基于深度学习的算法
现在在激光雷达数据目标检测中最常用的算法是基于深度学习的算法，其效果与传统学习算法相比要好很多，其中很多算法都采用了与图片目标检测相似的算法框架。
早期的激光点云上的目标检测和图片上的目标检测算法并不一样，图片数据上常见的HOG、LBP和ACF【10，11，12】等算法并没有应用到点云数据中。
这是因为激光点云数据与图片具有不同的特点，例如图片中存在遮挡和近大远小的问题而点云上则没有这些问题，反过来图片中也并不存在上节中讨论的点云的很多特点。
从2014年开始随着RCNN、Fast RCNN、Faster RCNN、YOLO和SSD【1，2，3，4，5，6，7】等图片目标检测算法的进步，研究者对于检测算法的理解也在不断深入。
研究者发现虽然点云数据与图片数据有很多不一样的特点，但是在鸟瞰图中这两种不同的数据在目标检测的框架下具有相通之处，因此基于鸟瞰图的激光点云的目标检测算法几乎都沿用了图片目标检测算法的思路。
2016年PointNet【8】提出了另外的一种算法框架，其提出了一种在三维空间中与点云顺序无关的算子并结合CNN也在目标分割和识别上得到了很好的效果。
这个方法为三维点云中的目标检测提供了新的思路，即有可能存在一种比基于鸟瞰图算法通用的三维目标检测方法。
如前文所述激光点云数据有一些无法克服的问题，其中最主要的就是稀疏性。提高雷达的线数是一个解决问题的途径，但是现有高线数雷达的成本过高很难真正落地，并且高线数也无法从根本上解决远距离的稀疏问题。
为了解决这个问题一些研究者提出了激光数据和图片数据相融合的方法，这种方法尤其对小物体和远处的物体有很好的效果。
激光点云中目标检测的结果的稳定性也十分重要，传统的检测算法并不特别关注这个问题，其中一个原因是在后续的跟踪和关联算法中可以对检测到的目标的大小、尺寸进行滤波，从而得到稳定的结果。
近几年一些研究者尝试将“稳定算法输出”的任务交给深度神经网络，尝试根据连续的多帧数据对当前帧进行检测，这种方法可以增加算法输出结果的稳定性，减少后续跟踪算法的复杂程度，提高整个系统的鲁棒性。
接下来会介绍一些在基于单帧激光数据、图片和激光融合以及基于连续多帧激光数据这三个方面具有代表性的算法。
1 基于单帧激光雷达数据的方法
Zhou提出的VoxelNet是一个在激光点云数据中利用图片深度学习检测框架的很好的例子【13】。其先将三维点云转化成voxel结构，然后以鸟瞰图的方式来处理这个结构。这里voxel结构是用相同尺寸的立方体划分三维空间，这里每个立方体被称为voxel即体素。举一个空间划分的例子，如果点云中的点在三维空间满足
(x,y,z) ∈ [-100,100] x [-100,100] x [-1,3]
当设定voxel的尺寸为(1,1,1)时可以将空间划分为2002004 = 160000个voxel。很多论文中称这种结构的维度为2.5维，如果把每个格子都看成一个像素那么这是一种类似二维图片的数据结构，而每个voxel的内部是三维空间结构。
图1：VoxelNet的算法流程图VoxelNet有两个主要的过程，第一个被称为VFE（Voxel Feature Extraction）是voxel的特征提取过程，第二个是类似YOLO的目标检测过程。在VEF过程中所有voxel共享同一组参数，这组参数描述了生成voxel的特征的方法。论文中VFE的过程由一系列CNN层组成如下图。
图2：VoxelNet算法中VFE部分的流程图VFE过程的结果是每个voxel都得到了长度相同的特征，将这些特征按照voxel的空间排列方式堆叠在一起形成了一个4维的特征图，以上面的例子来说特征图的尺寸为(200，200，4, l)，这里l是voxel的特征长度。
在目标检测过程中其首先将voxel特征通过三维卷积压缩成3维的形式(200，200，l’)，然后对得到的特征图进行目标检测。和二维图片检测相比VoxelNet不仅要给出物体中心的二维坐标和包围盒的长宽，还需要给出物体中心在Z轴的位置、物体的高度和物体在XY平面上的朝向。
