Résumé technique : Fantômes dans les nuages de points : Déglare LiDAR dans le domaine transitoire

1. Énoncé du problème

La transition rapide de la technologie LiDAR, passant de systèmes volumineux à balayage mécanique à des réseaux compacts, à état solide et semblables à des caméras (spécifiquement ceux utilisant des réseaux de diodes à avalanche à photon unique ou SPAD), introduit un mode de défaillance critique : le scintillement interne multipath.

Dans ces capteurs « camérisés », la lumière provenant de surfaces brillantes ou rétroréfléchissantes (par exemple, panneaux de signalisation, plaques d'immatriculation) subit de multiples réflexions internes et une diffusion au sein de l'assemblage optique avant d'atteindre le capteur. Contrairement aux LiDARs à balayage hérités, qui évitaient ce phénomène grâce à des chemins optiques dédiés et à des déclenchements séquentiels, les réseaux de pixels denses modernes permettent à cette lumière diffusée de se propager sur les pixels voisins. Ce phénomène crée des « fantômes dans les nuages de points » — des objets fantômes qui obscurcissent la géométrie réelle de la scène et posent des risques critiques pour la sécurité des systèmes autonomes.

Les solutions existantes sont insuffisantes pour trois raisons principales :

1. Chronologie : De nombreuses approches opèrent sur le nuage de points final, une fois les artefacts entrelacés avec les données géométriques, rendant la séparation difficile.
2. Distortion par empilement : Les retours de haute intensité causant du scintillement induisent souvent un empilement de photons sévère (distortion non linéaire où les photons précoces censurent les photons tardifs), que les méthodes de déglare linéaires standard ne parviennent pas à gérer.
3. Généralisation : Les méthodes basées sur l'apprentissage reposent souvent sur des données synthétiques et des hypothèses géométriques spécifiques (par exemple, panneaux octogonaux), peinant à se généraliser à des scènes complexes ou à des types divers de rétroréfléchissants sans données d'entraînement extensives.

2. Méthodologie

Les auteurs proposent une approche sans entraînement, ancrée dans la physique, qui opère dans le domaine transitoire (sur les détections d'échos de bas niveau) avant la formation du nuage de points. Le pipeline se compose de trois étapes principales :

A. Modélisation du scintillement transitoire (TGSF)

L'article modélise le scintillement interne comme un opérateur linéaire, indépendant de la scène, agissant sur les histogrammes transitoires.

• Fonction d'étalement du scintillement transitoire (TGSF) : Définie comme $a(u, v, t, u', v', t')$, cet opérateur décrit comment les photons d'un pixel unique $(u', v')$ à l'instant $t'$ se redistribuent sur d'autres pixels et d'autres intervalles de temps en raison de la diffusion interne.
• Simplification : En pratique, le délai temporel causé par la diffusion interne est négligeable par rapport à la résolution du capteur. Ainsi, la TGSF est approximée comme une Fonction d'étalement du scintillement (GSF) indépendante du temps, $a(u, u')$, réduisant le problème à une convolution spatiale dans le domaine de l'écho.

B. Correction de l'empilement

Avant de traiter le scintillement, la méthode corrige l'empilement de photons, qui déforme l'intensité et le temps de vol (ToF) des retours les plus brillants.

• Correction basée sur les moments : Au lieu d'essayer de « dédistordre » complètement les histogrammes bruts (ce qui est difficile à calculer et sujet à la saturation), le système extrait les trois premiers moments (comptages totaux, ToF moyen, variance) des échos détectés.
• Tables de recherche (LUT) : En utilisant un modèle direct de la physique de l'empilement, les auteurs génèrent des LUTs qui cartographient la variance mesurée et le bruit de fond vers le flux incident réel et le décalage moyen. Cela permet au système de récupérer le ToF et l'intensité réels de l'écho « agresseur », ce qui est essentiel pour une prédiction précise du scintillement.

C. Prédiction et suppression du scintillement

Une fois les échos corrigés de l'empilement, l'algorithme détermine la probabilité qu'une détection soit un retour réel ou un artefact de scintillement.

1. Prédiction du scintillement : En utilisant la GSF pré-calibrée, le système prédit la contribution de scintillement attendue ($\bar{g}_{uk}$) à chaque pixel $u$ et écho $k$ basée sur les intensités corrigées de l'empilement de tous les autres pixels.
   $$\bar{g}_{uk} = \sum_{u'} a(u, u') \left[ \sum_{k'} o(t_{u'k'} - t_{uk}) y_{u'k'} \right]$$
   où $o(\delta t)$ prend en compte le chevauchement temporel entre les fenêtres d'ajustement.
2. Métrique de confiance : Une métrique de vraisemblance binomiale est calculée pour évaluer si le comptage de photons mesuré $Y$ dépasse significativement le comptage de scintillement attendu $N P_G$.
   $$C = \begin{cases} -\ln \mathbb{P}(Y; P_G, N) & \text{si } Y \geq N P_G \\ 0 & \text{si } Y < N P_G \end{cases}$$
   Les échos avec $C=0$ sont identifiés comme du scintillement ; ceux avec $C>0$ sont conservés comme des retours de scène valides. Le système sélectionne l'écho de plus haute confiance par pixel pour former la carte de profondeur finale.

