Resumen Técnico: Fantasmas en las Nubes de Puntos: Eliminación de Deslumbramientos en LiDAR en el Dominio Transitorio

1. Enunciado del Problema

La rápida transición de la tecnología LiDAR desde sistemas voluminosos de escaneo mecánico hacia matrices compactas, de estado sólido y similares a cámaras (específicamente aquellas que utilizan matrices de Diodos de Avalancha de Fotón Único o SPAD), introduce un modo de fallo crítico: el deslumbramiento por trayectorias múltiples internas.

En estos sensores "cámara-ficados", la luz proveniente de superficies brillantes o retrorreflectantes (por ejemplo, señales de tráfico, matrículas) experimenta múltiples reflexiones internas y dispersión dentro del ensamblaje óptico antes de alcanzar el sensor. A diferencia de los LiDARs de escaneo heredados, que evitaban esto mediante rutas ópticas dedicadas y disparo secuencial, las modernas matrices densas de píxeles permiten que esta luz dispersa se extienda a píxeles vecinos. Este fenómeno crea "fantasmas en las nubes de puntos"—objetos fantasma que oscurecen la geometría real de la escena y plantean riesgos críticos para la seguridad de los sistemas autónomos.

Las soluciones existentes son insuficientes por tres razones principales:

1. Temporización: Muchos enfoques operan sobre la nube de puntos final, una vez que los artefactos se han entrelazado con los datos geométricos, lo que dificulta su separación.
2. Distorsión por Apilamiento: Las retornos de alta intensidad que causan deslumbramientos inducen a menudo un severo apilamiento de fotones (distorsión no lineal donde los fotones tempranos censuran a los tardíos), que los métodos estándar de eliminación de deslumbramientos lineales no logran manejar.
3. Generalización: Los métodos basados en aprendizaje suelen depender de datos sintéticos y suposiciones geométricas específicas (por ejemplo, señales octogonales), teniendo dificultades para generalizar a escenas complejas o tipos diversos de retrorreflectores sin datos de entrenamiento extensos.

2. Metodología

Los autores proponen un enfoque sin entrenamiento y fundamentado físicamente que opera en el dominio transitorio (sobre detecciones de eco de bajo nivel) antes de la formación de la nube de puntos. La tubería consta de tres etapas principales:

A. Modelado del Deslumbramiento Transitorio (TGSF)

El artículo modela el deslumbramiento interno como un operador lineal, independiente de la escena, que actúa sobre histogramas transitorios.

• Función de Dispersión del Deslumbramiento Transitorio (TGSF): Definida como $a(u, v, t, u', v', t')$, este operador describe cómo los fotones de un solo píxel $(u', v')$ en el tiempo $t'$ se redistribuyen a través de otros píxeles y bins de tiempo debido a la dispersión interna.
• Simplificación: En la práctica, el retraso temporal causado por la dispersión interna es despreciable en comparación con la resolución del sensor. Por lo tanto, la TGSF se aproxima como una Función de Dispersión del Deslumbramiento (GSF) independiente del tiempo, $a(u, u')$, reduciendo el problema a una convolución espacial en el dominio del eco.

B. Corrección del Apilamiento

Antes de abordar el deslumbramiento, el método corrige el apilamiento de fotones, que distorsiona la intensidad y el tiempo de vuelo (ToF) de los retornos más brillantes.

• Corrección Basada en Momentos: En lugar de intentar "desdistorsionar" completamente los histogramas brutos (lo cual es computacionalmente difícil y propenso a la saturación), el sistema extrae los tres primeros momentos (conteos totales, ToF medio, varianza) de los ecos detectados.
• Tablas de Búsqueda (LUTs): Utilizando un modelo directo de la física del apilamiento, los autores generan LUTs que mapean la varianza medida y el ruido de fondo al flujo incidente real y al desplazamiento medio. Esto permite al sistema recuperar el ToF y la intensidad reales del eco "agresor", lo cual es esencial para una predicción precisa del deslumbramiento.

C. Predicción y Supresión del Deslumbramiento

Una vez que los ecos han sido corregidos por apilamiento, el algoritmo determina la probabilidad de que una detección sea un retorno verdadero o un artefacto de deslumbramiento.

1. Predicción del Deslumbramiento: Utilizando la GSF precalibrada, el sistema predice la contribución esperada de deslumbramiento ($\bar{g}_{uk}$) en cada píxel $u$ y eco $k$ basándose en las intensidades corregidas por apilamiento de todos los demás píxeles.
   $$\bar{g}_{uk} = \sum_{u'} a(u, u') \left[ \sum_{k'} o(t_{u'k'} - t_{uk}) y_{u'k'} \right]$$
   donde $o(\delta t)$ cuenta con la superposición temporal entre las ventanas de ajuste.
2. Métrica de Confianza: Se calcula una métrica de probabilidad binomial para evaluar si el conteo de fotones medido $Y$ excede significativamente el conteo de deslumbramiento esperado $N P_G$.
   $$C = \begin{cases} -\ln \mathbb{P}(Y; P_G, N) & \text{si } Y \geq N P_G \\ 0 & \text{si } Y < N P_G \end{cases}$$
   Los ecos con $C=0$ se identifican como deslumbramiento; aquellos con $C>0$ se retienen como retornos válidos de la escena. El sistema selecciona el eco de mayor confianza por píxel para formar el mapa de profundidad final.

