[首發于智駕最前沿微信公眾號]激光雷達作為自動駕駛系統中的核心感知傳感器，通過發射激光脈沖并接收反射信號，能夠實時構建出周圍環境的高精度三維輪廓。激光雷達在獲取環境信息的過程中，并不像高快門相機拍攝瞬間照片那樣簡單。像是旋轉式激光雷達，每一幀完整點云的生成都需要經歷一個持續的掃描周期，這一周期通常在一百毫秒左右。

在這漫長的一百毫秒內，自動駕駛汽車并不是靜止不動的，它會處于持續的位移與旋轉之中。這意味著，當激光雷達掃描這一圈的起始點時，車輛處于一個姿態，而當它旋轉掃描到結束點時，車輛已經行駛到了另一個位置并可能發生了角度偏移。如果感知系統直接將這些在不同位姿下采集到的點繪制在同一坐標系中，就會導致嚴重的幾何形變，這種現象在行業內被稱為激光雷達的自運動畸變。

如果不經過去畸變處理，車輛所感知的世界將變得扭曲且不真實，原本筆直的道路邊線會呈現弧形，豎直的路燈柱會發生傾斜，而停在路邊的車輛則可能被拉伸成詭異的長條，這不僅極大干擾了后續的障礙物檢測與分類，更將直接威脅到自動駕駛路徑規劃的安全性與準確性。

激光雷達掃描機制與運動畸變的物理本質

要深入理解去畸變的必要性，必須從激光雷達的底層掃描邏輯談起。機械旋轉式激光雷達依靠內部電機的轉動，帶動激光發射和接收模組進行全周向掃描。以常用的十赫茲掃描頻率為例，雷達每旋轉一周需要一百毫秒。在這段時間里，激光束按照極高的頻率不斷發射，并在擊中物體后返回。每一束激光返回時，傳感器記錄的是相對于此時刻雷達中心點的距離和角度。

由于車輛在行駛過程中始終帶有速度和角速度，激光雷達的坐標原點在每一束激光發射的瞬間其實都在發生位移。這就好比一個人在飛馳的高鐵上拿著畫筆在窗戶上描繪窗外的風景，如果畫筆移動的速度不夠快，由于火車的位移，畫出來的樹木必然會橫向拉長。

圖片源自：網絡

激光雷達的掃描方式在計算機視覺領域與“滾動快門”效應類似。在相機中，如果感光元件是逐行曝光的，當拍攝高速移動的物體時，圖像就會發生傾斜或扭曲。激光雷達的每一個點都可以看作是一個獨立的、在微秒級別完成的采樣。將數萬甚至數十萬個帶有不同“時刻”的點強行整合進一幀數據中，本質上是忽略了時間的連續性的。

自運動畸變的大小與車輛的相對速度、旋轉角速度以及激光雷達的掃描幀率密切相關。在高速公路場景下，如果車輛以每秒三十米的速度行駛，在一百毫秒的掃描周期內，車身已經前移了三米。如果此時不對第一個采樣點和最后一個采樣點進行空間上的對齊，那么點云中反映出的障礙物位置偏差將達到數米之巨，這對于需要厘米級精度的自動駕駛系統來說是不可接受的。

除了車輛自身的運動，環境中的動態障礙物也會導致額外的形變。當激光雷達掃描一輛迎面而來的高速車輛時，由于目標物也在移動，雷達對其表面的采樣點分布會受到雙方相對速度的疊加影響。如果相對速度極快，目標車輛在點云中的幾何輪廓會被顯著壓縮或拉長，這種“動態物體畸變”會導致物體識別算法將原本正常的車輛誤判為其他異形物體。

目前主流的去畸變技術側重于消除車輛自身的自運動畸變，而針對其他動態物體的實時形狀修復則是當下感知領域的前沿研究課題。在多雷達耦合的硬件架構中，如果各傳感器之間的運動補償步調不一致，不同雷達產生的點云在融合后會出現嚴重的重影和分層現象，這對于環境地圖的構建和定位精度將產生災難性的后果。

時間同步與高頻軌跡重建的技術基石

點云去畸變的核心在于“空間對齊”，而實現空間對齊的前提是擁有精確到微秒級的“時間標尺”。在自動駕駛系統中，各傳感器擁有獨立的內部時鐘，由于硬件晶振的溫漂和處理延遲，如果不進行統一，即便算法再優秀，也無法將激光點的采集時刻與車輛的精確位姿匹配起來。

