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。