1700045418
自然生物有两只或两只以上对等排列的眼睛，能够适应物体的深度感知，生物学家又把这称为“立体视觉（Stereo Vision）”。然而，数码相机是没有立体视觉的，这是限制数码相机在无人驾驶领域应用的最大问题之一。数码相机根据像素网格里的光线强度来捕捉信息，把三维数据世界转化成简洁的二维格式。但捕捉过程中，会遗漏一则深度感知的关键信息：物体与相机之间的距离。
1700045419
1700045420
科学家研究了多项不同技术来克服这固有的限制。解决方案一是在同一辆车内放置多台数码相机。在一辆无人驾驶汽车里，精心布置多台摄像机来捕捉同一个镜头，每台机器的角度有细微的差别。这样能帮助计算机重建3D场景，对周围环境有更清楚的认识。
1700045421
1700045422
另一个可能方案是结构光相机（Structured-Light Camera）。使用拥有投影功能的数码相机，使图片数据拥有其深度信息。为了达到深度感知的仿真效果，结构光相机将光线投射到场景上并测量其失真度。通过失真度的测量，结构光相机能从中计算出深度。
1700045423
1700045424
结构光相机对无人驾驶汽车，就像Xbox Kinect外设对于交互式电子游戏等室内应用程序一样影响巨大，只是现在还不能确定结构光相机是否能为无人驾驶汽车找到一个稳定的“家”——结构光相机最大弱点之一是其投射的光线在日光充足的白天时段运行不畅，而且被投射出的光线会受到自然光的干扰。另外，当物体距离超过10米时，这种感知方案也不可行，这一点很可能成为结构光相机应用在快速移动的车辆上的致命缺陷。由于以上种种限制的掣肘，结构光相机最好的应用是在室内环境中，比如指引无人驾驶汽车出入停车场或车库，以及感应乘客的靠近车辆的移动。
1700045425
1700045426
数码相机持续呈现飞跃式发展，然而让人哭笑不得的是它还有一个低技术含量的弱点：污垢。即便是最好的自动数码相机，只要沾上一抹污泥，就不能正常工作。路边扬尘、沙土、鸟粪、虫子以及其他户外驾驶可能遇到的任一情况，都能妨碍最精密的数码相机和机器软件的正常工作。于是，我们能得出低技术含量的对应解决方案——给车载相机安装清洁器，好比普通汽车的挡风玻璃上装有雨刷，也像人类的眼睛少不了眼泪的清洁和眼睑的保护。
1700045427
1700045428
许多针对数码相机弱点的解决方案，最终安装在汽车操作系统上。为了确保车载相机的洁净干燥，每一辆无人驾驶汽车都要配备周期性自我检测的软件工具，它能对数码相机产生的数据质量进行定时自我检测。人工智能软件不断升级，为无人驾驶汽车提供的指引也越来越完备。将来的某一天，它能自动修正视觉数据错误，帮助无人驾驶汽车超越人类司机，在浓雾、暴雨和炫目的阳光下也能看清楚路况。
1700045429
1700045430
无人驾驶：人工智能将从颠覆驾驶开始，全面重构人类生活 [:1700043811]
1700045431
光检测与测距（激光雷达）
1700045432
1700045433
除了数码相机之外，另一类主流的传感器就是激光雷达，全称是“光检测与测距（light detection and ranging）”，亦称“激光雷达（Lidar）”。数码相机的工作原理是把三维视觉空间拆分为二维像素矩阵。激光雷达设备则不同，它向周围散射出强烈的脉冲激光，测算出光束反射回来所用的时间，然后根据激光测距原理计算出周围环境的三维数字模型。
1700045434
1700045435
和数码相机一样，激光雷达传感器的发展也遵循摩尔定律的轨迹，从20世纪60年代体积庞大、造价昂贵的固态设备转变至今天价格稳定的便携式设备。然而与数码相机不同的是，激光雷达的价格仍然高于人均消费水平。尽管每年的价格都在下降，2016年，Velpdyne公司生产的重600克的16线激光雷达测距精确到厘米，售价高达8000美元。
1700045436
1700045437
几十年来激光雷达一直被勘测人员应用于获取详细的地形信息。相比之下，“安装这种设备，把激光光束射入移动车辆的环境”的想法，比它的整个发展过程晚得多。早期的现代自动驾驶机器人比数码相机出现得还要早，为当时的无人驾驶汽车提供视觉数据的最经典传感器就是激光雷达。纵观三届DARPA挑战赛，激光雷达在获取车外路况方面扮演了极其重要的角色。堪称无人驾驶标杆的第一代谷歌无人驾驶汽车，改装过的普锐斯使用的就是激光雷达。
1700045438
1700045439
激光雷达能绘制出高精度的3D模型，并附有准确的深度知觉，这就决定了激光雷达在无人驾驶汽车领域不能撼动的重要地位。激光以大约每秒10亿英尺的速度传播，所以激光雷达传感器能利用若干台千兆赫兹（GHz）的微处理器进行深度测量，分辨率可以精确到厘米。
