角度分辨率
一、什么是角度分辨率？
角度分辨率（Angular Resolution）是指激光雷达形成的点云中，水平方向或垂直方向上，相邻两个探测点分别与测距中心连线所形成的夹角。根据方向不同，可分为水平角度分辨率与垂直角度分辨率。
 |
| 图1[1]：激光雷达角度分辨率示意图 |
|---|
水平角度分辨率：沿方位角（Azimuth）方向，相邻探测点分别与测距中心连线所形成的夹角。它反映激光雷达在水平方向上的角度采样密度，影响目标横向轮廓及细节的获取。
垂直角度分辨率：沿俯仰角（Elevation）方向，相邻探测点分别与测距中心连线所形成的夹角。它反映激光雷达在垂直方向上的角度采样密度，影响目标垂直轮廓及高度信息的获取。
注：测距中心指激光雷达形成的点云所构建的虚拟三维空间的坐标原点。
以图1为例，在30 m的探测距离下，水平角度分辨率为0.10°时，相邻探测点的水平间距约为5 cm；垂直角度分辨率为1°时，相邻探测点的垂直间距约为50 cm。这表明，在相同探测距离下，角度分辨率数值越小，相邻探测点之间的空间间距越小，点云分布越密集，能够更充分地采样目标轮廓和细节。
二、影响因素
（1）扫描通道配置：
对于多线激光雷达，垂直通道的数量及角度排布则影响垂直方向的采样密度。若采样间隔过大，点云分布较稀疏，可能导致小尺寸目标的轮廓信息缺失。
 |
| 图2：16/64/128 通道激光雷达点云差异 |
|---|
如图2 [2] 所示，随着激光雷达通道数量增加，垂直方向的采样线通常增多，点云分布更加密集，能够呈现更多物体与场景细节。
（2）激光发散角：
激光发散角影响激光束传播过程中的扩散程度及光斑尺寸。随着探测距离增加，光斑尺寸随之增大。当光斑覆盖多个目标或目标边缘时，接收到的回波可能包含不同目标的反射信息，影响目标的区分与测量，从而降低实际空间分辨能力。因此，系统的实际空间分辨能力不仅取决于角度采样间隔，还受到光束发散角的影响：前者决定探测方向的采样密度，后者影响光斑尺寸及目标细节的探测能力。
 |
| 图3：激光发散角差异示意图 |
|---|
如图3 [3] 所示，飞机高度为1000 m时，左侧激光发散角为 0.7 mrad，地面光斑直径为0.7 m；而右侧激光发散角为0.3 mrad，其地面光斑直径为0.3 m。这说明在相同探测距离下，激光发散角越大，光斑尺寸越大，对小尺寸目标及相邻目标的探测分辨能力可能越弱。
三、如何测角度分辨率？
角度分辨率是车载激光雷达的核心性能指标，直接决定点云疏密程度与目标几何特征提取能力。以下依据 GB/T 45500-2025 相关规定，详细说明角度分辨率的测试条件、操作流程与判定方法。{注 : 本试验方法不适用于采用 MEMS技术的激光雷达。}
（1）测试条件：
环境设置：
 |
| 图5： 角度分辨率试验布置 |
|---|
设备推荐：
研鼎自主研发的车载激光雷达自动化测试系统，匹配国标 GB/T 45500-2025 规定的测试方法，可全自动完成测距、角度分辨率等指标测试项，实现从设备控制、数据采集到报告输出的一站式标准化验证。本次测试所采用的 90% 漫反射板、自动图卡切换支架、移动导轨等核心设备，均集成于该系统中。
参数要求：
 |
| 图6：激光雷达的角分辨率测试条件 |
|---|
9个视场划分：
 |
| 图7：激光雷达的角分辨率视场划分 |
|---|
（2）操作步骤：
 |
| 图8：激光雷达的角分辨率试验操作示意图 |
|---|
（a）按照图 5 的试验布置，将激光雷达安装在高精度转台上。在距激光雷达水平距离为$(d_{\text{Nmin}} + 1\ \text{m})_{-5}^{+5}\ \text{cm}$m 处，垂直于地面放置一块 90% 漫反射板（推荐尺寸为 1 cm × 1 cm）。将激光雷达与点云可视化设备连接，用于实时观察雷达输出的点云数据。
（b）绕测距中心旋转激光雷达，使漫反射板进入激光雷达的某一视场区域。缓慢水平旋转激光雷达，记录打在漫反射板左边缘或右边缘的点云从 “第 2 个 / 列点云” 变为 “第 3 个 / 列点云”（即场景 A 切换到场景 B，参考图 8）时，高精度转台转过的角度。
（c）重复上述测量步骤不少于 5 次，取多次测量角度的平均值，作为该视场区域的水平角度分辨率。
（d）以同样方式垂直旋转激光雷达，记录漫反射板上或下边缘位置的一个或一列点云变化高精度转台转过的角度，重复测量不少于5次，计算高精度转台转过的角度的平均值即为该视场区域垂直角度分辨率。
（e）重复b~d操作，测量其他视场区域的水平角度分辨率和垂直角度分辨率。
(3)结果分析
当激光雷达的角度分辨率与标称值之差不应大于0.25倍标称值，则符合标准要求。
图片来源：
[1] https://www.analog.com/en/resources/analog-dialogue/articles/lidar-for-autonomous-system-design-object-classification-or-object-detection.html
[2] https://inertiallabs.com/wp-content/uploads/2024/09/Screenshot-2024-09-10-162547.jpg
[3] https://www.researchgate.net/figure/llustration-of-LIDAR-beam-divergence-Horizontal-and-vertical-distances-are-drawn-in_fig2_237372271
[4] https://www.researchgate.net/figure/An-example-of-point-cloud-distortion-correction-a-The-point-cloud-before-correction_fig13_331102582
