XiaoMi-AI文件搜索系统
World File Search SystemLiDAR
FMCW 激光雷达：扩展到芯片级并改进阶段...
激光雷达（光检测和测距）技术有可能彻底改变自动化系统与其环境和用户的交互方式。当今行业中的大多数激光雷达系统都依赖于脉冲（或“飞行时间”）激光雷达，而这种激光雷达在深度分辨率方面已达到极限。相干激光雷达方案，例如调频连续波 (FMCW) 激光雷达，在实现高深度分辨率方面具有显著优势，但通常过于复杂、昂贵和/或体积太大，无法在消费行业中实施。FMCW 及其近亲扫频源光学相干断层扫描 (SS-OCT) 通常针对计量应用或医疗诊断，这些系统的成本很容易超过 30,000 美元。在本论文中，我介绍了我在芯片级光学和电子元件集成方面的工作，以应用于相干激光雷达技术。首先，我将总结将通常体积庞大的 FMCW 激光雷达控制系统集成到光电芯片堆栈上的工作。芯片堆栈由一个 SOI 硅光子芯片和一个标准 CMOS 芯片组成。该芯片用于成像系统，可在 30 厘米的距离内生成深度精度低至 10 微米的 3D 图像。其次，我将总结我在实施和分析一种新的 FMCW 激光雷达信号后处理方法方面的工作，称为“多同步重采样”（MK 重采样）。这涉及非线性信号处理方案下激光相位噪声的蒙特卡罗研究，因此我将展示随机模拟和实验结果，以证明新重采样方法的优势。QS 重采样有可能提高相干成像系统的采集率、精度、信噪比和动态深度范围。
LiDAR的演变及其在高精度领域的应用...
LiDAR是在1960年Theodore Maiman发明红宝石激光器之后才被广泛认可的，从技术革新来看，LiDAR经历了四个阶段。1960年，Theodore Maiman和他的同事在休斯研究实验室将高功率闪光灯照射在红宝石棒上，触发了一束相干光：第一束激光器。由于激光具有亮度好、方向性好、抗干扰等特点，激光技术被广泛应用于测距。与一般的测量方法相比，它具有精度高、分辨率高、体积小、使用方便、全天候等优点，在对地观测、环境监测、侦察等领域发挥着重要作用。同其他技术一样，激光也引起了军方的重视，很快美国军方就开始了军用激光装置的研究，第一台军用激光测距仪在1961年通过了军方试验，很快就投入了实用化。1971年，美国军方首创了世界上第一台红宝石激光测距系统：AN/GVS-3，这台第一代测距仪由光电倍增管探测器和红色外宝石光激励器组成，由于存在体积大、重量重、功耗大等缺点，很快就被第二代测距系统所取代，该测距系统采用近红外钕激光器(主要是Nd:YAG激光器)和PIN光电二极管或雪崩光电二极管，体积更小，功耗更低。随着这项技术的日趋成熟，随着20世纪70年代YAG激光技术的成熟，应用于长、中、短程激光测距雷达已成为必然趋势，1977年美国研制成功第一台手持式小型激光测距仪。 Nd:YAG激光测距仪：AN/GVS-5型，特点：尺寸与标准7-50军用望远镜相当，总重量只有2kg，适合手持使用，20世纪70年代末到80年代中期，激光测距仪成为军用激光市场上最大的采购项目[10]。起初激光测距主要用于军事和科研，在工业仪器中很少见，因为激光测距传感器太贵，一般在几千美元，高昂的价格一直是阻碍其广泛使用的主要原因。然而，由于技术的重大进步，价格已降至几百美元，使得它有可能成为一种具有成本效益的测量仪器。
将水深测量激光雷达引入沿海区域评估
摘要：环境保护的主要任务之一是监测海岸因气候变化和人为压力而产生的负面影响。遥感技术经常用于影响评估研究。地形和水深测量程序被视为单独的测量方法，而将沿海区域分析与水下影响相结合的方法很少用于岩土分析。本研究对用于沿海监测的水深测量机载系统进行了评估，同时考虑了环境条件并与其他监测方法进行了比较。测试是在波罗的海的一个区域进行的，尽管监测成功，但沿海退化仍在继续。该技术能够确定沿海悬崖侵蚀的威胁（基于岩土分析）。据报道，浅水深度对水深光探测和测距 (LiDAR) 来说是一个挑战，因为很难将表面、水柱和底部反射相互分离。通过描述所使用的分类方法克服了这一挑战，即最适合点云处理的 CANUPO 分类方法。本研究提出了一种识别自然灾害的创新方法，即结合沿海特征与水下因素的分析。本文的主要目标是评估在波罗的海使用水深扫描来确定导致海岸侵蚀的因素的适用性。此外，还进行了岩土工程分析，考虑到水下的几何地面变化。这是第一项使用沿海监测方法的研究，将岩土工程计算与遥感数据相结合。这项跨学科的科学研究可以提高对环境过程的认识。
机载激光雷达数据在三维建模中的应用...
