激光雷达（LiDAR）

一句话总结： LiDAR 通过发射激光脉冲并测量其返回时间来计算距离，从而生成 3D 点云，用于训练自动导航的 AI 系统。

LiDAR是 Light Detection And Ranging（光探测与测距）的缩写。它是一种遥感技术，利用激光脉冲来测量距离。LiDAR 传感器每秒会发射成千上万次脉冲，并记录每个脉冲击中物体表面后返回所需的时间。通过这些数据可构建密集的三维环境地图。

LiDAR 如何工作

1. 脉冲发射：激光向目标发射短脉冲光。
2. 飞行时间测量：传感器记录每个脉冲返回所需时间。距离计算为 d = c × t / 2，其中 c 为光速。
3. 点云生成：数百万次距离测量组合成点云——对环境的高密度 3D 表示。
4. 扫描旋转：旋转式或固态传感器可捕获完整的 360° 视场。

自动驾驶中的 LiDAR

自动驾驶汽车依赖 LiDAR 进行空间感知。它以厘米级精度检测障碍物、行人与道路边界。在摄像头失效的低光或夜间条件下，LiDAR 仍可工作。它在多传感器融合系统中与摄像头和雷达互补。训练自动驾驶 AI 需要大规模、多样化的 LiDAR 数据集。Bright Data 的 数据集包含用于 AI 训练的传感器数据。

机器人领域中的 LiDAR

1. SLAM：同步定位与建图（Simultaneous Localization and Mapping）使用 LiDAR 实时构建地图。
2. 避障：机器人利用实时点云检测物体并绕行。
3. 仓储自动化：自动叉车与 AGV 依赖 LiDAR 进行安全导航。
4. 无人机导航：UAV 使用 LiDAR 进行精确的高度控制与地形测绘。

LiDAR vs 摄像头 vs 雷达

1. LiDAR：高精度 3D 深度数据，可在黑暗中工作，但成本较高。
2. 摄像头：色彩与纹理信息丰富，但弱光下表现较差，且不自带深度信息。
3. 雷达：恶劣天气下更可靠，但分辨率低，无法提供细致的 3D 形状。

多数量产级自动驾驶系统会融合三者以提高可靠性。

用于 AI 训练的 LiDAR 数据

用于感知的 AI 模型需要数百万帧带标注的 LiDAR 数据。每一帧都必须在 3D 空间中对目标进行正确标注。规模化采集与标注这类数据是一个主要瓶颈。通过仿真生成的合成数据可补充真实世界 LiDAR。Bright Data 可帮助团队采集并丰富用于感知模型的训练数据。