Подход и алгоритм оценки допустимых значений отношения сигнал/шум лидаров роботов в условиях внешних воздействий

Цель исследования заключается в обеспечении безопасного функционирования робототехнических средств за счет разработки методов, подходов и алгоритмов обработки информации и описания их функционирования.

Методы. В работе предлагается подход к оценке допустимого отношения сигнал/шум (ОСШ) для лидаров роботов на основе заданной вероятности появления «ложной тревоги» в условиях непреднамеренных воздействий. В основе представленного синтезированного вероятностного подхода лежат физические основы инфракрасного излучения и байесовская теория с применением критерия Неймана-Пирсона. Особенностью предлагаемого подхода является использование в аналитическом аппарате не только заданного порога появления ложной тревоги и вероятности возникновения интерференции, но и учет характеристик фотоприемных устройств лидаров. Это позволяет аналитически рассчитать величину допустимого ОСШ при стабилизации уровня «ложных тревог» на фоне шумов, вызванных данным видом помех.

Результаты. Сформированные и представленные в работе зависимости могут использоваться в качестве одной из эксплуатационных характеристик при разработке и выборе оптоэлектронной системы измерения лидаров. Исходя из фиксированного значения «ложной тревоги» и полученного графического выражения полученной рабочей характеристики (полученных характеристик) возможно подобрать лидар с необходимыми техническими параметрами.

Заключение. Разработан вероятностный подход и соответствующий алгоритм выбора порогового значения ОСШ, основанный на сущности критерия Неймана-Пирсона. Подход позволяет минимизировать значение вероятности «игнорирования» объекта при сканировании за счет недопущения превышения вероятности «ложной тревоги» заданного порогового значения. Представлено математическое и методологическое обеспечение для проектирования лидаров с учетом априорной оценки допустимого значения ОСШ и вероятности обнаружения отраженного импульса, без учета предварительных оценок вероятностных характеристик обнаружения объектов лидаром. В представленном алгоритме на вход подается набор необработанных данных – в виде значений полученного сигнала с шумовой составляющей. Выходные данные представлены множеством зависимостей вероятности ошибок для различных пороговых значений отношения сигнал/шум.

1. Heinzler R., Schindler P., Seekircher J., Ritter W., Stork W. Weather Influence and Classification with Automotive Lidar Sensors. Proceedings of the 2019 IEEE Intelligent Vehicles Symposium (IV). 2019; 1527–1534. https://doi.org/10.1109/IVS.2019.8814205.

2. Lin S.-L., Wu B.-H. Application of Kalman Filter to Improve 3D LiDAR Signals of Autonomous Vehicles in Adverse Weather. Applied Sciences. 2021; 11(7:3018): 1–16. https://doi.org/10.3390/app11073018.

3. Charron N., Phillips S., Waslander S.L. De-noising of Lidar Point Clouds Corrupted by Snowfall. Proceedings of the 2018 15th Conference on Computer and Robot Vision (CRV). 2018; 254–261. https://doi.org/10.1109/CRV.2018.00043.

4. Changalvala R., Malik H. LiDAR Data Integrity Verification for Autonomous Vehicle. IEEE Access. 2019; 7: 138018–138031. https://doi.org/10.1109/ACCESS.2019.2943207.

5. Shin H., Kim D., Kwon Y., Kim Y. Illusion and Dazzle: Adversarial Optical Channel Exploits against Lidars for Automotive Applications. Lecture Notes in Computer Science. 2017; 10529: 445–467. https://doi.org/10.1007/978-3-319-66787-4_22.

6. Hwang I.-P., Yun S.-j., Lee C.-H. Study on the Frequency-Modulated ContinuousWave LiDAR Mutual Interference. Proceedings of the 2019 IEEE 19th International Conference on Communication Technology (ICCT). 2019; 1053–1056. https://doi.org/10.1109/ICCT46805.2019.8947067.

