，精密时间协议（PTP）正逐渐成为主流。PTP协议能够在不需要额外PPS物理连线的情况下，通过网络报文的收发和硬件辅助打桩，在整个以太网链路内实现亚微秒级的同步精度。这种高度一致的时间基准，为后续的传感器融合提供了统一的语境。在激光雷达内部，每一条扫描线、甚至是每一个具体的采样点，都会被贴上一个精准的时间偏移量。这个偏移量会告诉系统，这个点是在本帧开始后的第几微秒捕获的。

有了准确的时间戳，接下来需要重建车辆在一百毫秒扫描周期内的连续运动轨迹。像是组合惯导（INS）这类的车辆定位系统，一般只能以一百或两百赫兹的频率输出位姿，这意味着在两次位姿输出之间，车辆依然行驶了数厘米甚至更远。为了获得每一个激光点时刻的精确位置，算法必须通过数学手段在离散的定位点之间进行“补洞”。线性插值是最简单的方案，它通过假设车辆在短时间内做匀速运动，计算出激光点的位置。虽然对于直线行驶而言这个方式可以达到足够精确的程度，但当车辆出现转向或遭遇路面冲击时，线性插值将无法捕捉到加速度的跳变。

为此，高性能的去畸变方案通常采用基于四元数的球面线性插值（SLERP）来处理旋转运动。SLERP能够保证旋转过程中的角速度恒定，生成的姿态变换比简单的欧拉角线性插值更加平滑，且能有效避免旋转矩阵在计算过程中的正交性退化问题。

还有更进阶的算法甚至会引入连续时间轨迹估计技术，使用三阶B样条曲线或高斯过程来描述车辆的运动。这种方法将位姿表达为时间的连续函数，不仅可以查询任意时刻的坐标，还能直接推导出车辆的瞬时速度和加速度，从而极大提升了去畸变处理在复杂动态环境下的适应力。

从线性转换到反向传播

点云去畸变在算法上也经历了从简单到严密的演进。最初的处理方法相对“粗放”，即在获取一帧点云后，根据本帧开始和结束时的位姿差，对中间的所有点进行一次性的线性补偿。这种方式虽然运算量极小，但在车辆进行非匀速运动时，其边缘处的残余误差依然很大。

随着感知需求的提升，点对点补偿成为行业标配。在这一过程中，每一个激光点都会根据其唯一的时间戳，通过插值算法寻找其对应的瞬时变换矩阵。通过将该点的坐标左乘这个变换矩阵，就可以将其从采集瞬间的局部坐标系转换到一个统一的参考坐标系下，这个参考系通常被设定为本帧扫描开始或结束那一刻的雷达中心位置。

开源算法LOAM及其优化版LeGO-LOAM提供了一套极其巧妙的逻辑。它们并不是被动地等待定位系统的输入，而是将去畸变与里程计解算结合成一个闭环。算法首先利用上一帧的运动参数对当前帧进行一个初步的去畸变预测。在这个“预处理”后的点云上，算法提取出具有代表性的边缘特征点和平面特征点。通过将这些特征点与已有的局部地图进行几何匹配，算法能够反推算出车辆在当前帧内的精确位姿变化。

图片源自：网络

这种迭代的过程能够不断压缩去畸变的残余残差，使得最终生成的点云图不仅没有扭曲，而且能与地图实现完美的重叠。LeGO-LOAM特别针对地面车辆进行了优化，通过预先分割地面点云，剔除了由于路面杂草、落叶等噪声点导致的运动估计偏差，极大地增强了算法在变动地形中的稳定性。

进入紧耦合时代后，FAST-LIO2等算法引入了更为先进的反向传播补偿机制。与传统的“向前预测”不同，反向传播利用高频IMU数据记录下的完整运动轨迹，从本帧结束时刻开始，逆向计算出每一个采样点相对于帧尾位姿的偏移。这种方法的优势在于它能捕捉到极短时间内的非线性运动，可以处理车辆经过减速带时的剧烈颠簸的场景。

