自动驾驶中激光雷达和高精度地图的关系
首先我们要了解的是现在所说的自动驾驶，路测还需要大量的识别性传感器，以识别全方位的移动物体来达到安全行驶的严格标准，广义上来讲自动驾驶就需要超高精度的高航地图与超高精度的物体识别。那么我们就先说说自动驾驶中主要的技术点。
1. 高精度地图是自动驾驶基础之一
现阶段的导航电子地图的数据精度决定了现有智能交通系统是道路级别的。即智能系统的诱导指令的粒度为道路，与实际行车过程需求的精度有一定差异，这种差异容易造成驾驶员注意力转移，存在诱发交通事故的可能性。为了减少交通事故的发生，增强驾驶的舒适性，ADAS以及无人驾驶技术快速发展，需要精度高、粒度小的地图数据进行信息预判、辅助参照、定位、测试模拟。
然而，现阶段的导航数据已经不能满足这些高级应用，基于此，高精度导航数据的概念被提出。ADAS高级驾驶员辅助系统，利用多种传感技术来感应四周的环境，并智能地汇集了全球以及内部数据，系统能够有效增加汽车驾驶的舒适性和安全性，实现了对司机驾驶控制的支持。
目前的ADAS主要包含以下功能：LDWS车道偏离预警系统、FCWS前方碰撞预警系统、HBA远近光灯辅助、TSR道路交通标志识别、TLR交通信号灯识别、PDS行人侦测系统、LKAS车道保持系统。
作为ADAS使用的一种传感器技术，地图数据可以提供与道路以及道路附属物信息，如车道信息，地形信息，交通标志信息等。另外，地图数据还可以作为一种先验信息，在其他传感器效果不佳或失效时，提供支持。如地面标线被磨损、探测环境不佳(雨雪、雾霾天气等)、被障碍物遮挡。
ADAS的设计方案并不是要控制车辆，而是向驾驶员提供车辆周围环境及车辆运行状况等相关信息，提醒驾驶员注意潜在危险，从而提高行车安全性。无人驾驶则要实现完全脱离驾驶员的控制，车辆自主控制车辆行驶状态。地图数据不仅可以单独提供横向纵向坡度信息、车道曲率、路面材质摩擦系数等有助于控制车辆稳定性的重要数据，还可以与其他传感器进行数据交互提供更准确的路面状况数据或对传感器状态进行检验。
综上可知，地图是ADAS及无人驾驶的一种重要传感器技术。不同系统基于不同的传感器技术，不同系统通常要求采用不同类型的传感器来收集环境信息以上就叫感知了。
其实不能按照导航产品的理解把高精度地图想为预置在自动驾驶系统里的，相反高精度地图可能是有传感器即时绘制的，比如使用激光雷达绘制点云数据再形成高精度地图。
2.激光雷达
上面我们说了说到底高精度图不在是像以前的理解只是在车机系统里预设一个地图程序，来辅助驾驶员进行路向指导，因为对于路况的感知它还是来源于司机的实际观察，而在未来的自动驾驶中由于没有认为操作，对于全路况的实时收集与分析就至关重要了，以往的车辆驾驶辅助系统所配备的摄像头肯定是满足不了这么高级别的安全需求，而激光雷达就会目前的工程师广泛关注。
LiDAR即光探测与测量。是一种利用激光扫描仪和GPS/INS（惯性导航系统）组合导航系统组成，能快速便捷地获取目标物的空间三维信息的技术。其原理是利用传感器发射激光束并经空气传播到地面或物体表面，再经表面反射，反射能量被传感器接收并记录为一个电信号。
目前，L4及L5级的无人驾驶广泛采用激光雷达、毫米波雷达与视觉传感器兼具的综合解决方案，以达到安全冗余的目的。三种感知传感器各有其独特的优点，其中激光雷达具有探测距离远、探测精度高、可靠性强等特点，相对于毫米波传感器，激光雷达又具有高分辨率、对目标形状材质不敏感等优点。因此，激光雷达也被认为是无人驾驶所必须的传感器器件。
L4、L5 级的无人驾驶系统通常要求配备的激光雷达能够实现远距离、大视场的探测，以保证车辆的环境感知系统在车辆高速运转下仍能保持精准探测，保证驾驶安全，同时还要求其能够通过 TS16949 车规以及人眼安全认证，这样才具有装备在量产车辆的价值。
因此，车载激光雷达的设计研发基本围绕着这一目标展开。车载激光雷达通常由测距模块和扫描模块两部分组成，相对应的技术路线也有多种。
3.激光雷达测距技术选型：
目前，主流的测距原理有三种，包括：三角测距法、PTOF测距法以及AMCW（调幅连续波）测距法。
1.三角法
三角法即根据三角几何原理，将一束光源打在被测物体上，通过测量反射光在面阵或线阵探测器中的成像位置来计算被测物距离，原理图如下所示：