7. Godbaz J.P., Dorrington A.A., Cree M.J. Understanding and Ameliorating Mixed Pixels and Multipath Interference in AMCW Lidar. TOF Range-Imaging Cameras. 2013; 91–116. https://doi.org/10.1007/978-3-642-27523-4_5.

8. Kim G., Eom J., Hur S., Park Y. Analysis on the characteristics of mutual interference between pulsed terrestrial LIDAR scanners. Proceedings of the 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 2015; 2151–2154. https://doi.org/10.1109/IGARSS.2015.7326229.

9. Kim G., Eom J., Park S., Park Y. Occurrence and characteristics of mutual interference between LIDAR scanners. Photon Counting Applications. Proceedings. 2015; 9504: 1–9. https://doi.org/10.1117/12.2178502.

10. Kim G., Eom J., Park Y. Investigation on the occurrence of mutual interference between pulsed terrestrial LIDAR scanners. Proceedings of the 2015 IEEE Intelligent Vehicles Symposium (IV). 2015; 437–442. https://doi.org/10.1109/IVS.2015.7225724.

11. Eom J., Kim G., Hur S., Park Y. Assessment of Mutual Interference Potential and Impact with off-the-Shelf Mobile LIDAR. Advanced Photonics 2018 (BGPP, IPR, NP, NOMA, Sensors, Networks, SPPCom, SOF). 2018; (JTu2A.66): 1–14. ttps://doi.org/10.1364/BGPPM.2018.JTu2A.66.

12. Park Y., Kim G., Eom J. Design of pulsed scanning lidar without mutual interferences. Smart Photonic and Optoelectronic Integrated Circuits XX. Proceedings. 2018; 10536: 1–6. https://doi.org/10.1117/12.2288740.

13. Popko G.B., Gaylord T.K., Valenta C.R. Geometric approximation model of interlidar interference. Optical Engineering. 2020; 59(3:033104): 1–21. https://doi.org/10.1117/1.OE.59.3.033104.

14. Zhang F., Du P., Liu Q., Gong M., Fu X. Adaptive strategy for CPPM single-photon collision avoidance LIDAR against dynamic crosstalk. Optics Express. 2017; 25(11): 12237–12250. https://doi.org/10.1364/OE.25.012237.

15. Diehm A.L., Hammer M., Hebel M., Arens M. Mitigation of crosstalk effects in multi-LiDAR configurations. Electro-Optical Remote Sensing XII. Proceedings. 2018; 10796(1079604): 1–12. https://doi.org/10.1117/12.2324305.

16. Wu J., Xu H., Tian Y., Pi R., Yue R. Vehicle Detection under Adverse Weather from Roadside LiDAR Data. Sensors. 2020; 20(12:3433): 1–17. https://doi.org/10.3390/s20123433.

17. Kutila M., Pyykönen P., Ritter W., Sawade O., Schäufele B. Automotive LIDAR sensor development scenarios for harsh weather conditions. Proceedings of the 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC). 2016; 265–270. https://doi.org/10.1109/ITSC.2016.7795565.

18. Jokela M., Pyykönen P., Kutila M., Kauvo K. LiDAR Performance Review in Arctic Conditions. Proceedings of the 2019 IEEE 15th International Conference on Intelligent Computer Communication and Processing (ICCP). 2019; 27–31. https://doi.org/10.1109/ICCP48234.2019.8959554.

19. Park J.-I., Park J., Kim K.-S. Fast and Accurate Desnowing Algorithm for LiDAR Point Clouds. IEEE Access. 2020; 8: 160202–160212. https://doi.org/10.1109/ACCESS.2020.3020266.

20. Ronen A., Agassi E., Yaron O. Sensing with Polarized LIDAR in Degraded Visibility Conditions Due to Fog and Low Clouds. Sensors. 2021; 21(7:2510): 1–13. https://doi.org/10.3390/s21072510.

21. Vargas Rivero J.R., Gerbich T., Buschardt B., Chen J. Data Augmentation of Automotive LIDAR Point Clouds under Adverse Weather Situations. Sensors. 2021; 21(13:4503): 1–16. https://doi.org/10.3390/s21134503.

