如何用少线束的激光雷达获得多线束的激光雷达感知效果
激光雷达的价格一般都比较昂贵，对于无人驾驶应用中，激光雷达是系统成本的重要组成部分。激光雷达的价格随着线数的增加而增加，基本规则就是线数越多，价格越贵。在产品开发过程中，成本控制是很重要的，一个产品，如果功能没问题，但是价格昂贵，也不会有好的市场，只有物美价廉的产品才会受到消费者的青睐。所以压缩激光雷达的成本在无人驾驶落地过程中就显得尤为重要。首先，我们可以选择线数相对少的激光雷达作为我们的传感器，但是线数少意味着感知能力就弱，会存在漏检测的问题。如下图所示。
图中是一个4线激光雷达的探测示意图，由于线束稀疏，所以，线与线之间的物体可能探测不到。而且所有线覆盖的区域也有限，存在比较大的盲区。虽然雷达会漏掉物体，但是如果激光雷达安装在车上，车行驶过程中，总会探测到物体。如下图所示，同样的雷达，我们画出连续6个周期的扫描效果。
由图中可以看到，6个周期的激光线束汇集在一起，使得线束变的很密集。如果能够将这几个周期的点云用作感知，那么物体漏检的概率也会变得很小，或者变为0。这种将多幅点云用作感知的方法最重要的操作是点云配准，就是要把多幅点云合成到一幅点云中。
点云配准的本质是坐标变换，将一幅点云配准到另一幅点云中，就是要将这一幅点云的每个点的坐标转换到另一幅点云的坐标系下，这个过程涉及到坐标变换矩阵。点云配准的过程实际上就是求取坐标变换矩阵的过程以及使用变换矩阵计算新的坐标的过程。常用的点云配准方法有：
1、迭代最近点方法（ICP）
从一幅点云中搜索到另外一幅点云中最近点来确定对应点集，容易陷入局部最优解，且要求配准两幅点云初始位置与真实位置相差不大，其实质是基于最小二乘法的最优匹配方法。主要分为点对点，点对投影和点对面的方法。
2、特征点匹配方法
通过分析被测物体的局部几何信息来寻找特征点并实现匹配，但算法特征点包含较少几何信息，稳定性有待提高。可以利用多尺空间尺度不变特征变化(SIFT)来寻找特征点，这要求被测物体有纹理信息，基于SIFT算法在空间寻找极值点，并提取其位置、尺度、旋转不变量进行特征点匹配。
3、载体运动参数方法
通过激光雷达的载体的运动参数来计算各个点云的变换矩阵，在无人驾驶应用中，激光雷达的载体是无人驾驶车，车的速度、横摆角速度等参数是可以通过传感器精确测量的，通过这些参数可以计算出两个时刻激光雷达的位置及姿态变化，根据这个变化可以得到点云的变换矩阵，从而实现配准。
使用点云配准的优点是可以采用少线束的激光雷达获得多线束的激光雷达的感知效果。但是点云配准的方法也存在一些缺陷，比如：1、点云使用的是历史数据，所以历史点云中的障碍物无法更新，导致障碍物在点云中会一直存在下去；2、运动的物体在配准后的点云中会变成多个物体；3、需要消耗大量的计算资源。
