(鉴定为水刊 综述 老板让看的)
Abstract：
野外自动驾驶陆地车辆的负面障碍是指路面上的坑洼、沟渠、悬崖、坑或任何类型的障碍物，但不是以可见的方式，它给车辆或潜在的乘客带来风险，甚至给环境带来风险。 自主陆地车辆正在前进。这些负面障碍会对自动驾驶陆地车辆造成严重损坏，包括车辆悬架损坏、侧翻，甚至自动驾驶车辆丢失。障碍物检测是避免任何风险的第一步，能够警告附近的障碍物以避免可能出现的任何类型的危险是极其重要的。 近年来，已经发表了几篇关于不同类型的危险或障碍以及避免它们的不同方法的文章。作者报告了如何更好地了解环境，从而使自动驾驶陆地车辆远离危险。一些危险可能是，与另一辆车相撞，撞到行人，不认识道路上的交通标志，离开计划的路线或车道，或者当他们发现障碍物时没有刹车。使用不同类型的相机进行图像识别，以及使用超声波传感器和光探测与测距 (LiDAR) 传感器，或者部分或全部传感器的组合，广泛应用于自主陆地车辆领域。大部分研究工作都是在积极（正障碍物）的障碍物检测中进行的； 即道路上方的障碍物。然而，负面障碍的检测和避免仍然较少探索。因此，详尽回顾了 LiDAR 传感器在检测自动陆地车辆中应用的负面障碍物方面的最新技术，以及用于识别和分类不同类型坑洼、沟渠的不同技术 ，坑。

1. introduction:
光探测（相机）和测距 (激光雷达LiDAR) 传感器广泛应用于许多领域，例如农业 [1]、考古学 [2]、机载机器人 [3]、自动驾驶汽车 [4] 等。自动驾驶汽车 (AV) 是可以在没有人工指导或在受监督的环境中执行某些任务的机器人 [5]。AV 必须了解环境及其危害，其中一种危害是负面障碍物，它们被定义为在地板表面下方发现的障碍物，例如坑洼、沟渠、洞或坑 [6]、[7]。在文献中，负障碍物检测根据使用的传感器类型分为三种。第一种，使用红外热像仪。 在第二种类型中，使用两个摄像头来构建三维 (3-D) 立体视图。最后，激光雷达用于检测正面和负面障碍物 [8]。 在 [9] 中提到，LiDAR 传感器使用一种方法将激光（通过受激辐射的光放大）发射到目标上并测量反射回来的光，以识别反射光的波长和到达时间的变化。它生成精确、高质量，有时（取决于激光雷达的类型）它所使用环境的三维地图。典型的 LiDAR 系统包括扫描仪、激光器，有时还包括 GPS（全球定位系统）接收器。LiDAR 传感器可以生成包含数百万个点云的数据集。必须对这些要点进行处理和分析才能理解它们。 该过程可以是分割、建模或分类等技术。点云的处理和分析取决于应用程序。 这个过程需要计算方法以自动、高效和快速的方式检测、识别和分类感兴趣的区域 [10]。

本文介绍了使用 LiDAR 进行负障碍物检测的最新技术。 它还报告了自动驾驶陆地车辆如何使用这项技术来检测和避免这些负面障碍。首先，介绍了 LiDAR 的基本概念，接下来，本文回顾了用于识别负面障碍物的不同技术及其在使用 LiDAR 的自主陆地车辆中的应用。最后，在第 4 节中，总结了 LiDAR 传感器当今面临的局限性和挑战的概述。

2.LiDAR FEATURES AND CONCEPTS
下面介绍激光雷达的基本概念。 LiDAR 是一种主动传感器，可以通过发射激光来照亮环境。通过处理从反射表面接收到的激光返回，该测量是准确的。 [11].激光雷达生成了一张环境地图，这张地图可以保存在扩展名为“.las”或“.laz”的文件中，最后一个扩展名比“.las”具有更好的压缩率。LiDAR 地图用于环境的检测、分类、跟踪和预测 [11]。

