近些年，自主识别系统取得了显著进展，并在机器人和车辆驾驶系统等领域得到了广泛应用。自动驾驶解决方案通常采用摄像头和/或激光雷达（LiDAR）系统来获取驾驶过程中周围的环境信息，从而为导航和安全策略（如确定路线和避免碰撞）提供重要信息反馈。最先进的基于飞行时间（ToF）的激光雷达系统可测量数百米以外的物体，精度达到厘米级。将人工智能（AI）技术与激光雷达系统相结合，可显著提高自动驾驶的安全性和可靠性。但是，仅通过形状信息进行物体识别和分类仍存在不准确和识别错误的问题，例如路面结冰或真人和人形物体（如人体模型或二维图片）等。
最近，业界提出了多光谱激光雷达系统，通过提供基于光谱成像的额外材料信息来克服物体识别的局限性。特别是短波红外（SWIR）范围（波长900-2500 nm）的反射光谱，与可见光光谱或简单的物体颜色成像相比，能够提供更全面的材料属性信息。通过同时获取空间和光谱信息，SWIR波段多光谱激光雷达系统已证明其增强的目标识别能力。然而，以前的多光谱激光雷达系统大多采用带通滤波器或复杂色散光学系统来进行光谱分辨检测，这些系统都存在固有的局限性。随着采样波长数量的增加，不仅不可避免的光学损耗会增加，而且需要多个光电探测器以及反射光光谱分离，这也会使系统变得复杂且成本高昂。
基于时分复用技术的多光谱激光雷达目标分类系统示意图
据麦姆斯咨询介绍，韩国釜山大学的研究人员展示了一种基于时分复用（TDM）技术的新型多光谱激光雷达系统，该系统可通过同时获取空间和光谱信息来进行语义物体推断。所采用的TDM技术通过在时域中对不同波长的脉冲进行采样来实现光谱分析，不仅消除了色散光谱学中的光学损耗，还提供了一种简单、紧凑且经济高效的系统。通过最大限度地减少TDM脉冲串中不同波长脉冲之间的时间延迟，所有脉冲在扫描过程中都会到达同一位置，从而收集到物体同一点的光谱信息，进而简化了物体分类的数据处理，还能使激光雷达系统保持足够的扫描速率。这种基于TDM技术的多光谱激光雷达系统采用了纳秒脉冲激光器，在670 nm带宽的SWIR波段覆盖了五种不同的波长（980 nm、1060 nm、1310 nm、1550 nm和1650 nm），以获取足够的材料相关反射光谱差异。
TDM多光谱成像与光谱分析
为了同时实现物体分类的空间和光谱可视化，研究人员根据RGB色彩模型为每个波长的空间强度图分配了单独的颜色。这种方法可将SWIR光谱信息映射到RGB颜色上，人眼可根据颜色差异直接对材料属性进行视觉区分。在概念验证演示中，研究人员比较了人手、人手模型、织物手套、丁腈橡胶手套和打印人手的RGB颜色编码图像，这些图像具有相似的可见光颜色，但因材料不同而在多光谱图像中显示出明显的差异。此外，研究人员还在完整的五波长多光谱数据集上训练了一个卷积神经网络（CNN）框架，以展示其材料分类性能。训练模型的验证结果表明，系统根据材料对多光谱图像进行了清晰的分类，准确性很高。此外，研究人员还展示了基于TDM技术的多光谱激光雷达系统的距离测绘，测距精度约为10 cm。这些结果表明，该系统在先进自动驾驶领域具有很高的应用潜力。
论文链接：
https://doi.org/10.1038/s41598-024-62342-2
