技術的概要：点群内のゴースト：トランジェント領域における LiDAR のゴースト除去

1. 問題定義

LiDAR 技術が、大型の機械走査システムから、コンパクトなソリッドステートでカメラに似たアレイ（特に単一光子アバランシェダイオード、SPAD アレイを利用するもの）へと急速に移行する中で、致命的な故障モードが導入されました。それは内部多重経路ゴーストです。

これらの「カメラ化」されたセンサーでは、明るい表面や再帰反射面（道路標識、ナンバープレートなど）からの光が、センサーに到達する前に光学アセンブリ内で多重反射と散乱を繰り返します。専用の光路と連続発射によってこれを回避していた従来の走査型 LiDAR とは異なり、現代の高密度ピクセルアレイは、この散乱光が隣接ピクセルに広がることを許容します。この現象は点群内に「ゴースト」を生み出します。それは実在するシーン幾何学を隠蔽し、自律システムにとって安全性上の重大なリスクとなる幻影オブジェクトです。

既存の解決策は、主に以下の 3 つの理由から不十分です。

1. タイミング: 多くのアプローチは、アーティファクトが幾何データと絡み合った後の最終点群に対して動作するため、分離が困難です。
2. パイルアップ歪み: ゴーストを引き起こす高強度の戻り信号は、しばしば深刻な光子パイルアップ（初期光子が後続光子を遮蔽する非線形歪み）を引き起こし、標準的な線形ゴースト除去手法では処理できません。
3. 汎用性: 学習ベースの手法は、合成データや特定の幾何学的仮定（八角形の標識など）に依存することが多く、広範な訓練データなしには複雑なシーンや多様な再帰反射体タイプへの汎化が困難です。

2. 手法

著者らは、点群形成前のトランジェント領域（低レベルのエコー検出）において動作する、訓練不要で物理的に裏付けられたアプローチを提案します。パイプラインは 3 つの主要な段階で構成されます。

A. トランジェントゴーストモデル化 (TGSF)

本論文は、内部ゴーストを、トランジェントヒストグラムに対して作用する線形でシーンに依存しない演算子としてモデル化します。

• トランジェントゴースト拡散関数 (TGSF): $a(u, v, t, u', v', t')$ と定義されるこの演算子は、あるピクセル $(u', v')$ から時刻 $t'$ に発せられた光子が、内部散乱により他のピクセルおよび時間ビンにどのように再分配されるかを記述します。
• 簡略化: 実際には、内部散乱による時間遅延はセンサー分解能に比べて無視できるほど小さいため、TGSF は時間非依存のゴースト拡散関数 (GSF) $a(u, u')$ として近似されます。これにより、問題はエコー領域における空間畳み込みへと還元されます。

B. パイルアップ補正

ゴーストに対処する前に、この手法は最も明るい戻り信号の強度と飛行時間 (ToF) を歪ませる光子パイルアップを補正します。

• モーメントベース補正: 生ヒストグラムを完全に「歪み除去」しようとする（計算が困難で飽和しやすい）代わりに、システムは検出されたエコーの最初の 3 つのモーメント（総カウント数、平均 ToF、分散）を抽出します。
• ルックアップテーブル (LUT): パイルアップ物理の前方モデルを用いて、測定された分散と背景ノイズを真の入射フラックスおよび平均シフトにマッピングする LUT を著者らは生成します。これにより、システムは正確なゴースト予測に不可欠な「加害者」エコーの真の ToF と強度を回復できます。

C. ゴースト予測と抑制

エコーがパイルアップ補正されると、アルゴリズムは検出が真の戻り信号かゴーストアーティファクトかを判定します。

1. ゴースト予測: 事前較正された GSF を用いて、システムはすべての他のピクセルのパイルアップ補正済み強度に基づき、各ピクセル $u$ とエコー $k$ における期待されるゴースト寄与 ($\bar{g}_{uk}$) を予測します。
   $$\bar{g}_{uk} = \sum_{u'} a(u, u') \left[ \sum_{k'} o(t_{u'k'} - t_{uk}) y_{u'k'} \right]$$
   ここで $o(\delta t)$ はフィットウィンドウ間の時間的重なりを考慮します。
2. 信頼度メトリクス: 測定された光子カウント $Y$ が期待されるゴーストカウント $N P_G$ を有意に上回るかどうかを評価するため、二項尤度メトリクスが計算されます。
   $$C = \begin{cases} -\ln \mathbb{P}(Y; P_G, N) & \text{if } Y \geq N P_G \\ 0 & \text{if } Y < N P_G \end{cases}$$
   $C=0$ のエコーはゴーストとして識別され、$C>0$ のものは有効なシーン戻り信号として保持されます。システムは、最終的な深度マップを形成するために、ピクセルごとに最高信頼度のエコーを選択します。