三角法的优点非常突出，原理简单、成本低廉，只需要普通的激光发射器和线阵 CCD 探测器即可实现测距，且在近距离下，探测精度较高。因此此类传感器通常在扫地机器人上有大量的应用。此外，像双目视觉、结构光测距等，都可以归纳为三角法测距原理。
由于三角法在远距离探测时，探测误差会呈几何量级增长，并且在阳光直射的情况下，反射光斑通常会淹没在太阳光中，导致探测器无法提取反射光斑，导致仪器失效。这是三角法的在远距离探测过程中的致命缺陷。
2.PTOF测距法
PTOF的核心原理是对探测物体打一束时间极短的激光，通过直接测量激光发射、打到探测物体再返回到探测器的飞行时间，来反推探测器到被测物的距离。由于光的飞行速度极快，因此该方案需要一个非常精细的时钟电路（通常是 ps 级，1 ps=10^-3 ns）和脉宽极窄的激光发射电路（通常是 ns 级），因此开发难度和门槛较高，但一般采用 PTOF 原理的激光雷达通常都能达到百米级别的探测距离。
3.AMCW（调幅连续波）测距法
光的飞行时间极快，直接测量光子飞行时间难度较大，可否通过一些间接的方式获取光的飞行时间？比较典型的方法就是AMCW。AMCW通过将光波的强度进行调制（如正弦波或三角波等），使光波在投射到物体后返回探测器的过程中在光强波形上形成一个相位差，那么通过测量相位差，就可以间接获取光的飞行时间，从而反推飞行距离。
通常测量相位差要比直接测量飞行时间更容易，开发也更容易，因此基于 AMCW 的激光雷达成本要比PTOF 雷达稍低，而且其独特的探测方式比较方便实现固态面阵 FLASH 扫描。和 PTOF不同的是，由于 AMCW 采用连续光波调制，所以在远距离探测时需要较大的光功率，尤其在百米级探测距离下，存在人眼安全隐患，这显然是无法通过车规的。
三种测距方案各具优缺点，我们将车载激光雷达需具备的5个核心能力作为选型的维度对上述上述三种测距方法进行了总结对比：
依据上表，我们可以清晰地看到，PTOF测距在L4/L5级别的无人驾驶车辆中的应用将具有更高的可操作性。
4. 为什么激光雷达会这么高效
通过精确记录发射时刻和接收时刻的时间差可以计算出对象点与激光发射器间的距离。结合激光器的高度、激光扫描角度、时间参数以及GPS记录的位置参数和IMU记录的角度参数，就可以准确地计算出每一个激光点的三维坐标X、Y、Z。同时利用高分辨率六面阵相机拍摄六个方位的高分辨率影像，结合相机的拍摄瞬间的角度、方位给每个点赋对应的RGB值。
利用LiDAR技术的移动激光测量系统一般包含以下组成部分：定位系统、惯性系统、激光扫描仪、高分辨率相机，利用移动激光测量系统采集数据具有高精度、高密集、高效率、高分辨率、自动化程度高、主动测量、无需接触等特点。在基础测绘、道路工程、电力电网、水利、石油管线、海岸线及海岛礁、数字城市等领域得到广泛应用。
由LiDAR技术得到的数据，是包含几何信息和属性信息的大量点的集合，即激光点云数据。几何信息即点的空间三维坐标。属性信息包含点的反射强度以及RGB值。不同的数据采集设备测量的点云分布特点不同，根据点云中的点的分布特点，可以将点云分为以下四类：
散乱点云：点云中的点没有明显的几何分布特性，呈现出散乱无序状态。随机扫描方式下的三坐标测量机（Coordinate Measuring Machine，CMM），激光点测量等系统得到的点云呈现散乱状态。
扫描线点云：点云是由一条条扫描线组成的，一条扫描线上的所有点都位于该扫描线平面内。三坐标测量机、激光点云三角测量系统沿直线扫描的测量数据和线结构光扫描测量数据得到的点呈扫描线分布。
网格点云：点云中的点都对应到一个均匀网格的顶点上。三坐标测量机、投影光栅测量系统和激光扫描系统得到的点经过网格化插值之后的点云就是网格点云。
多边形点云：点云中测得的点分布在一系列平面内，这些平面相互平行，用小线段将同一个平面内距离最小的若干相邻点一次连接可形成一组有嵌套的平面多边形。例如莫尔等高线测量、层切法、磁共振成像等系统获得的点云。
这个就是激光雷达扫出来的点云数据了，运用这种数据即时绘制成高精度地图，达到实时路况及移动物体的高精度感知，行车安全就有保障.
写在最后
所以激光雷达看起来并不好看，而且必须外露，因为要扫描，且成本巨贵，随便一个就顶一辆车了，我也不认为自动驾驶会每辆车装激光雷达，但是会有很多装了激光雷达的采集车到处跑为自动驾驶车辆更新数据所以自动驾驶车辆的即时处理中更多的会只用到毫米波雷达、摄像头等，激光雷达应该作为一种数据采集设备。