2.1 Measurement principle
激光扫描仪由激光束的发射器/接收器和扫描装置组成[12]。 LiDAR 背后的设计原理是光的反射。产生激光束（以近红外波长发射）并将其发送到环境中，以计算激光发送时刻与激光返回时刻之间的时间。这种情况一直重复，直到构建出复杂的表面地图。 计算距离的公式在等式 1 [9] 中给出。


2.2 Types of scanning systems
（老板让看的，鉴定为水刊）
一般来说，有两种类型的 LiDAR：机载和地面，地面 LiDAR 主要执行水平扫描，通常在 1-D、2-D 或 3-D 中覆盖 360 度。 主要区别在于扫描模式系统和使用的激光束数量。 有些扫描模式依赖于机械旋转或固态 [11]。
a）机械旋压：目前最流行的车载激光雷达扫描方案是机械旋压系统。 该系统如图 1 所示。前者通常包含一个笨重的旋转镜系统 [9]、[11]

b) MEMS LiDAR：微机电系统 (MEMS) LiDAR 技术允许制造 LiDAR 传感器系统，本质上无需移动部件，MEMS 反射镜是嵌入在芯片上的反射镜。 MEMS 系统如图 2 [11]、[13] 所示。

c）闪光：闪光激光雷达采用二维探测器阵列探测目标返回的激光脉冲。最初应用于航天器自主着陆和与卫星对接。 闪光激光雷达可以在几公里高度的下降阶段生成地形的 3D 地图。 3D 闪光激光雷达去除了扫描系统中的旋转部件。 该系统如图 3 [11]、[13]、[14] 所示。

d）OPA（光学相控阵）：作为一种真正的固态激光雷达，光学相控阵不包含移动部件。 当前典型的 OPA 仅允许在 1-D 中控制激光束。 市场上还没有商业产品[11]、[15]。 基本原理如图 4 所示。

2.3 Accuracy, resolution, and point density（精度、分辨率和点密度）
激光仪器的典型精度为 ±1.5 厘米，最大距离约为 800–1,000 米 [12]

LiDAR 扫描仪的分辨率是定义系统可以获得的细节级别的参数。 它分为距离和角度（或空间）分辨率： (a) 距离分辨率是测距仪分辨同一视线上两个物体的能力； (b) 角分辨率是在相邻视线 [12]、[16] 上分辨两个物体的能力。

对于地面激光雷达，点密度通常在 50 到 10,000 点/平方米之间。 该参数主要取决于光束波长、材料类型（反射面的颜色和粗糙度）、土壤湿度和入射角。 波长范围在 500 到 1,700 纳米之间。 对于地面 LiDAR，捕获范围通常随着波长的增加而增加，如果表面的反射率很高，则从几米到 2,000 米。

**3.TECHNIQUES IN NEGATIVE OBSTACLES A THOROUGH LITERATURE REVIEW **
（消除负障碍物的技巧 一个彻底的文献回顾）

激光器是一种产生和发射高度准直、定向、相干和同相电磁辐射光束（或脉冲序列）的设备 [12]。

LiDAR 最常用的应用之一是生成 3D 地图，在这一部分我们可以找到不同实现的发展，例如将图像与激光范围数据结合起来构建户外地图 [17]，必须共同注册两种不同的模式。 激光反射图像的每个像素都用其对应的相机强度 3D 坐标进行编码，经过复杂的后处理，我们获得了这两种模态生成的 3D 地图。

在户外，我们还需要扫描街道和街道两侧的土地，这具有重要的地形学应用，可以了解表面的情况，以构建任何建筑作品。 对于这种需求，可以使用机载传感器 [18] 捕获数据，这种方法可以提高数据的准确性，并结合其他传感器，生成比传统方法包含更多信息的地图。

LiDAR 的另一个广阔领域是自动驾驶汽车。 在这种机器人中，我们需要使用一种新颖的形式来感知多变的环境。 现在激光雷达在实现中存在很多问题，这就是研究人员寻找替代品或新阵列来解决典型问题的原因。 一个大问题是负面障碍，这可以通过将 LiDAR 放置在其他位置和方向来解决 [5]。 这种布置允许以更好的方式检测其他类型的障碍物，改进了普通位置的传感器可以感知的形式。

