Sintesi Tecnica: Fantasmi nelle Nuvole di Punti: De-glare LiDAR nel Dominio Transitorio

1. Enunciato del Problema

La rapida transizione della tecnologia LiDAR da sistemi voluminosi a scansione meccanica a array compatti, a stato solido e simili a fotocamere (in particolare quelli che utilizzano array di diodi a valanga a fotone singolo o SPAD) introduce una modalità di guasto critica: il glare da multipercorso interno.

In questi sensori "fotocamere-ficati", la luce proveniente da superfici brillanti o retro-riflettenti (ad esempio, segnali stradali, targhe) subisce multiple riflessioni interne e scattering all'interno dell'assemblaggio ottico prima di raggiungere il sensore. A differenza dei LiDAR a scansione legacy, che evitavano questo fenomeno tramite percorsi ottici dedicati e spari sequenziali, i moderni array densi di pixel permettono a questa luce diffusa di propagarsi su pixel adiacenti. Questo fenomeno crea "fantasmi nelle nuvole di punti"—oggetti fantasma che oscurano la geometria reale della scena e pongono rischi critici per la sicurezza dei sistemi autonomi.

Le soluzioni esistenti sono insufficienti per tre motivi principali:

1. Temporizzazione: Molti approcci operano sulla nuvola di punti finale, dopo che gli artefatti si sono intrecciati con i dati geometrici, rendendo difficile la separazione.
2. Distorsione da Pileup: Le risposte ad alta intensità che causano glare inducono spesso un grave photon pileup (distorsione non lineare in cui i fotoni precoci censurano quelli tardivi), che i metodi lineari standard di de-glare non riescono a gestire.
3. Generalizzazione: I metodi basati sull'apprendimento spesso si affidano a dati sintetici e a ipotesi geometriche specifiche (ad esempio, segnali ottagonali), faticando a generalizzare a scene complesse o a tipi diversi di retro-riflettori senza dati di addestramento estesi.

2. Metodologia

Gli autori propongono un approccio privo di addestramento e fondato sulla fisica che opera nel dominio transitorio (su rilevamenti di eco a basso livello) prima della formazione della nuvola di punti. La pipeline consiste in tre fasi principali:

A. Modellazione del Glare Transitorio (TGSF)

Il documento modella il glare interno come un operatore lineare, indipendente dalla scena, che agisce sugli istogrammi transitori.

• Funzione di Diffusione del Glare Transitorio (TGSF): Definita come $a(u, v, t, u', v', t')$, questo operatore descrive come i fotoni da un singolo pixel $(u', v')$ al tempo $t'$ si ridistribuiscono su altri pixel e bin temporali a causa dello scattering interno.
• Semplificazione: In pratica, il ritardo temporale causato dallo scattering interno è trascurabile rispetto alla risoluzione del sensore. Pertanto, la TGSF è approssimata come una Funzione di Diffusione del Glare (GSF) indipendente dal tempo, $a(u, u')$, riducendo il problema a una convoluzione spaziale nel dominio dell'eco.

B. Correzione del Pileup

Prima di affrontare il glare, il metodo corregge il photon pileup, che distorce l'intensità e il tempo di volo (ToF) delle risposte più brillanti.

• Correzione Basata sui Momenti: Invece di tentare di "distorcere completamente" gli istogrammi grezzi (il che è computazionalmente difficile e soggetto a saturazione), il sistema estrae i primi tre momenti (conteggi totali, ToF medio, varianza) delle eco rilevate.
• Tabelle di Ricerca (LUT): Utilizzando un modello in avanti della fisica del pileup, gli autori generano LUT che mappano la varianza misurata e il rumore di fondo al flusso incidente reale e allo spostamento medio. Ciò permette al sistema di recuperare il vero ToF e l'intensità dell'eco "aggressore", essenziale per una previsione accurata del glare.

C. Previsione e Soppressione del Glare

Una volta corrette le eco per il pileup, l'algoritmo determina la probabilità che un rilevamento sia una risposta reale o un artefatto di glare.

1. Previsione del Glare: Utilizzando la GSF pre-calibrata, il sistema prevede il contributo atteso di glare ($\bar{g}_{uk}$) su ciascun pixel $u$ ed eco $k$ basato sulle intensità corrette per il pileup di tutti gli altri pixel.
   $$\bar{g}_{uk} = \sum_{u'} a(u, u') \left[ \sum_{k'} o(t_{u'k'} - t_{uk}) y_{u'k'} \right]$$
   dove $o(\delta t)$ tiene conto della sovrapposizione temporale tra le finestre di adattamento.
2. Metrica di Confidenza: Viene calcolata una metrica di verosimiglianza binomiale per valutare se il conteggio di fotoni misurato $Y$ supera significativamente il conteggio di glare atteso $N P_G$.
   $$C = \begin{cases} -\ln \mathbb{P}(Y; P_G, N) & \text{se } Y \geq N P_G \\ 0 & \text{se } Y < N P_G \end{cases}$$
   Le eco con $C=0$ sono identificate come glare; quelle con $C>0$ sono mantenute come risposte valide alla scena. Il sistema seleziona l'eco con la massima confidenza per pixel per formare la mappa di profondità finale.

