车载LiDAR的高保真建模与多维度评估方法

《Measurement》：High-fidelity modeling and multi-dimensional evaluation method for vehicle-mounted LiDARs

　　

• •
  基于Unreal Engine 5构建了一个高精度的车载LiDAR模型。
• •
  提出了一种结合点云配准的多维度评估方法。
• •
  利用百度Apollo系统搭建了车载LiDAR测试平台。
• •
  通过多场景对比测试来验证所提出的方法。

引言

近年来，LiDAR仿真技术已成为支撑自动驾驶车辆感知系统发展的核心技术[1]、[2]、[3]。与实验测试方法相比，LiDAR仿真技术在降低测试成本、扩大测试场景范围以及提升测试效率方面具有明显优势[4]、[5]、[6]。随着相关自动驾驶技术逐步投入应用，自动驾驶仿真对精度的要求也日益提高[7]、[8]。如果仿真数据与真实LiDAR数据之间存在较大差异，就会导致相关算法的适用性不足，进而阻碍智能感知技术的研究与发展[9]、[10]。具体而言，点云分布不一致会直接影响目标特征提取的可靠性；而测距偏差则会削弱感知系统的空间定位能力[11]、[12]、[13]。因此，构建高精度的LiDAR模型并对其进行科学评估，对于自动驾驶系统的研发与验证至关重要[14]、[15]。

为此，许多学者对LiDAR仿真模型的构建与优化进行了大量研究。Hanke等人提出了一个通用的模块化几何架构[16]，该架构通过随机目标位置变化来支持ADAS算法的虚拟感知测试。在这些几何基础之上，García-Gómez等人[17]根据斯涅尔定律建立了固态LiDAR的几何模型，同时还提出了一种针对此类LiDAR设备的新型校准方法。此外，Sun等人[18]为了更准确地模拟环境后向散射的复杂性，将几何模型与波形模型相结合，从而有效描述了来自森林冠层的LiDAR信号。虽然几何模型能够准确捕捉目标结构，但由于确定性方程无法考虑随机噪声，其在实际环境中的稳定性较差，而借助具备强大学习能力的数据驱动方法则可以有效缓解这一问题。Yang等人[19]提出了一种以LiDAR为目标的数据驱动建模方法，用于在雾天条件下分析903纳米ToF LiDAR的性能，从而实现自动驾驶系统中传感器行为的精确模拟与噪声预测。Shi等人[20]则以深度神经网络为核心，基于大规模标注数据集构建了LiDAR模型，并通过PillarNet、PV-RCNN和IA-SSD等框架实现了高效的数据驱动点云特征学习。数据驱动方法虽能有效地学习并适应复杂特征，但往往存在数据需求量大且可解释性低等问题。因此，基于LiDAR物理过程构建模型对于提升整体可靠性十分重要。Schaefer等人[21]建立了一种LiDAR物理模型，他们将对传统反射模型的改进扩展到了射线路径距离和超出检测范围的情况的考量，从而提升了数据的一致性及映射性能。另外，还有一些LiDAR仿真建模研究是基于专业软件CARLA开展的[22]，该软件是建立在Unreal Engine 4之上的开源插件。尽管上述研究已经探讨了LiDAR的物理特性，但这些研究仅涉及有限的物理因素，且未能对相关的物理机制进行统一、全面的描述。因此，针对真实场景的高精度LiDAR物理建模仍需进一步深入研究。

随着学者们从更多不同角度开展实验，LiDAR模型评估框架也在不断发展。Dan等人[23]模拟分析了机载LiDAR系统中点定位的几何投影机制，并以随机误差作为评估指标来检验模型的坐标精度。为了解决点分布不均匀的问题，Lari等人[24]提出了基于3D空间关系、表面特性以及噪声的新方法，用于估算局部点密度指数，以此提升点云分析的精度与可靠性。Cui等人[25]构建了用于LiDAR点云语义分割的KA-Seg框架，该框架采用mIoU指标来定量评估目标局部区域及语义类别的分割精度。然而，上述研究仅能评估LiDAR的性能，缺乏对仿真数据与实验数据之间的全面对比，因此难以全面判断模型在真实场景下的精度。Chen等人[26]提出了一种融合超宽带技术与LiDAR-SLAM技术的紧密耦合定位方法，该方法通过仿真及真实动态实验得到了验证，能够有效提升LiDAR在复杂环境中的定位精度。Teo等人[27]提出了基于最小二乘3D表面匹配的机载与地面移动式LiDAR点云配准方法，该方法也通过仿真及实地测试得到了验证，且点云密度越高，配准精度也越高。虽然上述两项研究都通过仿真及实车实验验证了所提方法的有效性，但对LiDAR模型的评估仍然局限于单一维度，缺乏多维度的性能评估体系。为此，Chen等人[28]采用了基于密度自适应的几何特征来进行地面激光扫描点云分类，并从点云密度和几何位置两个方面对LiDAR的性能进行了评估。不过，上述研究仍然仅限于部分维度，如离散点坐标、局部密度指数或区域特征等，无法从全局角度对LiDAR性能进行验证。此外，这类方法通常依赖经验验证，缺乏客观的评估公式，因此如何构建一个客观的多维度LiDAR仿真模型评估体系仍然是一个亟待解决的问题。