设置 LiDAR 传感器的一种新颖方法是将其安装在有角度的底座上。 通过这种布置，可以有效地检测街道和障碍物。 采用正常布置，无法检测到负面障碍物 [8]。

另一方面，我们可以找到使用这种传感器的机器人模型，例如配备了 Kinect 的“turtlebot”，这些机器人具有不太复杂的 LiDAR [6] 该机器人通过一种算法首先分析表面的不同点，然后结合 图像，它可以检测出消极或积极的障碍物。 我们对每个障碍都有一个算法。

负障碍物的检测有类似的检测方法，如[19]中我们可以发现，使用LiDAR扫描仪只需要将一条光线与前进进行比较，这样，我们就可以计算出差异 一种几何形式。

所有这些应用程序都需要与不断变化的环境进行交互。 最难控制的事情之一是街道上的光线变化，在晚上使用近红外 LED 照亮传感器 [19] 前面的地形是有效的，在这种情况下，映射算法的使用不变 .

在下面的论文 [7] 中，我们发现这个组在来自原始图像的校正图像和对应于道路的视差图像中具有两个感兴趣区域，对这两个图像块执行所有操作以检测负面障碍物思考 负障碍需要在道路平面上。 这使他们能够在更小的领域内应用他们的算法。

在障碍物中，检测词存在多个传感器像激光或相机等，可以检测负/正障碍物，但为了获得最佳测量质量，LiDAR 是测量范围内最精确的传感器，LiDAR 基于算法评估的物理信息是 高度可靠 [11]。 LiDAR 结合摄像头解决了它存在的识别问题。

这种负/正障碍物的另一个问题是，安装在移动底座中的传感器无法检测到远距离的障碍物，而底座的速度对于实时检测障碍物至关重要，例如考虑小型车辆 一个比普通紧凑型汽车小 4-5 倍的底座，检测的最大速度应为 2.5 m/s，使用激光 Hokuyo UTM-30LX [20]。

所有这些方法都考虑了带有主要传感器的 LiDAR，但对于小型项目，LiDAR 可能负担不起。 我们有一个简单的激光器，它只能在一维中进行检测，但是通过实施一系列伺服系统，使激光器具有一定的机动性，我们可以从空间中的这些讲座中生成一种 3D 地图 [21] 并使小型应用程序负担得起 以较慢的速度。 仅使用几个伺服电机、一个一维激光器和一个微控制器来实现。 该地图是通过获取 X、Y 和 Z 轴之间的角度并围绕所有空间进行扫掠而生成的。

此外，在智能车辆中，我们可以在没有 LiDAR 的情况下使用两种类型的传感器“态势感知和遥测”进行自主传导，态势感知传感器为车载计算机提供有关其周围世界的信息。 遥测传感器提供有关车辆本身的信息状态。

借助 GPS、IMU（惯性测量单元）以及作为遥测传感器的获取轮速和作为情境传感器的距离传感器，我们可以将这些传感器的讲座准确地融合到自动驾驶汽车实现中[22]。

一件没有被高度考虑但很重要的事情是，我们不会一直在柏油路上，有时车辆需要在越野街道上行驶，因为这种情况和我们在路上有洞的集料 水“水障碍”和不规则表面的领域考虑到所有这些都必须投影为一条直线，拥有一种生成 LiDAR 直方图的技术很重要，完成这项工作后，我们可以将危险和障碍整合到 一个简单的框架 [23]。

不规则表面的另一种应用是雪。 使用 LiDAR 除了拥有地图外，它还可以计算积雪深度，减去无雪和积雪的两个数据集，然后将两个云插值到公共网格并减去网格的值 [24]。 此应用程序在雪季最严重的国家很有用。

所有这些信息的简要结论是，LiDAR 作为一个独特的传感器根本不起作用，但通过两组传感器的组合，它可以覆盖盲点。 大致两组传感器是“态势感知传感器”和“遥测传感器”。 态势感知传感器（LiDAR、RADAR、超声波和摄像头图像）为车载计算机提供有关其周围世界的信息。 它们主要有助于路径规划，提供构建车辆周围世界虚拟模型所需的信息。 遥测传感器（GPS、IMU 和轮速传感器）提供有关车辆本身的状态信息 [22]。 这组传感器的实施最大限度地发挥了所有传感器的能力，同时最大限度地减少了它们固有的错误来源。

