[Paper] 基于物理的汽车 LiDAR 仿真

Source: arXiv - 2512.05932v1

概览

本文提出了一种基于物理、解析驱动的汽车时飞（ToF）LiDAR 传感器模拟器。通过对近红外光谱下的光束光学、探测器响应以及环境光照进行建模，作者提供了一种无需昂贵硬件在环测试即可生成逼真 LiDAR 点云的工具。

关键贡献

• 解析 LiDAR 模型，能够捕捉光斑扩散、回波脉宽以及环境光干扰。
• 系统化参数提取工作流，利用真实传感器的高分辨率转台测量。
• 与基于物理的渲染（PBR）管线集成，支持光栅化着色和光线追踪场景。
• 支持任意光束扫描模式和非零光束直径，能够模拟多种商业 LiDAR。
• 在两款不同的汽车级单元上进行验证（Valeo Scala Gen. 2 与 Blickfeld Cube 1），展示模型的适应性。

方法论

1. 物理模型定义

   • 将 LiDAR 视为单次反射的 ToF 系统：发射的 NIR 脉冲传播至目标表面，反射后返回光电二极管阵列。
   • 将发射光束建模为具有可配置展开度和扫描模式的高斯类强度分布。
   • 包含探测器特性（灵敏度图、孔径大小），并通过校准的线性关系将接收到的光功率转换为回波脉宽。

2. 环境光处理

   • 添加一个散射光项，表示非相关照明（如阳光）。
   • 该项在脉宽转换之前与反射信号相叠加，重现真实数据中出现的光斑扩散和距离偏差效应。

3. 参数校准

   • 使用转台在 0.01° 角度步进下测量传感器光束在校准目标材料上的光度。
   • 将解析光束模型和探测器灵敏度拟合到这些测量数据，提取：
     • 光束展开度与扫描模式
     • 发射功率
     • 探测器增益与噪声底
     • 脉宽转换系数

4. 渲染集成

   • 在近红外波段渲染场景，可选光栅化（快速，适用于大规模环境）或光线追踪（高保真，捕捉镜面/逆反射效应）。
   • 渲染得到的辐射度图由解析 LiDAR 模型采样，生成每像素的距离和强度值，随后组装成点云。

5. 评估

   • 将模拟点云与两款目标 LiDAR 在不同光照条件和表面材料下的真实测量进行对比。

结果与发现

• 参数提取成功，两款传感器均完成提取，尽管硬件接口不同（一个使用专有 SDK，另一个使用开放 API）。
• 模拟点云在距离误差分布、强度直方图以及光斑扩散模式上与真实数据匹配，在晴天条件下平均距离偏差 < 5 cm。
• 模型准确再现了逆反射尖峰（如交通标志）和环境光诱导噪声，这些是自动驾驶感知栈的关键失效模式。
• 计算成本随渲染方式而变：光栅化管线在消费级 GPU 上生成 1 M 点约需 ~0.2 s，光线追踪管线在现代 RTX 卡上生成相同输出约需 ~1.5 s。

实际意义

• 合成数据集生成——开发者现在可以生成包含真实传感器伪影的大规模、光真实感的 LiDAR 数据集，降低对昂贵现场采集的依赖。
• 算法验证与压力测试——感知管线（目标检测、SLAM、传感器融合）可在受控的光束模式、环境光和表面反射率变化下评估，提前发现极端案例失效。
• 硬件在环（HIL）仿真——解析模型可嵌入车辆仿真平台（如 CARLA、LGSVL），提供逼真的 LiDAR 数据流，无需实际硬件。
• OEM 设计反馈——通过在仿真中调节光束展开度或探测器灵敏度，工程师可在投入硬件原型前探索成本与性能的权衡。

局限性与未来工作

• 当前模型假设单次反射，因此未捕捉多路径效应（如复杂城市峡谷中的间接反射）。
• 实时性能尚未实现；该方法面向离线数据集创建或对延迟容忍的 HIL 场景。
• 校准需要高精度转台测量，对每个新传感器变体可能不切实际。
• 未来研究方向包括扩展至多次反射光传输，集成机器学习驱动的光束剖面以加速校准，并优化管线实现实时 GPU 执行。

作者

• L. Dudzik
• M. Roschani
• A. Sielemann
• K. Trampert
• J. Ziehn
• J. Beyerer
• C. Neumann

论文信息

• arXiv ID: 2512.05932v1
• Categories: cs.RO, cs.CV
• Published: December 5, 2025
• PDF: Download PDF