為了解決這一問題，自動駕駛系統會引入全球導航衛星系統（GNSS）作為絕對的時間源。GNSS接收機通過發射每秒脈沖（PPS）信號，強制拉齊計算平臺與激光雷達的時鐘。在每個秒脈沖到來的時刻，激光雷達會結合串口發送的GPRMC報文，將其內部計時器清零或校準到標準的協調世界時（UTC）。這種硬件級別的同步確保了每一個產生的激光點都帶有一個可以追溯到全球標準時間的時間戳。

圖片源自：網絡

隨著車載網絡架構向以太網演進，精密時間協議（PTP）正逐漸成為主流。PTP協議能夠在不需要額外PPS物理連線的情況下，通過網絡報文的收發和硬件輔助打樁，在整個以太網鏈路內實現亞微秒級的同步精度。這種高度一致的時間基準，為后續的傳感器融合提供了統一的語境。在激光雷達內部，每一條掃描線、甚至是每一個具體的采樣點，都會被貼上一個精準的時間偏移量。這個偏移量會告訴系統，這個點是在本幀開始后的第幾微秒捕獲的。

有了準確的時間戳，接下來需要重建車輛在一百毫秒掃描周期內的連續運動軌跡。像是組合慣導（INS）這類的車輛定位系統，一般只能以一百或兩百赫茲的頻率輸出位姿，這意味著在兩次位姿輸出之間，車輛依然行駛了數厘米甚至更遠。為了獲得每一個激光點時刻的精確位置，算法必須通過數學手段在離散的定位點之間進行“補洞”。線性插值是最簡單的方案，它通過假設車輛在短時間內做勻速運動，計算出激光點的位置。雖然對于直線行駛而言這個方式可以達到足夠精確的程度，但當車輛出現轉向或遭遇路面沖擊時，線性插值將無法捕捉到加速度的跳變。

為此，高性能的去畸變方案通常采用基于四元數的球面線性插值（SLERP）來處理旋轉運動。SLERP能夠保證旋轉過程中的角速度恒定，生成的姿態變換比簡單的歐拉角線性插值更加平滑，且能有效避免旋轉矩陣在計算過程中的正交性退化問題。

還有更進階的算法甚至會引入連續時間軌跡估計技術，使用三階B樣條曲線或高斯過程來描述車輛的運動。這種方法將位姿表達為時間的連續函數，不僅可以查詢任意時刻的坐標，還能直接推導出車輛的瞬時速度和加速度，從而極大提升了去畸變處理在復雜動態環境下的適應力。

從線性轉換到反向傳播

點云去畸變在算法上也經歷了從簡單到嚴密的演進。最初的處理方法相對“粗放”，即在獲取一幀點云后，根據本幀開始和結束時的位姿差，對中間的所有點進行一次性的線性補償。這種方式雖然運算量極小，但在車輛進行非勻速運動時，其邊緣處的殘余誤差依然很大。

隨著感知需求的提升，點對點補償成為行業標配。在這一過程中，每一個激光點都會根據其唯一的時間戳，通過插值算法尋找其對應的瞬時變換矩陣。通過將該點的坐標左乘這個變換矩陣，就可以將其從采集瞬間的局部坐標系轉換到一個統一的參考坐標系下，這個參考系通常被設定為本幀掃描開始或結束那一刻的雷達中心位置。

開源算法LOAM及其優化版LeGO-LOAM提供了一套極其巧妙的邏輯。它們并不是被動地等待定位系統的輸入，而是將去畸變與里程計解算結合成一個閉環。算法首先利用上一幀的運動參數對當前幀進行一個初步的去畸變預測。在這個“預處理”后的點云上，算法提取出具有代表性的邊緣特征點和平面特征點。通過將這些特征點與已有的局部地圖進行幾何匹配，算法能夠反推算出車輛在當前幀內的精確位姿變化。

圖片源自：網絡

這種迭代的過程能夠不斷壓縮去畸變的殘余殘差，使得最終生成的點云圖不僅沒有扭曲，而且能與地圖實現完美的重疊。LeGO-LOAM特別針對地面車輛進行了優化，通過預先分割地面點云，剔除了由于路面雜草、落葉等噪聲點導致的運動估計偏差，極大地增強了算法在變動地形中的穩定性。

進入緊耦合時代后，FAST-LIO2等算法引入了更為先進的反向傳播補償機制。與傳統的“向前預測”不同，反向傳播利用高頻IMU數據記錄下的完整運動軌跡，從本幀結束時刻開始，逆向計算出每一個采樣點相對于幀尾位姿的偏移。這種方法的優勢在于它能捕捉到極短時間內的非線性運動，可以處理車輛經過減速帶時的劇烈顛簸的場景。