VoxelNet在实际使用中有两个问题：首先在VFE过程中因为所有的voxel都共享同样的参数和同样的层，当voxel数量很大时在计算上会引入错误或效率问题，一些神经网络的框架例如Caffe在bn和scale层的实现时没有考虑到这点，需要使用者自己去做调整；其次三维卷积操作的复杂度太高使得这个算法很难在自动驾驶车辆上实际使用的硬件设备上满足实时性要求。
Yang提出的PixorNet算法可以在一定程度上解决上述问题【14】，首先其没有VFE的过程，而是用手工设计的0-1的布尔变量和像素的反射强度表示每一个voxel，即每个voxel由两个数值表示。其次PixorNet从4维到2维做的简单的线性映射，即按照某种固定顺序将(200，200，4, l)整理成(200，200，4*l)的结构。
与VoxelNet相比PixorNet可以节约非常多的计算量，从而达到实时性的要求，但是因为其手工设计的特征过于简单检测效果不是特别好。
上述方法主要在鸟瞰图上进行目标检测，Qi提出了PointNet和PointNet++可以在三维空间中直接做分割和识别任务【8，9】。
PointNet首先为点云中每一个点计算特征（下图中1024维），然后通过一个点云顺序无关的操作（下图max pool）将这些特征组合起来得到属于全体点云的特征，这个特征可以直接用于识别任务。而将全局特征与每个点的特征组合到一起形成的新特征可以用于点云分割任务中。
图3：PointNet的算法流程图PointNet在计算点的特征时共享一组参数，这一点和VoxelNet很类似因此也有与之相同的问题。另外PointNet主要提取了所有点云组成的集合的全局特征，而没有提取描述点与点之间关系的特征。将PointNet的方法类比到二维图片中，可以看出其与传统卷积神经网络的区别，即PointNet中没有类似卷积的操作。
PointNet++主要解决的就是这个问题，其尝试通过使用聚类的方法建立点与点之间的拓扑结构，并在不同粒度的聚类中心进行特征的学习。
图4：PointNet++的算法流程图这种方法确实比PointNet在分割算法中有所提高，但是将其直接用于检测算法却不能得到较好的结果。主要原因是在PointNet的结构中很难设计anchor。现在图片中的检测算法一般需要先在稠密的二维空间中提取anchor，然后再对anchor不断过滤、回归和分类。但是在PointNet++中处理的是稀疏的点云，在点云中很难确根据一个点确定物体的中心位置。
2 基于图片和激光雷达数据的方法
从融合的时间点来看，多特征融合方法大致可以分为两类：前融合和后融合。前融合首先将不同来源的数据的特征进行融合，然后对融合后的特征进行处理得到检测的结果。后融合中不同特征分别经过独立的过程得到检测结果，然后再将这些结果融合到一起。
两种方法各有优劣，前融合能够更好的挖掘不同特征之间的联系从而得到更好的检测结果，而后融合从宏观来看具有更强的系统稳定性，当部分感知设备出现故障时只要还有一个设备在工作，那么就不会让整个感知系统崩溃。
本节主要介绍一些前融合的相关算法。
近几年出现了很多图片和激光雷达数据融合的方法。Chen提出了MV3D的方法，其首先在不同数据上提取特征图，然后在点云的鸟瞰图中做三维物体检测，之后将检测的结果分别映射到鸟瞰图、Range Image和图片中，通过roi-pooling分别在三种特征图中进行特征提取，最后将提取到的特征融合在一起再做后续的处理【16】。这个方法中检测过程只在鸟瞰图中进行，融合了鸟瞰图、Range Image和图片这三类数据源的特征。
图5：MV3D的算法流程图Qi提出的FPointNet方法也使用了类似的思路，首先在图片上做物体检测，然后找到对应的物体的点云【18】。得到每个物体的点云之后，采用了类似PointNet的思路对物体的点云进行特征提取。
