高精采集车是集成了测绘激光、高性能惯导、高分辨率相机等传感器为一体的移动测绘系统。高德高精团队经过多年深耕打造的采集车，具有精度高、速度快、数据产生周期短、自动化程度高、安全性高、信息量大等特点。

为了保证高精地图制作的精度，在高精采集车中，我们使用了目前业界最先进的激光测距仪，具有测量距离远、点云密度大等优点，扫描频率可以达到每秒100万点。

高速的扫描频率带来高质量数据的同时，也引入了一些特有的噪声和干扰，MTA就是其中的一种。什么是MTA（Multi-Time-Around）呢？我们可以看一下图1，通过上下两图的对比可以看到，MTA问题实际就是激光的测距问题，激光将远处的点错误的拉到了近处，导致远处的楼房成为了近处路面上的噪声。

MTA问题会给后续资料处理、自动识别、地图制作等工艺流程带来很大的困难，导致识别以及人工流程出现错误。

我们需要通过激光的内部机制和数据处理算法，将这些噪声恢复到它本来的位置。本文会从MTA问题产生的原理、激光应对MTA的内部机制、数据处理算法三方面来介绍高精资料处理是如何解决这个问题的。

图1 MTA问题数据

那么，MTA究竟是怎样产生的呢？这要从激光的测量原理说起。

典型的激光扫描仪是采用TOF（time of flight）原理进行测量的，即激光传感器在测量时每隔固定时间发射一个脉冲，然后测量返回的脉冲能量，根据发射和接收的时间差计算点的距离：

通过周期性地“发射激光-接收回波”，即可根据光飞行参数得到一系列测量点距离，结合激光自身的位置和姿态即可计算出反射点的位置。

激光受自身功率的限制，通常能够探测到的最远物体距离有限，为Dmax。而激光脉冲的发射间隔为dt，在下一个脉冲发射前，当前激光脉冲能够探测到的最远距离为：

高精采集车使用的激光频率为100万点/秒，对应的Dpluse为150m。

通常情况下，激光的发送和接收是按顺序进行的，即发送-接收-发送-接收，空中始终只有一个激光脉冲，接收和发送是一一匹配的。

但是，当Dmax大于Dpluse时，如果测量物体比较远，就可能在空中出现多个脉冲，多个脉冲到达接收器的顺序不再和脉冲发射的顺序一致，接收器无法正确计算脉冲的TOF，从而不能正确的得出物体的测距。这就是MTA（Multi-Time-Around），如下图2所示。

通常将反射信号可能跨过的收发周期数称为“MTA区间”，匹配时间上最近的一个发射信号为MTA1，次近的发射信号为MTA2…依此类推。

Dpluse就是每个MTA的区间长度。如果物体离激光的距离超过这个长度，就会发生MTA问题，高精采集车激光的MTA区间长度是150m，因此对于超过150m的远处高楼就发生了MTA现象。

图2 MTA区间

为了应对MTA问题，激光厂家也做了一些努力，通过利用测量物体的表面连续性的假设和变周期测量技术，找到了一些解决思路。

在现实世界中大多数物体，例如道路、标牌、建筑物等人造物，这些实物都具有表面连续性，一般不会出现剧烈的几何变化和纹理。因此，连续的激光脉冲测距应该变化不大，如图3所示。

如果能够找到一种办法，使得当激光测距放错MTA区间时，相邻激光点不再具有连续性的特征，就可以将点云放到正确的MTA区间。变周期测量技术就是基于这一思路而产生的。

图3 相邻激光点测距连续性

为了识别MTA问题，激光厂商设计了一系列专利技术，其核心是“激光发射间隔可变”，即相邻激光脉冲发射的时间间隔是不同的，如图4。而且这个发射间隔的变化具备周期性，其周期特点如图5所示。当将点云放错MTA区间时，其测距不再是连续的，而是如图5中列表第3列所示，来回跳跃。如图6，错误的MTA区间，相邻点来回跳跃，形成图中的分层。

图4 变周期发射技术

图5 变周期参数

图6 错误MTA区间

根据MTA问题的原理以及邻域连续性假设，结合硬件上的变周期测量技术，确定MTA问题处理方案。首先进行邻域划分，找到相邻激光点，然后对相邻点计算放到不同MTA区间的统计权值，权值大的为真实MTA区间。同时为了提高算法性能，利用激光本身安装位置参数避免不必要的权值计算。

首先确定邻域，因为Lidar是一圈圈扫描的，既要考虑时间上连续的点相邻，也要考虑连续圈的相邻。其基本思路如下：

图7 邻域查找

总的加权策略是距离方差越大，权重越小；反射率方差越大，权重越小。具体权值选择采用高斯函数或三角函数。

经过实际大批量数据统计分析，距离方差的权重采用高斯函数，其中u=0,δ=0.25,反射率方差的权重也采用高斯函数，其中u=0,δ=4

图8 加权函数选取

具体计算过程如下：

算法的处理效果如下图9，图10.

图9 MTA处理效果：未处理MTA

图10 MTA处理效果：MTA恢复结果

使用基本的处理方案可以较好地恢复MTA错误问题，但是由于搜索区间较大，而且必须逐点处理，效率很低，不能满足效率的要求，需要进行优化。考虑的优化方向包括减少搜索区间和算法优化两方面。

4.1 减小搜索区间

我们使用的激光设备探测范围参数如下，不超过300m，也就是2个MTA区间，因此可以只考虑MTA1和MTA2区间两种可能，这就大大降低了计算量。

设备探测范围参数：

4.2 算法优化

根据扫描特性进一步进行算法优化。

MTA处理算法作为点云解算模块的一部分，是采集资料处理上云的重要环节，不解决MTA问题，就无法实现采集资料处理的自动化。同时MTA处理算法去除了资料处理环节对激光厂商软件的依赖，为公司节省了大量成本。

在算法设计阶段尝试利用SVM，RF等机器学习手段按点云分类思路解题，初步测试发现样本制作困难、正负样本量级差异过大等问题。另一方面，机器学习方法批次处理需要考虑合适的空间范围，对于每个分块动辄亿级的点数，其处理效率将无法满足产线需求。

在算法效果评估阶段，原本打算使用厂商处理的结果作为真值。但评测下来发现，厂商处理结果的效果不如自研算法，不能作为评测真值。最终我们结合产线工艺需求，专门制作了评估方案，算法目标对焦到业务需求，从而客观、可靠、快速地完成了算法的评测工作。

目前MTA处理算法已经进入了线上生产，处理了上万公里点云数据，目前运行稳定，达到预期。