Lbeo的全稱是Lbeo Automotive Systems GmbH，是一家德國的智能駕駛激光雷達系統供應商，既可以提供激光雷達硬件，也可以提供配套的軟件算法。Ibeo為自己的激光雷達產品提供點雲處理和軟件算法，目前支持車道標線、目標物識別，支持的目標物分類包括乘用車、卡車、自行車和行人。
激光雷達的線束越多越好麼
激光雷達線束越多就需要更多的能量來發射所有的激光，使用多線數激光雷達會存在能量的問題，供電的電池很快就會耗盡；會存在散熱問題；會存在計算資源能力上限的問題，這些數據用於傳感器融合時，數據量非常龐大。機械旋轉式的多線激光雷達是實現高分辨率探測的一種方法，但從車規和降成本方面考慮，是有瓶頸的。
與人開車類似，當你開車的時候，你的集中觀察的區域大約是5度，只要有5度你就能知道發生了什麼。如果有一輛車快速地從路邊切入，我問你那是一輛什麼車，你可能並不知道具體是什麼車。但是你可以感覺到有一輛車突然開過來，你可以看到一個影子，並且根據影子變化採取行動。所以適用於自動駕駛的激光雷達，可以智能鎖定那些會對本車產生影響的目標物，再把足夠多的分辨率分給這個目標物。探測的目標可能很小，比如路上的石頭，有時候是一個大卡車。對於大卡車，我們自然不需要那麼多的線數，對於路上的石頭，如果我知道它在那裡，我就可以把探測區域集中在那麼一小塊，而不需要全環境360度的探測，這種360度3D探測方式下，會有很大的探測區域是天空。
Lebo認為下一代激光雷達——固態3D激光雷達。
自動駕駛需要原始數據層的融合
攝像頭、激光雷達、毫米波雷達這三個核心傳感器各自提取目標，然後不同傳感器間比對，得出一個結果的稱為目標級別融合。這種融合方式的問題在於——當不同傳感器各自生成目標時，和目標無關的數據就會被丟掉。但實際上這些被過濾掉的原始數據可能包含有意義的特性信息，可以跟其他傳感器數據融合，幫助做出更準確的判斷。
上圖中因為角度的問題，每個傳感器看到的紅球數量是不一樣的。1號傳感器檢測到一個物體，2號傳感器檢測到兩個物體。於是在傳感器融合時出現了無法判斷的情況。
傳感器融合結果準確與否，很大程度上取決於各個傳感器對自己侷限性的認識。這些侷限性可能包括其他物體的干擾，或者是有隱藏的部分，也可能來自於天氣條件的干擾等，因為雷達、激光雷達等在雨天或者霧天的表現各不相同。每個傳感器都應該上報自己的侷限性，最終，這就意味著每個傳感器提供的信息，包括原始數據，其實就是可能性的問題了。
之後，如果有某個固定的標準，每個傳感器能夠提供包括點雲、可能性、可靠性在內相似的信息，你就能據此建立一個數學模型，但該數學模型輸出的結果依然只是對目標物體可能性的一種描述，但這已經是一種生成環境模型很好的方式了。這意味著，最後就不存在上述實驗可能出現的，到底是一個物體還是兩個物體的爭議了。但問題在於，這樣的數學模型是非常複雜的。絕大多數人在進行傳感器融合時，一般開始採取的都是傳統的方法。即你可能最開始只有一個雷達，緊接著有攝像頭加入，這個時候就要融合雷達和傳感器的數據。你可能發現了兩種傳感器提供數據有分歧，但通常人們是基於具體的使用案例來解決存在的爭議的，比如在這個案例中我們主要參考攝像頭的數據，因為雷達的數據並沒有更可靠，結果就是隨著傳感器數量的增加，你就無法建立持續性的數學模型，因為它是基於不斷進化這個基礎產生的。如果採用這個方法來進行傳感器融合的話，你可能永遠都無法實現L5級的自動駕駛。
那麼採取其他截然不同的方法呢？
你首先需要先建立一個數學模型，然後再根據這個數學模型來設計傳感器，但不是很多公司會選擇這種方法。因為一旦建立了數學模型之後，你就定義了接口（interface），即使有某個傳感器失能，你完全可以選擇對這些傳感器的數據不予理會。
閱讀更多 半杯茶的小酒杯 的文章
