深度图像：三维世界的数字化视角
激光雷达扫描器的输出，通常以三维点云的形式呈现，每个点犹如一个信息的光点，包含了(x, y, z)坐标以及诸如反射强度的额外属性。例如，下图中的点云揭示了激光光束测量的精确细节：左侧鸟瞰，前车后部和右侧墙壁的高反射强度清晰可见，而路面和车辆侧面的反射则相对较弱，中心车道线几乎难以察觉。
深度图像：点云的360度视觉映射
相较于点云，深度图像以一种新颖的方式解读数据，它将三维空间转化为一张360度的“照片”，通过行表示激光束的仰角，列代表方位角。每次扫描，激光雷达就像照相机一样，捕捉到环境的深度和强度信息，这些信息会被精确地存储在深度图像的对应单元中。想象一下，一个点 p 在这个“照片”中被赋予其方位角 α 和倾角 β 的坐标。
Waymo 数据集中的深度图像更为丰富，不仅包含距离，还包含强度、伸长率和车辆姿态等信息，这使得天气条件的分析更为细致。例如，低强度和高伸长率的信号往往预示着恶劣的天气条件。
现在，让我们深入了解如何呈现这些深度图像。首先，我们从Waymo开放数据集中获取深度图像的结构：
通过简单的代码操作，我们了解到每个激光雷达传感器对应的深度图像具有64行和2650列，每列覆盖约8'的水平分辨率，而垂直分辨率则取决于倾角范围。
接下来，利用球坐标系，我们将点 p 的 x, y, z 坐标与角度 α 和 β 结合，这需要激光雷达的校准数据作为关键步骤。校准矩阵和坐标系的旋转有助于我们精确地解读深度图像中的每个单元。
经过一系列的校准和计算，我们最终得到了车辆坐标系下的点云，这些点云清晰地展示了道路、障碍物以及车辆的运动轨迹。例如，右侧的图像展示了墙壁与住宅区的分隔，车辆前方则显示出前车的轮廓，以及激光雷达传感器的扫描盲区。
深度图像和点云的可视化，为我们揭示了激光雷达数据的丰富内涵，它们在自动驾驶、导航和环境感知等领域发挥着至关重要的作用。通过这些视觉工具，我们能够更深入地理解周围世界，推动科技与现实的无缝融合。