2255
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 Core Research for Evolutional Science and Technology (CREST)联合日本 Open Innovation Platform with Enterprises, Research Institute andAcademia（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 Velodyne 64 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 symmetric KL divergence (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。
下载ECAD模型
