基于深度神经网络的阶段调制连续波LiDAR
Hao Zhang1,2, Yubing Wang1, Mingshi Zhang3
1State Key Laboratory of Luminescence and Applications, Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun 130033, China.
Sensors (Basel, Switzerland)
|March 13, 2024
概括
一种新的深度神经网络方法精确地从相调连续波 (PhMCW) LiDAR中提取飞行时间数据,即使信号与噪声比率 (SNR) 较低. 这推动了LiDAR技术的发展,用于精确的物体检测和3D重建.
科学领域:
- 光学和光子学 在光学和光子学.
- 计算机视觉和机器学习
- 机器人技术和自主系统
背景情况:
- 光探测和测距 (LiDAR) 提供高精度和分辨率,对于各种应用至关重要.
- 阶段调制连续波 (PhMCW) LiDAR提供了低功耗和高精度等优势.
- 信号与噪声比 (SNR) 的降解严重影响了LiDAR中传统的飞行时间提取方法.
研究的目的:
- 引入一种新的深度神经网络 (DNN) 方法,用于在PhMCW LiDAR中进行可靠的飞行时间测量.
- 在不同距离分辨率和低SNR条件下评估DNN方法的性能.
- 为了证明DNN在模拟复杂场景中重建详细的3D点云的能力.
主要方法:
- 开发了一个深度神经网络模型,旨在直接处理LiDAR信号.
- 模拟6米射程场景,包括各种物体 (车辆,树,房子) 和背景.
- 分析识别准确性和性能指标在0.1米距离分辨率和SNR低至2.
主要成果:
- 拟议的DNN方法在具有挑战性的低SNR (2) 和0.1米分辨率下实现了81.4%的识别精度.
- 模拟的点云重建显示了高保真度,清晰的对象轮和恢复的特征.
- 精确的距离测量 (4.73厘米,6.00厘米,7.19厘米) 证明了该方法的卓越性能.
结论:
- 深度神经网络为处理LiDAR信号和提取飞行时间提供了可行和有效的解决方案.
- 这项工作代表了神经网络用于直接LiDAR信号处理和飞行时间提取的首次应用.
- 在低SNR环境和复杂场景中,DNN方法显示了改善LiDAR性能的巨大潜力.