受上述研究的启发，本研究提出了一种基于Unreal Engine 5的高精度物理级LiDAR传感器建模框架，并建立了相应的多维度评估体系。所提出的LiDAR模型包含了四个核心功能模块：参数配置模块、激光发射与接收模块、信号衰减模块以及数据管理模块。将该模型部署在UE5环境中后，就能够模拟出更为真实的特性，比如非均匀的激光束分布、取决于材料的反射率以及多种因素共同导致的信号衰减等。此外，为了验证所提LiDAR模型的有效性，该多维度评估体系通过交并比、密度相关系数以及相对测距误差等关键指标，来量化仿真数据与实验数据之间的差异。同时，在静态与动态场景下都进行了对比实验，以评估所建模型相较于现有CARLA模型的性能。实验结果表明，本研究构建的LiDAR模型能够更好地模拟真实车载LiDAR的测距及空间采样特性，这证明了所提方法的优越性，也为相关自动驾驶感知技术的发展奠定了坚实基础。

章节要点

整体方案设计

为了准确构建并验证LiDAR仿真模型，有必要模拟实际场景中出现的扫描机制及回波特性。其目标是生成与真实车辆检测数据高度相似的点云数据，从而为相关自动驾驶算法的开发提供高效的仿真LiDAR。因此，需要一种高精度的仿真建模方法以及多维度评估体系，用于

高精度LiDAR模型

为实现高精度的车载LiDAR仿真，首先分析了激光传播、反射以及能量衰减等物理过程，随后基于UE5软件平台构建了参数配置模块、激光发射与接收模块、信号衰减模块以及数据管理模块，从而建立起一种面向工程应用的LiDAR仿真模型。

多维度评估方法

点云是LiDAR仿真模型的核心输出结果，它能够反映目标的轮廓形状、详细结构以及空间距离，因此可以通过目标轮廓特征、点云密度以及目标空间距离这三个方面来评估所建LiDAR模型的精度。不过，由于源点云与目标点云的坐标系不对齐而产生的空间偏差，可能会影响评估结果的客观性

实验结果

为验证所提方法的有效性，本节首先基于百度Apollo系统构建了一个真实的车载LiDAR测试平台。具体来说，该测试平台由一辆红旗E-HS3汽车与Hesai pandar40P LiDAR组成，其中LiDAR传感器通过定制的数据线与主控制单元Hardware 3.0相连，专用电池系统负责提供稳定的电力供应，路由器则用于实现网络通信，此外

结论

针对车载LiDAR的仿真建模与测试评估问题，本研究提出了一种基于UE5的高精度LiDAR仿真框架，该框架整合了参数配置模块、激光发射与接收模块、信号衰减模块以及数据管理模块。为验证该模型的性能，本研究还建立了多维度评估体系，并在模型的有效检测范围内开展了多场景对比测试

CRediT作者贡献说明

赵轩：论文撰写——初稿撰写、指导、资源提供、项目管理、方法设计、研究实施、资金获取、概念构思。郑建波：论文撰写——审阅与编辑、初稿撰写、可视化处理、结果验证、软件应用、方法设计、研究实施、正式分析、数据整理。宁一高：论文撰写——审阅与编辑、指导、资源提供、项目管理、资金获取、正式分析、概念构思。王舒：软件应用、数据整理。

利益冲突声明

作者声明不存在任何可能影响本文研究成果的已知财务利益关联或个人关系。

致谢

本研究得到了以下项目的资助：中国国家重点研发计划，项目编号2024YFB2505703；国家自然科学基金，项目编号52402492；陕西省秦创原“科学家+工程师”团队建设项目，项目编号2025QCY-KXJ-119；陕西省国际科技合作基地，项目编号2025GH-GHJD-028。

Xuan Zhao|Jianbo Zheng|Yigao Ning|Shu Wang|Ziyang Fu