【W(wǎng)ord版本下載可任意編輯】汽車智能駕駛多光譜激光雷達(dá)的波段分析在汽車智能駕駛系統(tǒng)中，激光雷達(dá)由于其獨(dú)特的三維成像能力，成為場(chǎng)景探測(cè)感知傳感器群組中不可或缺的組成部分。為提升單一波長激光雷達(dá)在物性探測(cè)分類和狀態(tài)上的性能，借鑒多光譜探測(cè)具有物性探測(cè)能力的原理，論文對(duì)適用于汽車智能駕駛的多光譜激光雷達(dá)的波段選擇開展了可行性研究，利用主成分分析法對(duì)智能駕駛中典型目標(biāo)開展光譜計(jì)算及分析。

結(jié)合激光光源特性以及光電探測(cè)器的特性，綜合多光譜激光雷達(dá)波段選擇方法和智能駕駛應(yīng)用場(chǎng)景中典型目標(biāo)地物光譜特性，以及商用激光雷達(dá)的可獲得性，得出了適用汽車智能駕駛的多光譜激光雷達(dá)的波長可以選擇808nm、905nm、1064nm、1310nm，并通過測(cè)試驗(yàn)證了多光譜激光雷達(dá)所選波長的有效性。

為了更好地利用激光雷達(dá)技術(shù)的環(huán)境觀測(cè)能力，國內(nèi)外學(xué)者針對(duì)融合單波長激光回波信號(hào)的強(qiáng)度信息和三維信息對(duì)數(shù)據(jù)開展分類開展了大量研究和探索，當(dāng)前智能駕駛中使用的激光雷達(dá)在技術(shù)上的研究主要集中于單一波長方式工作。

為提升激光回波信號(hào)的強(qiáng)度信息和三維信息對(duì)數(shù)據(jù)開展分類的支持，不斷地提高激光雷達(dá)點(diǎn)云密度，但這些研究并不能從根本上解決車載激光雷達(dá)單一波長所造成的物性探測(cè)能力上的缺陷，點(diǎn)云密度的增加雖可提高基于點(diǎn)云幾何特征的物體識(shí)別能力，但也存在遞減效應(yīng)，且?guī)碇T多額外的系統(tǒng)要求：

1）用于場(chǎng)景識(shí)別的算法日益復(fù)雜化，導(dǎo)致計(jì)算硬件需求劇烈增加；

2）激光雷達(dá)的功耗、復(fù)雜性、體積和成本大大增加，阻礙其大規(guī)模商用；

3）僅依靠三維特征，缺陷以有效識(shí)別復(fù)雜場(chǎng)景。因此，雖然激光雷達(dá)在三維空間信息獲取方面具有突出優(yōu)點(diǎn)，但由于激光雷達(dá)單一波長探測(cè)能力的限制，對(duì)環(huán)境信息中的物性分類、狀態(tài)等方面的探測(cè)能力仍舊有待提高。

光譜成像技術(shù)不僅具有圖像分辨能力，還具有光譜分辨能力，利用光譜成像技術(shù)不僅可以對(duì)待檢測(cè)目標(biāo)開展定性和定量分析，而且還能對(duì)其開展定位分析。針對(duì)目前智能駕駛環(huán)境觀測(cè)中激光雷達(dá)的應(yīng)用及其技術(shù)特點(diǎn)。

為了更好的挖掘出激光雷達(dá)對(duì)環(huán)境感知應(yīng)用的潛力，使激光雷達(dá)技術(shù)在保存空間高分辨探測(cè)能力的同時(shí)，兼具對(duì)環(huán)境中物體物性感知的能力，因此，借鑒多、高光譜測(cè)量具有物性探測(cè)能力的原理，開展多光譜激光雷達(dá)對(duì)環(huán)境物體開展探測(cè)的技術(shù)研究將具有重要的研究價(jià)值和應(yīng)用前景。

1.激光雷達(dá)波長選擇方法

激光波長的選擇原則為：在波長數(shù)盡可能少的情況下，實(shí)現(xiàn)對(duì)不同目標(biāo)分類或同種目標(biāo)不同狀態(tài)的判別，為多光譜激光雷達(dá)的激光器設(shè)置提供依據(jù)。

特征波長的選擇算法經(jīng)過長時(shí)間的發(fā)展,目前廣泛使用的主要有主成分分析法（PrincipalCompo‐nentAnalysis，PCA））、偏小二乘算法（PartialLeastSquares，PLS）、嶺回歸（RidgeRegression，RR）、逐步回歸（StepRiseRegression，SRA）、多元線性回歸（MultipleLinearRegression，MLR）等算法。

其中主成分分析法和偏二乘法是將分析波段內(nèi)的光譜數(shù)據(jù)通過正交變換的方法將原來的多個(gè)參數(shù)轉(zhuǎn)換為少數(shù)主成分的多元統(tǒng)計(jì)方法，對(duì)經(jīng)轉(zhuǎn)換得到的主成分再建立回歸方程，與多元線性回歸、逐步回歸和嶺回歸相比，分析準(zhǔn)確度有所提高，偏二乘法在確定主成分?jǐn)?shù)目上存在缺陷。