通过在流式处理过程中直接对原始点云进行重映射，FAST-LIO2还避开了繁琐的特征提取环节，直接利用全量原始点进行地图匹配。这不仅减少了计算延迟，还使得系统在特征稀疏的隧道或开阔场地中依然能保持极高的定位频率。为了应对海量点云带来的计算压力，此类算法还会搭配如ikd-Tree这类的高效的空间索引结构，它支持动态的插入、删除和负载均衡，确保了去畸变后的点云能以超过一百赫兹的速率更新到全局地图中。

从数学逻辑上看，去畸变本质上是一次复杂的坐标变换。对于点云中的任一点Pi，其在雷达原始坐标系下的坐标为Li。我们需要求得该点在某一参考时刻（设为t0）的坐标Wi。变换过程涉及雷达与IMU之间的外参矩阵TL_I，以及车辆在ti时刻相对于t0时刻的运动矩阵Tti_t0。

具体的计算逻辑可以描述为，将点从雷达坐标系转换到车体坐标系，随后应用基于插值得到的瞬时位姿矩阵进行空间补偿，最后再将其转换回统一的传感器参考系。需要注意的是，这一过程必须保证旋转部分的计算具有单位正交性。如果简单地对旋转矩阵的各项进行线性加权，会引入数学上的奇异性，导致点云在大幅度转向时发生崩塌。因此，通过四元数或者李代数（LieAlgebra）进行平滑插值是保证算法数学严谨性的关键所在。

空间补偿的深度融合与感知系统的未来趋势

点云去畸变的完成标志着感知流程中“原始数据准备”阶段的结束。然而，去畸变的效果如何评价，以及它如何影响后续的神经网络模型，是感知系统设计必须面对的问题。

研究表明，由于点云的扭曲改变了物体的反射特征分布，网络可能会将一辆正常的小汽车识别成障碍物甚至是漏检。在未去畸变的点云上直接运行目标检测网络，会导致物体的置信度得分大幅下降。因此，去畸变不仅是几何意义上的修复，更是为深度学习模型提供一份符合物理常识的输入。

在多传感器融合架构中，去畸变后的点云能与摄像头图像实现更加精准的空间重叠，这使得系统可以利用图像的颜色和纹理信息来增强点云的语义分类能力，从而实现对远距离细小目标的可靠识别。

图片源自：网络

去畸变过程本身其实也可以反向为系统提供信息。举个例子，某些前沿研究利用单帧点云中的运动畸变特征来直接推算物体的速度。既然自运动会导致点云拉伸，那么通过神经网络学习这种拉伸模式，系统甚至可以在不依赖多帧跟踪的情况下，仅凭一帧数据就判断出路口来车的相对速度。

这种将“畸变”化敌为友的思路，催生了4D激光雷达感知技术。在这种语境下，每一个激光点不仅带有X、Y、Z三维坐标和强度信息，还带有一个瞬时的径向速度分量。这对于处理高速公路上变道穿插的车辆具有极高的预警价值。

随着固态激光雷达的兴起，去畸变的侧重点其实也在发生改变。固态雷达其实具有极高的采样频率或采用全局快门的曝光方式，自运动畸变对其影响相对较小，但其复杂的扫描图案（如非重复性扫描）对空间标定提出了更高要求。

未来的去畸变框架将更加模块化，能够根据接入雷达的不同扫描特性，自动选择最优的补偿步长和运动模型。同时，在极端场景下（如隧道中GNSS信号长时间丢失、IMU发生不可预知的漂移），系统如何仅依靠激光雷达自身的扫描相关性来维持运动轨迹的连续性，是实现全天候自动驾驶的安全底线。

最后的话

激光雷达点云的去畸变处理可以将杂乱无章、随车而动的原始采样信号转化为一份稳定、规整的环境底图。它涉及到从卫星授时、惯性导航到李群李代数等多个学科的深度融合。正是因为有了这套精密的时间对齐和空间转换机制，自动驾驶车辆才能在高速行驶的动态世界中，看清每一条车道线的走势，判别每一个灯柱的位置，并做出安全、理性的判断。去畸变技术的每一次进步，都在缩短感知与真实物理世界之间的距离，也都在为自动驾驶的早日大规模落地铺平道路。