Lbeo的全称是Lbeo Automotive Systems GmbH，是一家德国的智能驾驶激光雷达系统供应商，既可以提供激光雷达硬件，也可以提供配套的软件算法。Ibeo为自己的激光雷达产品提供点云处理和软件算法，目前支持车道标线、目标物识别，支持的目标物分类包括乘用车、卡车、自行车和行人。
激光雷达的线束越多越好么
激光雷达线束越多就需要更多的能量来发射所有的激光，使用多线数激光雷达会存在能量的问题，供电的电池很快就会耗尽；会存在散热问题；会存在计算资源能力上限的问题，这些数据用于传感器融合时，数据量非常庞大。机械旋转式的多线激光雷达是实现高分辨率探测的一种方法，但从车规和降成本方面考虑，是有瓶颈的。
与人开车类似，当你开车的时候，你的集中观察的区域大约是5度，只要有5度你就能知道发生了什么。如果有一辆车快速地从路边切入，我问你那是一辆什么车，你可能并不知道具体是什么车。但是你可以感觉到有一辆车突然开过来，你可以看到一个影子，并且根据影子变化采取行动。所以适用于自动驾驶的激光雷达，可以智能锁定那些会对本车产生影响的目标物，再把足够多的分辨率分给这个目标物。探测的目标可能很小，比如路上的石头，有时候是一个大卡车。对于大卡车，我们自然不需要那么多的线数，对于路上的石头，如果我知道它在那里，我就可以把探测区域集中在那么一小块，而不需要全环境360度的探测，这种360度3D探测方式下，会有很大的探测区域是天空。
Lebo认为下一代激光雷达——固态3D激光雷达。
自动驾驶需要原始数据层的融合
摄像头、激光雷达、毫米波雷达这三个核心传感器各自提取目标，然后不同传感器间比对，得出一个结果的称为目标级别融合。这种融合方式的问题在于——当不同传感器各自生成目标时，和目标无关的数据就会被丢掉。但实际上这些被过滤掉的原始数据可能包含有意义的特性信息，可以跟其他传感器数据融合，帮助做出更准确的判断。
上图中因为角度的问题，每个传感器看到的红球数量是不一样的。1号传感器检测到一个物体，2号传感器检测到两个物体。于是在传感器融合时出现了无法判断的情况。
传感器融合结果准确与否，很大程度上取决于各个传感器对自己局限性的认识。这些局限性可能包括其他物体的干扰，或者是有隐藏的部分，也可能来自于天气条件的干扰等，因为雷达、激光雷达等在雨天或者雾天的表现各不相同。每个传感器都应该上报自己的局限性，最终，这就意味着每个传感器提供的信息，包括原始数据，其实就是可能性的问题了。
之后，如果有某个固定的标准，每个传感器能够提供包括点云、可能性、可靠性在内相似的信息，你就能据此建立一个数学模型，但该数学模型输出的结果依然只是对目标物体可能性的一种描述，但这已经是一种生成环境模型很好的方式了。这意味着，最后就不存在上述实验可能出现的，到底是一个物体还是两个物体的争议了。但问题在于，这样的数学模型是非常复杂的。绝大多数人在进行传感器融合时，一般开始采取的都是传统的方法。即你可能最开始只有一个雷达，紧接着有摄像头加入，这个时候就要融合雷达和传感器的数据。你可能发现了两种传感器提供数据有分歧，但通常人们是基于具体的使用案例来解决存在的争议的，比如在这个案例中我们主要参考摄像头的数据，因为雷达的数据并没有更可靠，结果就是随着传感器数量的增加，你就无法建立持续性的数学模型，因为它是基于不断进化这个基础产生的。如果采用这个方法来进行传感器融合的话，你可能永远都无法实现L5级的自动驾驶。
那么采取其他截然不同的方法呢？
你首先需要先建立一个数学模型，然后再根据这个数学模型来设计传感器，但不是很多公司会选择这种方法。因为一旦建立了数学模型之后，你就定义了接口（interface），即使有某个传感器失能，你完全可以选择对这些传感器的数据不予理会。
閱讀更多 半杯茶的小酒杯 的文章