而主成分分析算法是將原始波段數(shù)據(jù)的各變量開展正交變換，把原始波段數(shù)據(jù)映射到一個(gè)新的空間，在新空間中，原始波段數(shù)據(jù)各變量的大部分信息經(jīng)過變化后被壓縮在較少的幾個(gè)波段中，這幾個(gè)波段稱之為主成分。

實(shí)際上，這些主成分是原始波段數(shù)據(jù)各變量經(jīng)過線性組合后形成的新變量，這些新變量盡可能多地表征了原始變量所包含的特征信息，且新變量之間互不相關(guān)，即正交。因此，在新變量即主成分?jǐn)?shù)目確實(shí)定上存在著優(yōu)勢(shì)。即便變換后的各主成分的物理意義不明確，但主成分分析法卻很好的實(shí)現(xiàn)了波段降維。

如果所探測(cè)目標(biāo)成分的吸收譜線相互之間沒有交叉與重疊，利用主成分分析方法可以取得較理想的結(jié)果?；谥悄荞{駛應(yīng)用場(chǎng)景中典型目標(biāo)光譜反射曲線的分析，基本上不存在峰值譜線相互交叉與重疊的情況，因此主成分分析法可以用于確定激光雷達(dá)波長的分析。

設(shè)對(duì)m個(gè)波長下的反射光譜重復(fù)開展p次測(cè)量，記為:

成分累計(jì)奉獻(xiàn)率越大，主成分解釋原變量數(shù)據(jù)變化的能力越強(qiáng)，因此該奉獻(xiàn)率是數(shù)據(jù)降維處理的重要指標(biāo)。如果所選成分太多，會(huì)包含過多的測(cè)量噪聲；如果所選成分過少，必然會(huì)丟失原始光譜數(shù)據(jù)中的部分特征信息。

該指標(biāo)的選取根據(jù)不同的應(yīng)用，選用的標(biāo)準(zhǔn)亦有所不同，因此選擇累計(jì)奉獻(xiàn)率Vn大于某一值（經(jīng)驗(yàn)值93%）的前n個(gè)主成分代替原來的光譜，以減小數(shù)據(jù)量，同時(shí)又可以很好的實(shí)現(xiàn)有效的波段降維，但是該方法變換后的主成分的物理意義不明確。

σ的大小反應(yīng)了該波長下有多少信息被映射到了前n個(gè)主成分中，而在主成分信息中，本身就包含了原始光譜數(shù)據(jù)中的大部分特征信息，也就是說σ本身也反映了該波長所包含的信息量，因此，通過結(jié)合累計(jì)奉獻(xiàn)率和因子載荷σ可以確定主成分及相應(yīng)的物理意義。

2.智能駕駛應(yīng)用場(chǎng)景中典型目標(biāo)光譜特性測(cè)試及分析

智能駕駛應(yīng)用場(chǎng)景隨著用途的不同而有所不同，特定場(chǎng)景的智能駕駛項(xiàng)目主要集中在固定路線、封閉園區(qū)方向上，典型應(yīng)用場(chǎng)景包括園區(qū)通勤、碼頭、礦山、倉儲(chǔ)和物流等方面，這些應(yīng)用場(chǎng)景中的目標(biāo)相比照較簡單，類別也比較固定。

目前，相比較特定場(chǎng)景下的智能駕駛，通用場(chǎng)景對(duì)于L4級(jí)別的智能駕駛?cè)匀痪哂泻艽蟮奶魬?zhàn)，在城市公開道路應(yīng)用場(chǎng)景中的目標(biāo)各種各樣，類別也比較復(fù)雜，但總體而言，針對(duì)智能駕駛應(yīng)用場(chǎng)景中的目標(biāo)可以大致分為人類、植物、道路、建筑、車輛等目標(biāo)。

研究行人光譜特性，主要研究穿著在人體上的衣服的光譜特性，常見人類所穿衣物多為棉織物和滌綸織物，根據(jù)圖1（a）所示光譜反射特性曲線可以看出，棉織物在可見光光譜區(qū)間根據(jù)棉織物的顏色不同，會(huì)有著比較明顯不同的光譜曲線，但在光譜超過800nm后的近紅外波段里，棉織物的光譜反射特性基本一致的穩(wěn)定在60%左右，和棉織物的顏色基本上沒有關(guān)系。

從圖1.（b）中所示光譜反射特性曲線可以看出，未染色和染色的光譜特性曲線差異性特別明顯，但染色后的光譜特性曲線在光譜超過800nm的近紅外波段中的其反射率也基本上穩(wěn)定在60%左右。

圖2中所示為**典型植物光譜反射特性曲線，其中在可見光的550nm左右有一個(gè)反射波峰，在680nm附近有一個(gè)吸收波峰，在680~740nm之間，紅邊效應(yīng)明顯，各種植物的反射率急速增加。在近紅外區(qū)域，道路兩旁和道路中間作為綠化隔離帶的植物，其反射率基本上處在35%至60%之間。

