Physically-Based Simulation of Automotive LiDAR

📄 arXiv: 2512.05932v1 📥 PDF

作者: L. Dudzik, M. Roschani, A. Sielemann, K. Trampert, J. Ziehn, J. Beyerer, C. Neumann

分类: cs.RO, cs.CV

发布日期: 2025-12-05

DOI: 10.1109/IAVVC61942.2025.11219516

💡 一句话要点

提出基于物理的汽车激光雷达仿真模型，系统地确定模型参数，并验证于真实LiDAR系统。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 激光雷达仿真 物理渲染 汽车雷达 点云 光学测量

📋 核心要点

  1. 现有激光雷达仿真方法难以准确模拟真实世界的光学现象，导致仿真结果与实际数据存在偏差。
  2. 该论文提出了一种基于物理的激光雷达仿真模型，考虑了光晕、回波脉冲宽度和环境光等因素，更贴近真实物理过程。
  3. 通过实验室测量系统地确定模型参数，并在Valeo Scala Gen. 2和Blickfeld Cube 1两种激光雷达系统上验证了模型的有效性。

📝 摘要（中文）

本文提出了一种用于仿真汽车飞行时间(ToF)激光雷达的解析模型，该模型考虑了光晕、回波脉冲宽度和环境光等因素，并提供了通过光学实验室测量系统地确定模型参数的步骤。该模型在近红外域中使用基于物理的渲染(PBR)。它假设来自阴影或光线追踪的栅格化渲染图像上的单次反射和逆向反射，包括传感器发出的光以及来自其他非相关光源（如阳光）的杂散光。传感器光束和接收二极管的灵敏度通过灵活的光束控制模式和非零直径进行建模。可以根据系统属性、计算能力和所需的输出属性选择不同的（所有非实时）计算方法。通过对Valeo Scala Gen. 2和Blickfeld Cube 1两种汽车激光雷达系统进行了校准和测试，成功提取了相关模型参数。

🔬 方法详解

问题定义：汽车激光雷达仿真需要准确模拟各种光学现象，如光晕、回波脉冲宽度和环境光等，以保证仿真结果的可靠性。现有方法通常简化了这些物理过程，导致仿真结果与真实数据存在偏差，无法满足自动驾驶等应用的需求。

核心思路：该论文的核心思路是采用基于物理的渲染(PBR)方法，在近红外域模拟激光雷达的工作原理。PBR能够更真实地模拟光线的传播和反射过程，从而提高仿真结果的准确性。同时，通过实验室测量系统地确定模型参数，确保模型与实际激光雷达系统相匹配。

技术框架：该仿真模型主要包括以下几个模块：1) 光源模型：模拟激光雷达发射的光束，包括光束的形状、强度和方向等参数。2) 场景模型：描述场景中物体的几何形状和表面属性，如反射率、粗糙度等。3) 光线传播模型：模拟光线在场景中的传播和反射过程，包括单次反射和逆向反射。4) 传感器模型：模拟激光雷达接收光线的过程，包括接收二极管的灵敏度和光束控制模式等参数。5) 后处理模块：对接收到的光线数据进行处理，得到激光雷达的点云数据。

关键创新：该论文的关键创新在于：1) 提出了一种基于物理的激光雷达仿真模型，能够更真实地模拟光线的传播和反射过程。2) 提出了一种通过实验室测量系统地确定模型参数的方法，确保模型与实际激光雷达系统相匹配。3) 考虑了光晕、回波脉冲宽度和环境光等因素，使仿真结果更接近真实情况。

关键设计：模型参数包括系统特定属性（激光雷达光束的物理扩散、接收二极管的灵敏度、发射光的强度、反射光强度与回波脉冲宽度之间的转换关系）和场景参数（环境光照、目标物体的定位和表面属性）。系统特定属性通过对不同目标表面进行光度亮度测量来确定，测量采用高分辨率测角仪（0.01°）。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该论文在Valeo Scala Gen. 2和Blickfeld Cube 1两种汽车激光雷达系统上验证了模型的有效性。实验结果表明，该模型能够准确地模拟真实激光雷达的输出，并且能够捕捉到光晕、回波脉冲宽度和环境光等因素的影响。通过实验室测量，成功提取了两种激光雷达系统的相关模型参数。

🎯 应用场景

该研究成果可应用于自动驾驶系统的开发和测试，例如，可以利用该仿真模型生成大量的激光雷达数据，用于训练和评估自动驾驶算法。此外，该模型还可以用于激光雷达系统的设计和优化，例如，可以根据仿真结果调整激光雷达的参数，以提高其性能。

📄 摘要（原文）

We present an analytic model for simulating automotive time-of-flight (ToF) LiDAR that includes blooming, echo pulse width, and ambient light, along with steps to determine model parameters systematically through optical laboratory measurements. The model uses physically based rendering (PBR) in the near-infrared domain. It assumes single-bounce reflections and retroreflections over rasterized rendered images from shading or ray tracing, including light emitted from the sensor as well as stray light from other, non-correlated sources such as sunlight. Beams from the sensor and sensitivity of the receiving diodes are modeled with flexible beam steering patterns and with non-vanishing diameter. Different (all non-real time) computational approaches can be chosen based on system properties, computing capabilities, and desired output properties. Model parameters include system-specific properties, namely the physical spread of the LiDAR beam, combined with the sensitivity of the receiving diode; the intensity of the emitted light; the conversion between the intensity of reflected light and the echo pulse width; and scenario parameters such as environment lighting, positioning, and surface properties of the target(s) in the relevant infrared domain. System-specific properties of the model are determined from laboratory measurements of the photometric luminance on different target surfaces aligned with a goniometer at 0.01° resolution, which marks the best available resolution for measuring the beam pattern. The approach is calibrated for and tested on two automotive LiDAR systems, the Valeo Scala Gen. 2 and the Blickfeld Cube 1. Both systems differ notably in their properties and available interfaces, but the relevant model parameters could be extracted successfully.