通過在流式處理過程中直接對原始點云進行重映射，FAST-LIO2還避開了繁瑣的特征提取環節，直接利用全量原始點進行地圖匹配。這不僅減少了計算延遲，還使得系統在特征稀疏的隧道或開闊場地中依然能保持極高的定位頻率。為了應對海量點云帶來的計算壓力，此類算法還會搭配如ikd-Tree這類的高效的空間索引結構，它支持動態的插入、刪除和負載均衡，確保了去畸變后的點云能以超過一百赫茲的速率更新到全局地圖中。

從數學邏輯上看，去畸變本質上是一次復雜的坐標變換。對于點云中的任一點Pi，其在雷達原始坐標系下的坐標為Li。我們需要求得該點在某一參考時刻（設為t0）的坐標Wi。變換過程涉及雷達與IMU之間的外參矩陣TL_I，以及車輛在ti時刻相對于t0時刻的運動矩陣Tti_t0。

具體的計算邏輯可以描述為，將點從雷達坐標系轉換到車體坐標系，隨后應用基于插值得到的瞬時位姿矩陣進行空間補償，最后再將其轉換回統一的傳感器參考系。需要注意的是，這一過程必須保證旋轉部分的計算具有單位正交性。如果簡單地對旋轉矩陣的各項進行線性加權，會引入數學上的奇異性，導致點云在大幅度轉向時發生崩塌。因此，通過四元數或者李代數（LieAlgebra）進行平滑插值是保證算法數學嚴謹性的關鍵所在。

空間補償的深度融合與感知系統的未來趨勢

點云去畸變的完成標志著感知流程中“原始數據準備”階段的結束。然而，去畸變的效果如何評價，以及它如何影響后續的神經網絡模型，是感知系統設計必須面對的問題。

研究表明，由于點云的扭曲改變了物體的反射特征分布，網絡可能會將一輛正常的小汽車識別成障礙物甚至是漏檢。在未去畸變的點云上直接運行目標檢測網絡，會導致物體的置信度得分大幅下降。因此，去畸變不僅是幾何意義上的修復，更是為深度學習模型提供一份符合物理常識的輸入。

在多傳感器融合架構中，去畸變后的點云能與攝像頭圖像實現更加精準的空間重疊，這使得系統可以利用圖像的顏色和紋理信息來增強點云的語義分類能力，從而實現對遠距離細小目標的可靠識別。

圖片源自：網絡

去畸變過程本身其實也可以反向為系統提供信息。舉個例子，某些前沿研究利用單幀點云中的運動畸變特征來直接推算物體的速度。既然自運動會導致點云拉伸，那么通過神經網絡學習這種拉伸模式，系統甚至可以在不依賴多幀跟蹤的情況下，僅憑一幀數據就判斷出路口來車的相對速度。

這種將“畸變”化敵為友的思路，催生了4D激光雷達感知技術。在這種語境下，每一個激光點不僅帶有X、Y、Z三維坐標和強度信息，還帶有一個瞬時的徑向速度分量。這對于處理高速公路上變道穿插的車輛具有極高的預警價值。

隨著固態激光雷達的興起，去畸變的側重點其實也在發生改變。固態雷達其實具有極高的采樣頻率或采用全局快門的曝光方式，自運動畸變對其影響相對較小，但其復雜的掃描圖案（如非重復性掃描）對空間標定提出了更高要求。

未來的去畸變框架將更加模塊化，能夠根據接入雷達的不同掃描特性，自動選擇最優的補償步長和運動模型。同時，在極端場景下（如隧道中GNSS信號長時間丟失、IMU發生不可預知的漂移），系統如何僅依靠激光雷達自身的掃描相關性來維持運動軌跡的連續性，是實現全天候自動駕駛的安全底線。

最后的話

激光雷達點云的去畸變處理可以將雜亂無章、隨車而動的原始采樣信號轉化為一份穩定、規整的環境底圖。它涉及到從衛星授時、慣性導航到李群李代數等多個學科的深度融合。正是因為有了這套精密的時間對齊和空間轉換機制，自動駕駛車輛才能在高速行駛的動態世界中，看清每一條車道線的走勢，判別每一個燈柱的位置，并做出安全、理性的判斷。去畸變技術的每一次進步，都在縮短感知與真實物理世界之間的距離，也都在為自動駕駛的早日大規模落地鋪平道路。

審核編輯 黃宇