22. Chen Y., Xie Y., Liu C., Chen L. Investigation of Anti-Interference Characteristics of Frequency-Hopping LiDAR. IEEE Photonics Technology Letters. 2021; 33(24): 1443–1446. https://doi.org/10.1109/LPT.2021.3125702.

23. Yu M., Shi M., Hu W., Yi L. FPGA-Based Dual-Pulse Anti-Interference Lidar System Using Digital Chaotic Pulse Position Modulation. IEEE Photonics Technology Letters. 2021; 33(15): 757–760. https://doi.org/10.1109/LPT.2021.3093109.

24. Seo H., Cho G., Kim J., Bae J., Kim S.-J., Chun J.-H., Choi J. A CMOS LiDAR Sensor with Pre-Post Weighted-Histogramming for Sunlight Immunity over 105 klx and SPAD-based Infinite Interference Canceling. Proceedings of the 2021 Symposium on VLSI Circuits. 2021; 1–2. https://doi.org/10.23919/VLSICircuits52068.2021.9492328.

25. Tsai C.-M., Liu Y.C. Anti-Interference Single-Photon LiDAR Using Stochastic Pulse Position Modulation. Optics Letters. 2020; 45(2): 439–442. https://doi.org/10.1364/OL.384894.

26. Ishizaki Y., Zhang C., Set S.Y., Yamashita S. A Novel Software-Based Optical Sampling Scheme for High-Precision and Interference-Free Time-of-Flight LiDAR. Proceedings of the 2020 Conference on Lasers and Electro-Optics (CLEO). 2020; 1–2.

27. Fersch T., Weigel R., Koelpin A. A CDMA Modulation Technique for Automotive Time-of-Flight LiDAR Systems. IEEE Sensors Journal. 2017; 17(11): 3507–3516. https://doi.org/10.1109/JSEN.2017.2688126.

28. Cheng C.-H., Chen C.-Y., Chen J.-D., Pan D.-K., Ting K.-T., Lin F.-Y. 3D pulsed chaos lidar system. Optics Express. 2018; 26(9): 12230–12241. https://doi.org/10.1364/OE.26.012230.

29. Matsumura R., Sugawara T., Sakiyama K. A Secure LIDAR with AES-based SideChannel Fingerprinting. 2018 Sixth International Symposium on Computing and Networking Workshops (CANDARW). 2018; 479–482. https://doi.org/10.1109/CANDARW.2018.00092.

30. Takefuji Y. Connected Vehicle Security Vulnerabilities [Commentary]. IEEE Technology and Society Magazine. 2018; 37(1): 15–18. https://doi.org/10.1109/MTS.2018.2795093.

31. Boreysho A.S., Kim A.A., Konyaev M.A., Luginya V.S., Morozov A.V., Orlov A.E. Modern Lidar Systems for Atmosphere Remote Sensing. PHOTONICS RUSSIA. 2019; 7(13): 648–657. https://doi.org/10.22184/1992-7296.FRos.2019.13.7.648.657

32. Межерис Р. Лазерное дистанционное зондирование. М.: Мир, 1987.

33. Салех Б., Тейх М. Оптика и фотоника. Принципы и применения: в 2 т. Долгопрудный: Издательский дом «Интеллект», 2012. Т. 2.

34. Hwang I.-P., Lee C.-H. Mutual Interferences of a True-Random LiDAR with Other LiDAR Signals. IEEE Access. 2020; 8: 124123–124133. https://doi.org/10.1109/ACCESS.2020.3004891.

35. Meshcheryakov R., Iskhakov A., Mamchenko M., Romanova M., Uvaysov S., Amirgaliyev Y., Gromaszek K. A Probabilistic Approach to Estimating Allowed SNR Values for Automotive LiDARs in “Smart Cities” under Various External Influences. Sensors. 2022; 22(2:609): 1–31. https://doi.org/10.3390/s22020609.