1700045440
1700045441
激光是理想的测量工具。蜡烛或白炽灯的光向四面发散，而激光能够呈直线定向发射至很远的距离。激光是平行光，它不会像手电筒的光一样发散，也无论在传播过程中是否遇上物体阻挡，物体的距离在一步之遥还是百米之外，它的传播均能保持准直。为了构建完整3D数字模型，激光雷达需要高速旋转，不断向四周扫描。其工作原理就是用一组同样旋转的镜子使激光改变方向。
1700045442
1700045443
假设有一间堆满隐形物体房间，我们可以用一罐红色涂料喷涂在所有的隐形物品上，直到它们完全可视。如果只有你一个人，那么需要很长时间才能让所有物品都现形，如果好几个人同时手持红色喷漆，这些物体很快就能被颜色覆盖，进入视野。激光雷达的工作原理也是这样。所以激光雷达需要同时发射多组激光，对周围环境平行地进行扫描和测量，而激光光束越多，形成的数字场景模型分辨率越高、速度越快。
1700045444
1700045445
一台无人驾驶汽车的数据由激光雷达产生，传输给软件，再由软件把信息整理到名叫“点云”的数字模型里。如果激光束直射入高空，所见模型为一片空白，因为发射路径中没有能够反射激光的物体。与此相反，如果激光束射入车水马龙的街道，所形成的“点云”将获取各种有趣的详细信息。
1700045446
1700045447
雷达的激光束以某种特定的模式朝外射去，形成数字“点云”的过程其实与全息照片呈现在底片上的过程相类似。随着旋转镜把激光调整为一系列平行的光线，迅速地识别了车辆行驶前方的道路。激光雷达构建出来的数字点云是由大量结构细密的扫描线组成，数字模型中的每一行与旋转镜上的每一根扫描线一一对应。图8.3呈现的是激光雷达所产生的三维“点云”，在图中，你还能发现从水平扫描产生的圈状扫描线。
1700045448
1700045449
1700045450
1700045451
1700045452
图8.3 这张三维“点云”数据由车载激光雷达拍摄。当时车正经过一个喧闹的停车场，在图上可以看到一些车辆和行人
1700045453
1700045454
来源：Velodyne
1700045455
1700045456
若是一个轻易下结论的观察者，可能会认为激光雷达“点云”与数码相机几乎是一回事。事实上，激光雷达与数码相机在许多方面存在很大的不同。其中一个重大区别是，激光雷达传感器无法捕捉色彩信息。激光雷达所产生的扫描结果，就像拍摄于某个暴风雪过后的照片一样，呈现的结果将是幽灵般的同一颜色。实际上，在软件在处理“点云”信息时，会手动给近处物体涂上蓝色，远处物体用红色，黑色则表示没有任何物体，或者激光没有反射返回。
1700045457
1700045458
激光雷达点云与数码摄相的第二点不同是成像时间。激光雷达不停旋转，持续更新所产生的数字模型。一方面说来，“点云”的不断更新是件好事；另一方面，这使得“点云”与数码相机的瞬间“咔嚓”按下快门一点也不相似。激光雷达传感器速度慢，虽然能高效绘制出地形轮廓图或慢慢挪移的交通堵塞数据图，但是不能及时提供某些紧急交通状况下，计算机需要处理的瞬时影像数据。
1700045459
1700045460
今天的无人驾驶汽车既使用数码相机，也使用激光雷达。在几十年前人工智能发展滞后的年代，激光雷达就已经是必不可少的视觉传感器了。如今的激光雷达传感器虽然造价仍旧高昂，且比起数码相机要慢半拍，然而它产生的点云却能为车辆规划绝大多数环境中的路线，并指引其完成驾驶。
1700045461
1700045462
长期阻碍数码相机成为机器视觉传感器的“瓶颈”是三维感知。而且解压、处理大量像素需要强大的计算能力支持，在实时操作中计算能力却往往跟不上——这是数码相机在无人驾驶应用上的严重缺陷。不过在过去几年的高速发展后，数码相机也终于成为无人驾驶领域的应用工具之一。随着微处理器的速度不断提升，数码相机和软件处理数字图像的能力也与日俱增，也许不远的将来数码相机会取代激光雷达，摘取视觉传感器的冠冕。
1700045463
1700045464
部分专家认同这种看法，在2015年10月特斯拉公司的一场新闻发布会上，埃隆·马斯克对该公司的未来无人驾驶汽车的技术发展评价如下：
1700045465
1700045466
我认为人们无须使用激光雷达，无源光（passive optical）外加前置雷达就能做到这一切。事实上，即使没有激光雷达也能彻底解决问题。我不看好激光雷达，它在这种情况下不起作用。
1700045467