XiaoMi-AI文件搜索系统
World File Search SystemLiDAR
IMEC的紧凑型固态激光雷达技术
免责声明 - 提供“按原样”提供此信息，而无需任何表示或保修。Imec is a registered trademark for the activities of IMEC International (a legal entity set up under Belgian law as a “stichting van openbaar nut”), imec Belgium (IMEC vzw supported by the Flemish Government), imec the Netherlands (Stichting IMEC Nederland, part of Holst Centre which is supported by the Dutch Government) and imec China (IMEC Microelectronics (Shanghai) Co. Ltd.）和IMEC India（IMEC India Private Limited），IMEC佛罗里达州（IMEC USA纳米电子设计中心）。
适用于 LiDAR 应用的高功率脉冲激光源
对于 LiDAR 系统，波长稳定、大面积和弱锥形脊型波导激光器已经开发出单个和多个有源区外延堆叠在一个公共垂直波导中，作为单发射器或多发射器设备，功率分别高达 200 W 和 2 kW。这些设备的设计工作温度范围为 -35 °C 至 85 °C。由于其良好的光束质量，它们可用于扫描应用（即与 MEMS 一起使用）；3 发射器设备的发射可通过 Beamtwisters® 进行组合。集成表面布拉格光栅可确保光谱宽度远低于 0.5 nm。波长随温度的变化低至 0.06 nm/K。10 mm 宽的激光条带有 48 个发射器，可提供高达 2 kW 的更高功率，重复率在 10 kHz 至 150 kHz 之间。这些激光条在脉冲功率为 1.3 kW（脉冲宽度为 10 ns，重复频率为 10 kHz）的情况下长期运行，在 3.6 x 10 11 个脉冲之后性能没有下降。
故障模式调查以实现 LiDAR 健康监测
光检测和测距 (LiDAR) 传感器是感知系统的关键组件，可实现自动驾驶。鉴于 LiDAR 的故障率高于摄像头和雷达等其他传感器，因此监控此组件的健康状况对于提高自动驾驶功能的可用性至关重要。这样的健康监测系统可以为零售和车队提供经济高效的维护，改善零售客户的服务体验，并确保 LiDAR 生成的数据在工程开发中的保真度。由于 LiDAR 在汽车应用中相对较新，因此目前在 LiDAR 健康监测方面的工作有限，其故障模式和退化行为尚未在文献中得到彻底研究。本文回顾了 LiDAR 的外部和内部故障模式及其对感知性能的影响。外部故障模式分为多个故障类别，例如由于传感器上的一层碎片导致的传感器堵塞、传感器盖的机械损坏以及安装问题。针对各种类型的 LiDAR（包括机械旋转式、闪光式和微机电镜 LiDAR），探索了与发射器、接收器或扫描机制等 LiDAR 子组件相对应的内部故障。还研究了每个子组件的故障模式，以确定它们是否可以归类为缓慢退化或突然故障。结论是，机械旋转式 LiDAR 比闪光式 LiDAR 更容易出现故障模式。内部和外部 LiDAR 故障模式都会导致检测物体和障碍物的准确性和可靠性降低，危及自动驾驶系统的安全性，并增加发生碰撞的可能性。
在自主驾驶的背景下，基于对象检测模型的模拟RGB和LIDAR图像训练
摘要。对象检测的主题，涉及使汽车能够感知其环境的能力引起了更多的关注。为了更好地性能，对象检测算法通常需要大量的数据集，这些数据集经常被手动标记。此过程是充分的且耗时的。相反，模拟环境可以完全控制所有参数，并启用自动图像注释。Carla是一个专门用于自动驾驶研究的开源项目，就是这样的模拟器。本研究检查是否可以使用卡拉自动注释的模拟器数据来培训可以识别实际流量项目的对象检测模型。实验的发现表明，使用Carla的数据以及一些实际数据优化训练有素的模型令人鼓舞。Yolov5模型使用预验证的CARLA重量训练，与在2000 Kitti图像上受过训练的一项训练有素相比，所有性能指标均表现出改进。虽然它没有达到6000图像Kitti模型的性能水平，但增强确实很重要。MAP0.5：0.95得分的增强率约为10％，行人级别的改善最为明显。此外，可以证明，可以通过训练使用Carla数据的基本模型并使用Kitti数据集的较小部分对其进行微调来实现实质性的提升。此外，Carla Lidar图像在减少所需的真实图像的体积时的潜在效用是显而易见的。我们的代码可在以下网址找到：https：//tinyurl.com/3fdjd9xb。
