Velodyne、禾赛、速腾、Ouster...对比评测

2020年7月，日本科学技术振兴机构JST下属战略创造研究推进事业小组CoreResearchforEvolutionalScienceandTechnology(CREST)联合日本OpenInnovationPlatformwithEnterprises,ResearchInstituteandAcademia（简称OPERA）从市面上直接采购了10款4个品牌的激光雷达做了对比测试。

这10款激光雷达中，Velodyne的有5款，国产禾赛的两款，Ouster的两款，速腾的一款。

第一轮评测对比的是激光雷达感知性能，分5个小选项，分别是二次反射Sec.Reflections、强度偏差Int.Aberrations、光晕Blooming、丢失点MissingPoints、交通标识视觉化LineVisibility。

激光反射不止一次，合理利用能够增加点云密度，但有时强反射目标的二次反射会形成虚像，或许可以通过算法过滤重复点，但最好不要出现。10款激光雷达中只有VLP-32C和OS1-16有二次反射虚像，合理利用多次反射也有可取之处，如已过车规的法雷奥SCALA就是三次反射回波。

强度偏差使反射强度值过大的目标可能导致噪音，激光雷达为增加探测距离和信噪比，就要增加功率密度，就容易出现这种噪音。10款激光雷达中，128线的VLS-128出现在25米内，HDL-64、OS1-64、OS1-16应该是整个可测量范围内都会出现。

光晕类似于阳光强烈时产生的五颜六色的光晕圈，或者像我们用手按压液晶出现的色变，Ouster的两款激光雷达都很明显。

丢失点的原因是有些弱反射目标或小反射面积被忽略了，Ouster的同样很糟糕。

最后是交通标识视觉化识别，主要是车道线，车道线漆面材质与路面差别明显，激光雷达上会有明显反映，路沿和路上的诸如“stop”的字符也是如此，这种物理方式的识别可靠性远高于视觉算法，同时不受光线和浅积水积雪影响。路沿是高度有明显变化，激光雷达能够识别出高度变化。顺便说一句，路沿检测识别立体双目做得更好。

交通标识视觉化分非常好、好、可接受、差、非常差5个级别，VLS-128明显胜出，毕竟它最贵，线束最密集，分辨率最高。禾赛的两款有扭曲失真，但还可以接受。Velodyne最低端的VLP-16表现也不错。

接下来是测量距离精度对比，这里引入RMSE均方根误差概念，又称中误差，衡量观测精度的一种数字标准。亦称“标准误差”或“均方根差”。在相同观测条件下的一组真误差平方中数的平方根。因真误差不易求得，所以通常用最小二乘法求得的观测值改正数来代替真误差。它是观测值与真值偏差的平方和观测次数n比值的平方根，在实际测量中，观测次数n总是有限的，真值只能用最可信赖（最佳）值来代替。

近距离情况下，Ouster和Velodyne的误差比较大，特别是Velodyne老64线激光雷达，这也是现在几乎没人用的原因，而禾赛64线非常优秀，整个测量区域内都很优秀，怪不得国外厂家很多在用禾赛激光雷达。有些激光雷达有效距离近，RMSE过大，已经不计入有效测量范围，Ouster表现很差，64线只有65米，OS1-16只有25米。

接下来是点云数量对比测试，Ouster表现非常糟糕，64线还不如Velodyne的32线，85-120米连16线都不如，更不如禾赛的40线。禾赛表现非常优秀，40线几乎接近Velodyne64线的水准。

车辆点云密度，禾赛的64线压倒了Velodyne的64线，相当惊人。VLP-32C表现也不错。

行人点云密度，VLS在近距离领先，远距离仍然不及禾赛的64线。

很明显，禾赛的40线完全压倒了Ouster的64线，速腾的32线也比Velodyne的VLP-32C要强。

衡量激光雷达反射强度分离度的指标为symmetricKLdivergence(MKL)，这个值越高，证明强度分离性越好，也就可以激光雷达强度值来做点文章，比如物理方式识别车道线，利用强度成像取得灰度图像，做高精度定位或道路标识识别。

左边一列是白色目标与钻石型Diamond目标之间的平均分离度，右边一列是白色目标于Velvet目标之间的平均分离度。Ouster还是表现最糟糕。40线禾赛表现最好。

VLP-16近距离表现最好。

禾赛毫无疑问是第一名，Ouster需要更多努力。这也证明，我国的激光雷达丝毫不次于国外的，中国的月亮一样圆。

文章由易车号作者提供