3. Contribuciones Clave

El artículo realiza cuatro contribuciones específicas:

1. Identificación del Modo de Fallo: Identifica explícitamente el deslumbramiento por trayectorias múltiples internas como un modo de fallo crítico y frecuente para los LiDARs de estado sólido de próxima generación, distinto de los artefactos dispersos de los sistemas heredados.
2. Formulación en el Dominio Transitorio: Introduce un modelo que cuenta conjuntamente con el deslumbramiento por trayectorias múltiples internas y la distorsión no lineal por apilamiento de fotones, operando en el espacio de eco transitorio en lugar de la nube de puntos final.
3. Algoritmo sin Entrenamiento: Propone un algoritmo que aprovecha la GSF conocida para estimar la probabilidad de detecciones inducidas por deslumbramiento sin requerir conjuntos de datos etiquetados a gran escala ni entrenamiento sintético.
4. Integración en la Tubería: Demuestra un método práctico que se integra sin problemas en las tuberías estándar de procesamiento de señales LiDAR (DSP) en sensores comerciales no modificados, operando antes de la formación de la nube de puntos.

4. Resultados Experimentales

El método fue evaluado utilizando un LiDAR SP comercial (ADS6311) en diversas escenas que contenían retrorreflectores diversos (señales de stop, matrículas, conos de tráfico, chalecos de seguridad).

• Rendimiento Cuantitativo: En comparación con un método de aprendizaje profundo de referencia [5] y un enfoque fotográfico de eliminación de deslumbramientos [26], el método propuesto logró un Error Cuadrático Medio (RMSE) significativamente menor y una mayor precisión $\delta_1$ (porcentaje de píxeles dentro del 1% de la verdad terreno).
  • Ejemplo: En una escena con una señal de stop, el método de aprendizaje profundo de referencia logró un RMSE de 0.48m, mientras que el método propuesto logró 0.11m.
• Robustez ante la Complejidad: A diferencia de la referencia, que tuvo dificultades con geometrías complejas (por ejemplo, conos de tráfico, chalecos de seguridad) y múltiples retrorreflectores, el método propuesto generalizó eficazmente a través de todas las formas y configuraciones probadas.
• Manejo del Apilamiento: Los experimentos mostraron que los métodos fotográficos de eliminación de deslumbramientos (aplicados a rebanadas de tiempo individuales) fallaron cuando el apilamiento fue severo, porque el apilamiento desplaza el retorno directo a bins de tiempo anteriores, separándolo de la señal de deslumbramiento en el dominio del tiempo. El método propuesto en el espacio de eco manejó esto con éxito al corregir el apilamiento antes de la estimación del deslumbramiento.
• Preservación de Señales Reales: El método suprimió con éxito el deslumbramiento mientras preservaba señales verdaderas y más débiles (por ejemplo, un maniquí que representa a un niño) que de otro modo estarían oscurecidas por artefactos de "bloqueo" en tuberías estándar.

5. Significado y Afirmaciones

El artículo argumenta que el deslumbramiento interno no es meramente un caso marginal, sino un desafío fundamental para la "cámara-ficación" del LiDAR. El significado de este trabajo radica en:

• Cambio de Paradigma: Mover la mitigación del deslumbramiento del postprocesamiento (nube de puntos) al preprocesamiento (dominio transitorio/eco), donde la física del artefacto es más tratable.
• Habilitación de Arquitecturas de Estado Sólido: Al proporcionar una solución de software a un problema inducido por hardware, el método reduce la necesidad de arquitecturas de escaneo voluminosas y subóptimas utilizadas históricamente para evitar el deslumbramiento. Esto podría acelerar la adopción de LiDARs de estado sólido completamente, de alta resolución y bajo costo.
• Modularidad: El enfoque está diseñado para ser un componente modular de la tubería de procesamiento de fotones, compatible con técnicas existentes de corrección de apilamiento, eliminación de ruido y compresión.

Los autores reconocen limitaciones, señalando que el método requiere la precalibración de la GSF para cada sensor y aún no ha sido probado en escenas exteriores con fondo solar intenso. Sin embargo, postulan que la eliminación de deslumbramientos algorítmica podría convertirse en un componente estándar de las tuberías de percepción 3D, análogo a la eliminación de ruido en la imagen convencional.