非常荣幸能在剑桥学者出版社出版我的作品。虽然部分内容已在相关期刊上发表，但将本书作为一个整体呈现给读者（尤其是没有遥感背景的读者）具有重要价值，可以展示不同学科处理和应用机载激光雷达数据的完整框架。在此，我要感谢我的博士生导师 Bob Haining 教授和 Bernard Devereux 博士，他们让我了解了机载激光雷达领域，并为我打下了坚实的研究基础。我要衷心感谢我的父母，他们毫无保留地支持我的所有重大决定。我还要向我的妻子和双胞胎儿子表示最深切的感谢，他们是我成为更好的学者和人的终生动力。
Galaxy PRIME 机载激光雷达地形测绘仪
1.连续操作范围 PulseTRAK™ 技术通过消除其他配备多脉冲的传感器中常见的数据覆盖间隙和不规则点密度，实现了真正的连续操作范围。此功能大大简化了任务规划，并在整个数据集中产生一致的数据分布，甚至跨越接收器“盲区”。» 实现一致的点密度，不再有接收器“盲区”。» 无论地形如何变化，完全自由收集可显著提高效率。» 大大简化了任务规划。2.动态视场 (FOV) Galaxy 采用 SwathTRAK™ 技术，是唯一一款采用实时动态 FOV 的传感器，即使在不同的地形高度下也能保持固定宽度的扫描带。» 尽管地形高度发生变化，仍能保持规则的点分布并提高点密度一致性。» 与固定 FOV 传感器相比，航线数量更少，可实现最大收集效率。» 与固定 FOV 传感器设计相比，收集成本可节省 40-70%，具体取决于地形变化。
铁路的基于激光痛的障碍物检测框架
摘要。铁路上的障碍物检测是一个至关重要的操作安全问题，是一项复杂的任务，涵盖了许多挑战。当机器学习（ML）算法通常用于类似的应用中，例如自动驾驶驾驶[1] [2]，但由于可用数据的稀缺（尤其是图像），铁路领域面临着重大障碍，因此使常规ML方法不当。应对这一挑战，本研究提出并评估了一个使用LiDAR（光检测和范围）数据进行铁路障碍物检测的框架。该框架旨在解决图像数据稀缺性所带来的局限性，同时增强铁路环境中的操作安全性。开发的方法结合了能够在高达500米处检测障碍物的远距离激光雷达，以及火车的GPS（全球定位系统）坐标，以准确地确定其相对于检测到的障碍物的位置。使用数据融合方法处理LiDAR数据，其中有关轨道地形的预先存在的知识与聚类算法相结合，特别是DBSCAN（基于密度的基于密度的空间聚类，具有噪声的应用程序），以识别和分类在预定范围的距离处。在移动机车的范围内，特别是CP 2600-2620系列的测试，沿着Contumil-Leix基线的指定部分进行。 这些测试有助于验证实际操作条件下该方法的有效性和可行性。测试，沿着Contumil-Leix基线的指定部分进行。这些测试有助于验证实际操作条件下该方法的有效性和可行性。总体而言，LiDAR数据的利用与高级算法相结合，提出了增强铁路操作中障碍物检测能力的有前途的途径。通过克服与数据稀缺性相关的挑战，该框架有可能显着提高铁路网络内的运营安全性和效率。有必要进行进一步的研究和测试，以验证框架在各种铁路环境和运营条件下的性能。
LIDAR逆传感器建模用于占用网格...
作为结论，这项研究通过表明点云处理和逆传感器建模的战略改进可以显着提高过渡网格图（TGM）的性能，从而为研究问题提供了答案。该研究通过参数确定性能和计算负载之间的适当平衡，例如0.5 m的网络分辨率和8 Hz的执行率，对于在城市环境中有效的实时导航至关重要。此外，还显示了高级3D点云数据的集成，并通过精制的预处理管道提供了精度和计算效率之间的最佳平衡，这证实了在动态设置中提出的模型的鲁棒性和适应性。这些结果不仅证实了所提出的方法的效率，而且还为未来的研究奠定了基础，旨在将这些模型扩展到更复杂的环境，最终有助于更安全地利用技术用于自动驾驶。
带有微型机器人的脱离MEMS扫描仪的微型LIDAR
摘要 - 光检测和范围（LIDAR）已被广泛用于空中监视和自动驾驶。如果配备LIDAR，机器人技术甚至微型机器人的能力都可以大大增强，但是必须使用非常轻巧和小的LIDAR。微型机器人的尺寸接近鸟类或昆虫，几乎所有现有的激光雷达都太重了，对它们来说太大了。在这项工作中，提出并证明了其光学扫描仪的新型MEMS LIDAR，其光学扫描仪已被提出并证明。扫描仪头将通过移动的微型机器人携带，而雷达底座则固定在地面上。有一条薄而柔性的光学/电缆，将扫描仪头连接到底座。扫描仪头由一个MEMS镜子和一个棒镜组成，它的重量仅为10 g，长4厘米。mems镜的光圈为1.2 mm×1.4 mm，可以扫描9°×8°的视场（FOV）。由于微型机器人和光学扫描仪头部相对于光学接收器的移动，IMU（惯性测量单元）已嵌入扫描仪头中以跟踪运动，并且已经开发出算法以重建真实点云。可移动的底圈可以每秒获取400点，并检测到最多35厘米的目标。微型机器人在移动时可以携带扫描仪的头部，并且可以在LiDAR底座生成点云。这种新的LIDAR配置可实现微型机器人的范围，映射，跟踪和缩放扫描。
使用 Ouster 为自动驾驶汽车打造更好的激光雷达
Ouster 和 Benchmark 的合作还使团队能够控制预算并实现项目里程碑。Benchmark 利用其全球供应链寻找低成本组件。Ouster 决定使用 Benchmark 的泰国工厂，该地区以其光子学专业知识和低成本、高技能劳动力而闻名，这为 Ouster 带来了许多优势。现在，随着全面生产逐渐展开，Ouster 客户拥有了实现全自动驾驶汽车和其他系统所需的设备技术。