考虑到负面障碍，我们可以看出这是一项复杂的任务。 光照度的变化，这些障碍物的多种形式，以及将其中一种障碍物与地板的另一种缺陷区分开来。 我们可以实现的一件事是获得负面障碍物的热特征，整个晚上内部通常比周围地形更暖和，使热特征成为夜间负面障碍物检测。 在热像仪和 LiDAR 的帮助下，我们可以使用任何 LiDAR 算法检测负障碍物的候选物，并通过比较负障碍物候选物与其余障碍物的温度来确定这个障碍物，这与结合的算法 这两个特点[25]。 特别是在夜间难以检测到的负面障碍物，它们以低亮度强度进行伪装。 但是传感器阵列也不完美，例如在雨天或雪天用雪或水覆盖障碍物的热信号，该方法不可用 [26]。 但在这些条件下，它可能是具有负面障碍的解决方案的重要组成部分。

以更好的方式检测负面障碍的一种有用方法是首先进行 3D 数据积累和低级分类。 使用高分辨率 3-D 地图，然后使用 3-D 遮挡传播，使用低分辨率 3D 地图，最后使用低分辨率 2-D 地图进行基于上下文的遮挡标记。 这种方法的优点是能够使用更丰富的地形表示。 它可以处理有树木、灌木、稀疏的复杂场景，并且它对地表的坡度是不变的[27]

表 1 显示了文献中报道的关于负面障碍的不同作品的总结。 在他们的工作中报告了不同的方法、用于检测负面障碍物的传感器种类、检测的最大距离。 不同工作报告的距离范围从 5 m 到 16.8 m。 检测算法显示了在不同的论文中使用了什么样的算法来标记和分类。

4.SUMMARY, LIMITATIONS, AND CHALLENGES OF LiDAR SENSORS
4.1 summary
这项工作对使用 LiDAR 传感器了解负面障碍的不同技术进行了一般性回顾。 LiDAR 是一种传感器，它通常发射 1064nm 的 nIR（近红外范围）光束，并测量光束发射和反射之间的时间。 在这项工作的开发过程中，一些重要的点需要识别，例如表面的粗糙度或湿度和负面障碍物的几何形状，以及天气条件和扫描方法。 除了阐明和深化什么样的 LiDAR 足以识别负面障碍物，以及检测这些障碍物的不同计算方法。 检测负面障碍物是一项复杂的任务，需要从各种角度、技术和传感器来解决。

4.2 Limitations, and challenges of lidar sensors
LiDAR 因其特性和分辨率不断扩大其在不同领域的应用范围。 然而，一个挑战是在雨、雾、雪、灰尘等天气条件下具有良好的性能[11]、[24]、[29]-[31]。 其他挑战可能是数据不一致或不完整的数据，以及数据噪声 [17]。 大规模使用 LiDAR 传感器的另一个重大限制是成本，购买一个传感器仍然很昂贵。尽管有低成本的 LiDAR 系统，但这些系统的性能有限。

通常，与相机、雷达、超声波传感器和激光雷达等不同传感器相比，后者是测量范围内最精确的传感器。 因此，激光雷达传感器评估的物理信息具有很高的真实性。 尽管如此，LiDAR 的分辨率较差，其本质是测距传感器。 此外，另一个缺点是植被引起的错误。 与摄像头和其他传感器的融合有助于克服激光雷达传感器在识别任务中的弱点。 应用深度学习等机器学习技术，激光雷达数据将极大地有助于处理和识别负面障碍。 然而，计算处理时间将成为考虑自动驾驶车辆移动速度的因素。

总的来说，随着低成本的 LiDAR 系统，以及以数字图像处理为重点的具有高计算性能的嵌入式系统，应用计算机器学习方法，障碍物负检测和识别领域的各种提案的增长将会增加。 除了提高精度水平，So LiDAR 技术是未来。