图6：FPointNet的算法流程图这两个方法具有一定的共通之处：都具有似于FasterRCNN的两段式（two-stage）检测方法的串行过程，即先在某一种数据的特征图上进行物体的检测（这个过程也称为proposal），然后根据检测到的结果再在其他的数据中提取特征。这类方法的问题在于第一步proposal的过程并没有引入其他的特征。上面讨论过对于自动驾驶的检测任务来说，召回率是非常重要的指标，而这类算法的召回率的上限直接与某一种数据类型绑定，并没有很好地达到自动驾驶目标检测中特征融合的目的。
Liang提出了一种将图片特征融合到鸟瞰图中的方法【19】。其核心思路是：对于鸟瞰图中每个位置首先在三维空间中寻找临近的点，然后把将这些点根据激光雷达和摄像机标定信息投影到图片特征图上，最后将对应的图片特征和点的三维信息融合到鸟瞰图对应的位置中。融合后的结果是得到了一个具有更多信息量的鸟瞰图的特征图。
这个特征图中除了包含自带的点云信息还包含了相关的图片信息。后续的分割和检测任务都基于这个特征图。这个方法中虽然还是在鸟瞰图中对物体进行检测，但是由于此时特征图中还包含了图像信息，因此从理论上来说可以得到更高的召回率。
图7：图片特征与点云特征融合的算法流程图3 基于多帧激光雷达数据的方法
为了得到较稳定的检测结果，可以在后处理中增加约束、也可以在跟踪算法中进行滤波。这些方法可以看作通过手工设计一些操作以减少各项检测结果的方差，从现有的理论上来看，通过学习类算法自动设计相关操作应该有更好的效果。Luo利用深度神经网络在鸟瞰图中通过连续帧的数据进行目标检测【20】。
其建立了一个“多入多出”的结构，即算法的输入是过去连续帧的鸟瞰图，而算法的输出是当前时刻和未来连续时刻的物体位置。Luo希望通过这种结构让网络不仅仅学习到物体在鸟瞰图中的形状，还可以学习到物体的速度、加速度信息。其步骤如下：
设当前帧为i并设定时间窗口k，选取第i-k+1帧到第i帧的点云，并将这些点云根据GPS/IMU的信息映射到第i帧的坐标系下；
分别提取这k帧点云的特征；
融合这些特征；
输出第i帧和未来若干帧物体的信息，并建立轨迹。
这个方法可以在减少物体检测的噪声、增加召回率同时增加检测结果的稳定性。例如当道路上某辆车突然被其他其他的车辆遮挡，由于前面若干帧中是存在这个车的点云的，所以此时是可以通过网络猜测到其当前真实的位置。
当被遮挡的车辆逐渐脱离遮挡区域时，虽然历史时刻中没有其对应的点云信息，但是当前时刻存在其点云，所以同样也可以检测到其位置。
这篇文章从一定程度上证明了这样做的可行性，但是还有一些方面值得继续挖掘：更好的特征融合的方式、每次不重复提取帧的特征以及更好的处理轨迹的方法等。
总结
本文介绍了自动驾驶中常用的激光雷达的成像原理及其生成数据的特点，并简单描述了相关的目标检测的数据结构和算法。基于激光雷达数据的目标检测不是一个很新的领域，但是随着在深度学习的广泛运用以及自动驾驶的兴起，这个领域在这几年不断出现更好的方法。下表是对本文中提到的方法的简单的总结。表中感知范围一栏表示约束算法检测范围的最主要的传感器。
在实际中设计相关算法时一般不是完整地应用其中某一个方法，而是首先采用某个方法的工作流程作为主体框架，然后根据在实际情况中遇到的问题再不断地对其进行修改。
从长远来看，激光雷达未必是自动驾驶系统中必须的设备，因为多角度摄像头的图片结果理论上可以做到周围空间的三维感知。但是就现阶段来说，激光雷达还是一种非常可靠的感知手段。
随着工艺的进步，激光雷达的线数和可视范围会逐渐增加。对于目标检测算法来说，高线数激光雷达的数据一定比低线数雷达的要好，但是高线数也对算法的速度有着更高的要求，所以相关算法的效率的提高可能会是一个研究的方向。
由于激光雷达的本身的特性，小物体、远处物体和被遮挡物体的点云相对稀疏，提高这种情况下算法的效果可能会是相关研究的另一个方向。实际应用中激光雷达目标检测可能面临的问题更多，包括但不仅限于高效的数据标注、处理不平坦的地面、不同天气的影响、不同物体材质的区分、算法效果与复杂度的权衡、算法效果的评估等等。
希望这些问题可以随着技术的发展逐步得到解决，未来可以真正实现安全便捷的自动驾驶。
