激光雷达物理结构小改动,噪音降低10000倍!南开校友新成果 | IEEE
更多雷达,更小算力!
贾浩楠 发自 副驾寺智能车参考 | 公众号 AI4Auto
光学大佬出手,激光雷达噪音降低10000倍!
南开大学校友、美国罗文大学光学实验室负责人Ben Wu带领团队给出了一项可能改变自动驾驶、智能汽车形态的最新研究进展:
利用物理层面的创新设计,并使用盲源分离技术,使激光雷达信号处理工作量大大减少。
多传感器冗余,尽管现在被认为是最可靠的自动驾驶方案,也是除特斯拉以外几乎所有玩家采用的技术路线。
但问题也不少,比如数据类型多、数据量大,对后期信号处理算法、算力资源要求非常高。
通俗的理解就是:自动驾驶“大力”能出奇迹,但太大的力会让成本失控,经济上没法量产落地。
这项发表在IEEE的最新研究,就是在激光雷达性能和系统成本控制之间,寻找一个平衡。
激光雷达噪音立降10000倍
先看这项研究的实验结果。
研究团队设置了一个波长为1550nm的激光雷达发射器,这也是常用车规激光雷达的波长规格,在探测距离和人眼安全方面有较大优势。
通过光强度调制器,使激光雷达发射器发出最小分辨率为48mm的光束,并且照到一个模拟障碍物的反光镜上:
光线被反射后,由激光雷达端的双接收器同时接收并使用盲源分离技术解调,这也是这项研究主要的创新点。
实验选择一个宽带激光器来产生干扰信号(采样率为20 GHz的高斯分布噪声),以模拟容易干扰激光雷达传感器的信号的宽光谱,而唯一的变量是光源的功率大小。
进行反复多次实验之后发现,目标障碍物的激光雷达发射信号每次都能够被充分分离并识别,干扰抑制比达到40dB。
dB是一个计数概念,是一个比值,本身没有单位。降噪40dB,从信号幅值来看,意味着减少到了原信号1/100;从能量角度来看,意味着减少为原信号的1/10000。
也就是说,激光雷达回波信号的噪音,最高能降低10000倍!自然代表着激光雷达传感器的信号处理任务难度大幅度降低。
其实,之前一直有两种传统的激光雷达降噪方法,其一是模式识别,通过产生一个唯一可识别的信号来代替脉冲,然后使用算法从干扰信号之中识别分离目标信号,从而产生噪声免疫。
其二是数字信号处理方式,通过小波域空间滤波等技术来去除回波中的噪声。
两种方式的确能降噪,但都会增加系统延迟,且无法避免测量误差,最重要的,这些方法都要求更大更强的计算能力做支撑。
而Ben Wu博士团队的解决方法,是从物理层面进行雷达回波的降噪。
怎么做到的?
主要手段有两个。
物理层面,将激光雷达接收器由常规的1个变成2个。
光的亮度随着它在空间中传播而衰减,并且当它以锐角进入透镜时尤其变暗,而亮度本身其实就是光的功率。
使用两个不同的接收器从两个不同的角度接收激光雷达信号,可以在系统中产生一个混合的信号组合然后使用盲源分离技术,实现对信号的处理。
盲源分离是一种应用在多输入多输出系统的信号区分方法,在本项研究的双激光接收器条件下,两组信号的混合可以描述成一个二阶矩阵:
其中,x1和x2是接收到的信号,s1和s2是传输信号,a是关于频率的函数,描述了系统中每个信号向一个接收端口传播时的传输系数。
这样一来,混合信号的“解耦”可以简化为执行这个线性方程的逆运算。
而关键的“解耦矩阵”,可以根据激光雷达的设计特性参数得到,并使用光电探测器和光学可调谐衰减器和延迟来实现 。
双接收器创造混合信号+盲源分离的激光雷达降噪方法,几乎没增加任何系统延迟,同时大大提高了测量精度,也不需要对回波信号产生的一侧做任何加工处理。
完全使用物理方法实现对激光雷达信号的降噪,避免了激光雷达数据成为整个系统的累赘,占用大量计算资源。
而这样的进步,也让激光雷达的普及和实用性大大提升,给自动驾驶、智能汽车带来变革。
有什么意义
激光雷达现阶段在自动驾驶中的应用,其目的是作为纯视觉信息的“兜底”和冗余,尤其在恶劣天气和光照条件下,提供可信的路况数据。
既为冗余,本不应该占用系统过多的计算资源,也不应该成为系统延迟的主要原因。
尤其是在目前800万像素摄像头普及的情况下,车端每一TOPS的算力,都十分珍贵。
所以这项研究的意义在于,保证激光雷达数据精准度的前提下,提出了几乎不增加整个系统算力、通信成本的有效降噪方案。
当然激光雷达接收端的硬件方案改变,会增加生产的物料开销。
但在规模化工业生产前提下,这些Tier 2甚至Tier 3级别的供应链成本,很容易被摊销。
也就是说,一个激光雷达的终端价格与之前相比,几乎不会有太大变化。
几乎持平的成本,更好的性能,更节省的算力开支,车端在搭载相同甚至更高性能的智能驾驶系统时,不需要采购更大更贵的芯片。
更有利于激光雷达的普及上车,以及整个系统的可靠稳定性。
当然还有另外一层优势,激光雷达端的算力需求降低后,视觉算法就能分到更多资源,间接促进了迭代进步。
光学领域新进展,促进自动驾驶技术进步和落地,谁能想到呢?
团队介绍
这项研究来自美国罗文大学光子计算和通信实验室。
一作James Garofolo,罗文大学计算机系毕业,目前正在罗文大学光子计算和通信实验室攻读研究生学位。
实验室负责人,同时也是本文通讯作者—— Ben Wu博士。
本科毕业于南开大学光学工程系2008级,后在普林斯顿大学获得博士学位,现在在罗文大学任助理教授。
Ben Wu博士的研究方向结合了光信息科学和深度学习,特别是神经形态计算以及显微成像应用,即利用光子软硬件系统实现神经网络的功能。
- 比亚迪三十年庆,王传福:1000亿投入智能化2024-11-29
- 华为智驾首次上车比亚迪!38万元硬派越野车标配端到端2024-11-12
- 小鹏也背叛纯电了!增程首秀续航1400公里,自研智驾芯片亮相,还给老用户搞硬件升级2024-11-07
- 奥迪确认用华为智驾:问界阿维塔同款,纯燃油实现「有路就能开」2024-11-04