3. Contributi Chiave

Il documento apporta quattro contributi specifici:

1. Identificazione della Modalità di Guasto: Identifica esplicitamente il glare da multipercorso interno come una modalità di guasto critica e frequente per i LiDAR a stato solido di prossima generazione, distinta dagli artefatti sparsi dei sistemi legacy.
2. Formulazione nel Dominio Transitorio: Introduce un modello che tiene conto congiuntamente del glare da multipercorso interno e della distorsione non lineare del photon pileup, operando nello spazio delle eco transitorie piuttosto che nella nuvola di punti finale.
3. Algoritmo Senza Addestramento: Propone un algoritmo che sfrutta la GSF nota per stimare la probabilità di rilevamenti indotti da glare senza richiedere dataset etichettati su larga scala o addestramento sintetico.
4. Integrazione nella Pipeline: Dimostra un metodo pratico che si integra perfettamente nelle pipeline standard di elaborazione del segnale LiDAR (DSP) su sensori commerciali non modificati, operando prima della formazione della nuvola di punti.

4. Risultati Sperimentali

Il metodo è stato valutato utilizzando un LiDAR SP commerciale (ADS6311) in varie scene contenenti diversi retro-riflettori (segni di stop, targhe, coni di traffico, giubbotti di sicurezza).

• Prestazioni Quantitative: Rispetto a un metodo di deep learning di base [5] e a un approccio fotografico di de-glare [26], il metodo proposto ha ottenuto un errore quadratico medio (RMSE) significativamente inferiore e una maggiore accuratezza $\delta_1$ (percentuale di pixel entro l'1% del ground truth).
  • Esempio: In una scena con un segnale di stop, il metodo di deep learning di base ha ottenuto un RMSE di 0,48 m, mentre il metodo proposto ha ottenuto 0,11 m.
• Robustezza alla Complessità: A differenza della base, che faticava con geometrie complesse (ad esempio, coni di traffico, giubbotti di sicurezza) e multipli retro-riflettori, il metodo proposto si è generalizzato efficacemente su tutte le forme e configurazioni testate.
• Gestione del Pileup: Gli esperimenti hanno mostrato che i metodi fotografici di de-glare (applicati a singole fette temporali) fallivano quando il pileup era grave, perché il pileup sposta la risposta diretta verso bin temporali più precoci, separandola dal segnale di glare nel dominio del tempo. Il metodo proposto nello spazio delle eco ha gestito con successo questo fenomeno correggendo il pileup prima della stima del glare.
• Preservazione dei Segnali Reali: Il metodo ha soppresso con successo il glare preservando segnali reali e più deboli (ad esempio, un manichino che rappresenta un bambino) che altrimenti sarebbero stati oscurati da artefatti di "bloom" nelle pipeline standard.

5. Significato e Affermazioni

Il documento sostiene che il glare interno non è semplicemente un caso limite, ma una sfida fondamentale per la "fotocamera-ficazione" del LiDAR. Il significato di questo lavoro risiede in:

• Cambiamento di Paradigma: Spostare la mitigazione del glare dal post-processing (nuvola di punti) al pre-processing (dominio transitorio/eco), dove la fisica dell'artefatto è più trattabile.
• Abilitazione di Architetture a Stato Solido: Fornendo una soluzione software a un problema indotto dall'hardware, il metodo riduce la necessità di architetture di scansione voluminose e sub-ottimali storicamente utilizzate per evitare il glare. Ciò potrebbe accelerare l'adozione di LiDAR a stato solido completamente, ad alta risoluzione e a basso costo.
• Modularità: L'approccio è progettato per essere un componente modulare della pipeline di elaborazione dei fotoni, compatibile con le tecniche esistenti di correzione del pileup, denoising e compressione.

Gli autori riconoscono le limitazioni, notando che il metodo richiede la pre-calibrazione della GSF per ciascun sensore e non è stato ancora testato in scene esterne con intenso sfondo solare. Tuttavia, ipotizzano che il de-glare algoritmico potrebbe diventare un componente standard delle pipeline di percezione 3D, analogo al denoising nell'imaging convenzionale.