3. Contributions clés

L'article apporte quatre contributions spécifiques :

1. Identification du mode de défaillance : Il identifie explicitement le scintillement interne multipath comme un mode de défaillance critique et fréquent pour les LiDARs à état solide de nouvelle génération, distinct des artefacts épars des systèmes hérités.
2. Formulation dans le domaine transitoire : Il introduit un modèle qui prend en compte conjointement le scintillement interne multipath et la distortion non linéaire par empilement de photons, opérant dans l'espace des échos transitoires plutôt que dans le nuage de points final.
3. Algorithme sans entraînement : Il propose un algorithme qui exploite la GSF connue pour estimer la probabilité de détections induites par le scintillement sans nécessiter de grands ensembles de données étiquetés ou d'entraînement synthétique.
4. Intégration au pipeline : Il démontre une méthode pratique qui s'intègre de manière transparente dans les pipelines de traitement du signal LiDAR standard (DSP) sur des capteurs commerciaux non modifiés, opérant avant la formation du nuage de points.

4. Résultats expérimentaux

La méthode a été évaluée à l'aide d'un LiDAR SP commercial (ADS6311) dans diverses scènes contenant des rétroréfléchissants divers (panneaux d'arrêt, plaques d'immatriculation, cônes de signalisation, gilets de sécurité).

• Performance quantitative : Comparée à une méthode d'apprentissage profond de référence [5] et à une approche photographique de déglare [26], la méthode proposée a obtenu une erreur quadratique moyenne (RMSE) significativement plus faible et une précision $\delta_1$ plus élevée (pourcentage de pixels à moins de 1 % de la vérité terrain).
  • Exemple : Dans une scène avec un panneau d'arrêt, la méthode d'apprentissage profond de référence a obtenu un RMSE de 0,48 m, tandis que la méthode proposée a obtenu 0,11 m.
• Robustesse à la complexité : Contrairement à la référence, qui peinaient avec des géométries complexes (par exemple, cônes de signalisation, gilets de sécurité) et des rétroréfléchissants multiples, la méthode proposée s'est généralisée efficacement à toutes les formes et configurations testées.
• Gestion de l'empilement : Les expériences ont montré que les méthodes photographiques de déglare (appliquées à des tranches de temps individuelles) échouaient lorsque l'empilement était sévère, car l'empilement déplace le retour direct vers des intervalles de temps plus précoces, le séparant du signal de scintillement dans le domaine temporel. La méthode proposée dans l'espace des échos a géré cela avec succès en corrigeant l'empilement avant l'estimation du scintillement.
• Préservation des signaux réels : La méthode a réussi à supprimer le scintillement tout en préservant les signaux réels, plus faibles (par exemple, un mannequin représentant un enfant) qui étaient autrement obscurcis par des artefacts de « bloom » dans les pipelines standard.

5. Importance et revendications

L'article soutient que le scintillement interne n'est pas simplement un cas limite, mais un défi fondamental pour la « camérisation » du LiDAR. L'importance de ce travail réside dans :

• Changement de paradigme : Déplacer l'atténuation du scintillement du post-traitement (nuage de points) vers le pré-traitement (domaine transitoire/écho), là où la physique de l'artefact est la plus traitable.
• Permettre les architectures à état solide : En fournissant une solution logicielle à un problème induit par le matériel, la méthode réduit le besoin d'architectures de balayage volumineuses et sous-optimales utilisées historiquement pour éviter le scintillement. Cela pourrait accélérer l'adoption de LiDARs à haute résolution, peu coûteux et entièrement à état solide.
• Modularité : L'approche est conçue pour être un composant modulaire du pipeline de traitement des photons, compatible avec les techniques existantes de correction d'empilement, de débruitage et de compression.

Les auteurs reconnaissent des limites, notant que la méthode nécessite un pré-calibrage de la GSF pour chaque capteur et n'a pas encore été testée dans des scènes extérieures avec un fond solaire intense. Cependant, ils postulent que le déglare algorithmique pourrait devenir un composant standard des pipelines de perception 3D, analogue au débruitage dans l'imagerie conventionnelle.