激光雷達物理結構小改動，噪音降低10000倍！南開校友新成果 | IEEE

賈浩楠 2023-10-06 22:55:36 來源：量子位

賈浩楠 發(fā)自 副駕寺智能車參考 | 公眾號 AI4Auto

光學大佬出手，激光雷達噪音降低10000倍！

南開大學校友、美國羅文大學光學實驗室負責人Ben Wu帶領團隊給出了一項可能改變自動駕駛、智能汽車形態(tài)的最新研究進展：

利用物理層面的創(chuàng)新設計，并使用盲源分離技術，使激光雷達信號處理工作量大大減少。

多傳感器冗余，盡管現(xiàn)在被認為是最可靠的自動駕駛方案，也是除特斯拉以外幾乎所有玩家采用的技術路線。

但問題也不少，比如數(shù)據(jù)類型多、數(shù)據(jù)量大，對后期信號處理算法、算力資源要求非常高。

通俗的理解就是：自動駕駛“大力”能出奇跡，但太大的力會讓成本失控，經濟上沒法量產落地。

這項發(fā)表在IEEE的最新研究，就是在激光雷達性能和系統(tǒng)成本控制之間，尋找一個平衡。

激光雷達噪音立降10000倍

先看這項研究的實驗結果。

研究團隊設置了一個波長為1550nm的激光雷達發(fā)射器，這也是常用車規(guī)激光雷達的波長規(guī)格，在探測距離和人眼安全方面有較大優(yōu)勢。

通過光強度調制器，使激光雷達發(fā)射器發(fā)出最小分辨率為48mm的光束，并且照到一個模擬障礙物的反光鏡上：

光線被反射后，由激光雷達端的雙接收器同時接收并使用盲源分離技術解調，這也是這項研究主要的創(chuàng)新點。

實驗選擇一個寬帶激光器來產生干擾信號（采樣率為20 GHz的高斯分布噪聲），以模擬容易干擾激光雷達傳感器的信號的寬光譜，而唯一的變量是光源的功率大小。

進行反復多次實驗之后發(fā)現(xiàn)，目標障礙物的激光雷達發(fā)射信號每次都能夠被充分分離并識別，干擾抑制比達到40dB。

dB是一個計數(shù)概念，是一個比值，本身沒有單位。降噪40dB，從信號幅值來看，意味著減少到了原信號1/100；從能量角度來看，意味著減少為原信號的1/10000。

也就是說，激光雷達回波信號的噪音，最高能降低10000倍！自然代表著激光雷達傳感器的信號處理任務難度大幅度降低。

其實，之前一直有兩種傳統(tǒng)的激光雷達降噪方法，其一是模式識別，通過產生一個唯一可識別的信號來代替脈沖，然后使用算法從干擾信號之中識別分離目標信號，從而產生噪聲免疫。

其二是數(shù)字信號處理方式，通過小波域空間濾波等技術來去除回波中的噪聲。

兩種方式的確能降噪，但都會增加系統(tǒng)延遲，且無法避免測量誤差，最重要的，這些方法都要求更大更強的計算能力做支撐。

而Ben Wu博士團隊的解決方法，是從物理層面進行雷達回波的降噪。

怎么做到的？

主要手段有兩個。

物理層面，將激光雷達接收器由常規(guī)的1個變成2個。

光的亮度隨著它在空間中傳播而衰減，并且當它以銳角進入透鏡時尤其變暗，而亮度本身其實就是光的功率。

使用兩個不同的接收器從兩個不同的角度接收激光雷達信號，可以在系統(tǒng)中產生一個混合的信號組合然后使用盲源分離技術，實現(xiàn)對信號的處理。

盲源分離是一種應用在多輸入多輸出系統(tǒng)的信號區(qū)分方法，在本項研究的雙激光接收器條件下，兩組信號的混合可以描述成一個二階矩陣：

其中，x1和x2是接收到的信號，s1和s2是傳輸信號，a是關于頻率的函數(shù)，描述了系統(tǒng)中每個信號向一個接收端口傳播時的傳輸系數(shù)。

這樣一來，混合信號的“解耦”可以簡化為執(zhí)行這個線性方程的逆運算。

而關鍵的“解耦矩陣”，可以根據(jù)激光雷達的設計特性參數(shù)得到，并使用光電探測器和光學可調諧衰減器和延遲來實現(xiàn) 。

雙接收器創(chuàng)造混合信號+盲源分離的激光雷達降噪方法，幾乎沒增加任何系統(tǒng)延遲，同時大大提高了測量精度，也不需要對回波信號產生的一側做任何加工處理。

完全使用物理方法實現(xiàn)對激光雷達信號的降噪，避免了激光雷達數(shù)據(jù)成為整個系統(tǒng)的累贅，占用大量計算資源。

而這樣的進步，也讓激光雷達的普及和實用性大大提升，給自動駕駛、智能汽車帶來變革。

有什么意義

激光雷達現(xiàn)階段在自動駕駛中的應用，其目的是作為純視覺信息的“兜底”和冗余，尤其在惡劣天氣和光照條件下，提供可信的路況數(shù)據(jù)。

既為冗余，本不應該占用系統(tǒng)過多的計算資源，也不應該成為系統(tǒng)延遲的主要原因。

尤其是在目前800萬像素攝像頭普及的情況下，車端每一TOPS的算力，都十分珍貴。

所以這項研究的意義在于，保證激光雷達數(shù)據(jù)精準度的前提下，提出了幾乎不增加整個系統(tǒng)算力、通信成本的有效降噪方案。

當然激光雷達接收端的硬件方案改變，會增加生產的物料開銷。

但在規(guī)?；I(yè)生產前提下，這些Tier 2甚至Tier 3級別的供應鏈成本，很容易被攤銷。

也就是說，一個激光雷達的終端價格與之前相比，幾乎不會有太大變化。

幾乎持平的成本，更好的性能，更節(jié)省的算力開支，車端在搭載相同甚至更高性能的智能駕駛系統(tǒng)時，不需要采購更大更貴的芯片。

更有利于激光雷達的普及上車，以及整個系統(tǒng)的可靠穩(wěn)定性。

當然還有另外一層優(yōu)勢，激光雷達端的算力需求降低后，視覺算法就能分到更多資源，間接促進了迭代進步。

光學領域新進展，促進自動駕駛技術進步和落地，誰能想到呢？

團隊介紹

這項研究來自美國羅文大學光子計算和通信實驗室。

一作James Garofolo，羅文大學計算機系畢業(yè)，目前正在羅文大學光子計算和通信實驗室攻讀研究生學位。

實驗室負責人，同時也是本文通訊作者——?Ben Wu博士。

本科畢業(yè)于南開大學光學工程系2008級，后在普林斯頓大學獲得博士學位，現(xiàn)在在羅文大學任助理教授。

Ben Wu博士的研究方向結合了光信息科學和深度學習，特別是神經形態(tài)計算以及顯微成像應用，即利用光子軟硬件系統(tǒng)實現(xiàn)神經網絡的功能。