在混乱环境中基于激光雷达的空中跟踪的分散群轨迹生成
摘要 - 具有多个无人机（UAV）的航空跟踪在各种应用中具有广泛的潜力。但是，现有的群追踪作品通常缺乏在混乱环境中保持高目标可见性的能力。为了解决这种缺陷，我们提出了一个分散的计划者，该计划者可以最大化目标可见性，同时确保无碰撞的动作进行群体跟踪。在本文中，首先通过分散的动力学搜索前端对每个无人机的跟踪性能进行了分析，该搜索为初始化安全的飞行走廊和可见扇区提供了最佳的指导路径。之后，满足走廊约束的多项式轨迹是由空间 - 周期性优化器产生的。车间碰撞和避免阻塞也被纳入优化目标。通过与其他尖端作品进行广泛的基准比较来验证我们方法的范围。与基于自主激光雷达的群体系统集成在一起，提出的计划者在现实世界中展示了其效率和鲁棒性，这些实验杂乱无章。
相干激光雷达白皮书研究 - 独立半导体
由于Lidar已成为传感器世界中的热门话题，这主要是由于ADA和自动驾驶领域的努力，因此已经出现了关于直接检测（或飞行时间）还是相干（例如，频率调制连续波，例如）光子检测是最佳的辩论。实际上，“最佳”在很大程度上取决于应用程序。LIDAR用于从交通管理，驾驶员援助和自动驾驶，地面映射到气象应用的各种应用中。不同的激光雷达性能指标的重要性 - 最大范围，准确性，干扰免疫，成本等。- 因应用程序而异。即使在同一应用程序中，某些系统选择也可能偏向一个或另一个参数的重要性。本文旨在讨论直接和连贯检测的不同特征，以教育对LiDAR感兴趣的人并允许他们做出知情的系统选择。
LIDAR欺骗符合新代表：能力的改进，破坏的假设和新的攻击策略
为了填补这些关键的研究空白，我们对对象探测器进行了首次大规模测量研究，该研究用9个受欢迎的激光盆进行对象探测器，涵盖了第一和新的生物激光痛，以及3种对5个不同数据集训练的主要对象探测器。为了促进测量值，我们（1）确定了史舍式改进，可显着提高最新的欺骗能力，（2）确定一种新的对象删除攻击，克服了新生物激光射频的最新方法的适用性限制，并且（3）基于我们的测量结果对对象注入和拆卸攻击进行新的数学模型，以基于我们的测量结果进行。通过这项研究，我们能够发现总共15个新颖的发现，包括由于测量角度的新颖性，不仅包括全新的发现，而且还可以直接挑战此问题空间中最新的理解。我们还讨论防御。
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。
昴星团和 LiDAR 数字高程模型在农田梯田检测中的比较
摘要 — 与农业活动相关的梯田是人类对景观最明显的改造之一，是世界各地重要的投资，它们最近与现代土地利用管理和侵蚀控制的关注产生了新的相关性。保护性农业和梯田管理是卫星地球观测和高分辨率地形测量中具有巨大潜力的应用。由于其高灵活性，昴宿星团卫星星座提供了新的高分辨率数字高程模型 (DEM)，其亚米级分辨率可能对这项任务有用，它们在农田环境中的应用如今是一个开放的研究方向。这项工作提供了初步分析，从昴宿星团图像获得的 DEM 中执行自动梯田映射，并与 LiDAR DEM 进行比较。考虑了两种现有方法，快速线段检测器 (LSD) 算法和基于表面曲率的地貌测量方法。尽管 Pleiades DEM 的性能低于 LiDAR 模型，但结果表明，Pleiades 模型可用于自动检测大于 2 m 的梯田坡度，检测率超过梯田总长度的 80%。此外，结果表明，当使用嘈杂的数字高程模型时，地貌测量方法更为稳健，并且略优于 LSD 算法。这些结果首次分析了 Pleiades DEM 作为 LiDAR DEM 的替代品的有效性，也强调了未来在农田环境中监测大面积区域所面临的挑战。