圖3中部分曲線為**本地采集的雜草光譜反射特性曲線，與圖2所示**植物的光譜特性一樣，在680nm處均有一個(gè)典型的吸收波峰，紅邊效應(yīng)明顯。

一旦進(jìn)入近紅外區(qū)域，草類的光譜反射率急速增加，超過800nm后基本上穩(wěn)定在40%-50%的反射率范圍內(nèi)，圖4中所示的草地光譜反射特性曲線和圖3中的數(shù)據(jù)基本一致。

根據(jù)圖4和圖5所示的瀝青混凝土道路的光譜特性曲線可知，瀝青路面在近紅外區(qū)域內(nèi)光譜反射率基本上維持在15%左右。水泥路面在近紅外區(qū)域內(nèi)的光譜反射率基本上維持在45%左右。

而裸土土路地面由于各個(gè)區(qū)域中的土地成分差異性比較大，因此其光譜反射率也會(huì)存在著比較大的差異，從圖4和圖5中也能看出來光譜的反射率存在著較為明顯的差異。

道路上行駛的機(jī)動(dòng)車和非機(jī)動(dòng)車，在外表面基本上都覆蓋著油漆，不同廠家，不同品牌，它們采用的油漆工藝和成分并不完全一樣，即便是同一廠家同一品牌，不同批次采用的油漆工藝和成分也有可能不一樣。

因此，道路上行駛的車輛的車身油漆的光譜具有不同的特征，但根據(jù)圖6所示，車輛在近紅外波段里，其反射率超過60%.

3.激光雷達(dá)波長及光源確實(shí)定

通過對(duì)上述智能駕駛應(yīng)用場(chǎng)景中各個(gè)目標(biāo)物體的光譜特性分析，根據(jù)主成分分析法，針對(duì)2151個(gè)波長，開展了13次測(cè)量，根據(jù)公式（1）~（4）計(jì)算開展波段的選取，再根據(jù)公式（7）計(jì)算各自的相對(duì)奉獻(xiàn)率，得出前4個(gè)主成分相對(duì)的奉獻(xiàn)率如下表1所示。

從表1可以看出，采用光譜能量空間變換形式開展主成分分析，前4個(gè)主成分解釋了幾乎93%以上的光譜能量空間變換信息，從而得出適合智能駕駛激光雷達(dá)的敏感波段范圍為780~850nm，880~950nm，1025~1095nm，1285~1405nm。

然而多光譜激光雷達(dá)波長選擇的終確定還需要全面考慮以下幾個(gè)方面：

（1）從地物探測(cè)和識(shí)別能力來說主要考慮兩個(gè)方面，一方面所選擇的波段組合要保持盡可能多的目標(biāo)信息量；另外一方面需要開展判別的目標(biāo)在所選擇的波段組合上類別可分性強(qiáng)。

（2）對(duì)于激光雷達(dá)傳感器的光譜波段選擇，需要考慮以下四個(gè)因素：

a）激光雷達(dá)傳感器的光譜敏感性；

b）研究目標(biāo)的信息盡可能多地包含在所選光譜波段范圍內(nèi)，

c）在選擇的波段范圍內(nèi)是否存在大氣窗口；

d）在選擇的波段范圍對(duì)人眼是否有安全影響。

（3）多光譜激光雷達(dá)傳感器在考慮所研究目標(biāo)光譜輻射特性對(duì)傳感器光譜波段選擇的影響時(shí)，既要考慮研究目標(biāo)在該波段的光譜特征及該波段對(duì)研究目標(biāo)識(shí)別的能力，又要盡可能減小各波段間的相關(guān)性，增加信息量。

在滿足以上3方面的根底上，多光譜激光雷達(dá)的波長設(shè)置還需要考慮激光光源特性以及光電探測(cè)器的特性，綜合多光譜激光雷達(dá)波段選擇方法和智能駕駛應(yīng)用場(chǎng)景中典型目標(biāo)地物光譜特性分析。

根據(jù)激光光源和大氣影響因素兩個(gè)方面的分析，采用ClassI激光器安全級(jí)別，排除掉不適合的波段范圍和波長，終確定多光譜激光雷達(dá)的激光光源可選波長為808nm、905nm、1064nm、1310nm。

其中808nm的激光二極管為舞臺(tái)激光燈中所常用，905nm為當(dāng)前智能駕駛激光雷達(dá)（速騰聚創(chuàng)，Velo‐dyne）中所用，1064nm為激光切割與焊接中所常用的波長，1310nm為光通信常用波長。

4.結(jié)論

通過主成分分析法對(duì)面向汽車智能駕駛在公開道路復(fù)雜應(yīng)用場(chǎng)景中人類、植物、道路，建筑，車輛等目標(biāo)的光譜數(shù)據(jù)開展計(jì)算與分析，