3. 主要な貢献

本論文は以下の 4 つの具体的な貢献を行います。

1. 故障モードの特定: 次世代ソリッドステート LiDAR にとって、内部多重経路ゴーストが、従来のシステムの希薄なアーティファクトとは異なる、重要かつ頻発する故障モードであることを明示的に特定しました。
2. トランジェント領域定式化: 内部多重経路ゴーストと非線形光子パイルアップ歪みを同時に考慮するモデルを導入し、最終点群ではなくトランジェントエコー空間で動作します。
3. 訓練不要アルゴリズム: 大規模なラベル付きデータセットや合成訓練を必要とせず、既知の GSF を活用してゴースト誘起検出の確率を推定するアルゴリズムを提案します。
4. パイプライン統合: 変更されていない商用センサー上の標準的な LiDAR 信号処理パイプライン (DSP) にシームレスに統合され、点群形成前に動作する実用的な手法を実証しました。

4. 実験結果

この手法は、多様な再帰反射体（一時停止標識、ナンバープレート、交通コーン、安全ベスト）を含む様々なシーンにおいて、商用 SP-LiDAR (ADS6311) を使用して評価されました。

• 定量的性能: ベースラインの深層学習手法 [5] や写真ベースのゴースト除去アプローチ [26] と比較し、提案手法は有意に低い二乗平均平方根誤差 (RMSE) と高い $\delta_1$ 精度（真値の 1% 以内のピクセルの割合）を達成しました。
  • 例: 一時停止標識を含むシーンにおいて、ベースラインの深層学習手法の RMSE は 0.48m でしたが、提案手法は 0.11m を達成しました。
• 複雑さへの頑健性: 複雑な幾何学（交通コーン、安全ベストなど）や複数の再帰反射体に対して困難に陥ったベースラインとは異なり、提案手法はテストされたすべての形状と構成に対して効果的に汎化しました。
• パイルアップ処理: 実験により、パイルアップが深刻な場合、写真ベースのゴースト除去手法（個々の時間スライスに適用）は失敗することが示されました。これは、パイルアップが直接戻り信号をより早い時間ビンにシフトさせ、時間領域でゴースト信号から分離してしまうためです。提案されたエコー空間手法は、ゴースト推定前にパイルアップを補正することで、これを正常に処理しました。
• 真の信号の保持: この手法はゴーストを効果的に抑制しつつ、標準的なパイプラインでは「ブルーム」アーティファクトによって隠蔽されていた真の微弱信号（子供を模したマネキンなど）を保持することに成功しました。

5. 意義と主張

本論文は、内部ゴーストが単なるコーナーケースではなく、LiDAR の「カメラ化」に対する根本的な課題であると論じています。この研究の意義は以下の点にあります。

• パラダイムの転換: ゴースト低減を、アーティファクトの物理が最も扱いやすい領域である、後処理（点群）から前処理（トランジェント/エコー領域）へと移行させること。
• ソリッドステートアーキテクチャの実現: ハードウェア起因の問題に対するソフトウェア解決策を提供することで、ゴースト回避のために歴史的に使用されてきた最適化されていない大型走査アーキテクチャの必要性を低減します。これにより、高解像度、低コスト、完全ソリッドステートの LiDAR の採用が加速される可能性があります。
• モジュール性: このアプローチは、既存のパイルアップ補正、ノイズ除去、圧縮技術と互換性のある、光子処理パイプラインのモジュールコンポーネントとして設計されています。

著者らは限界を認め、この手法には各センサーごとの GSF の事前較正が必要であり、強烈な太陽光バックグラウンドを持つ屋外シーンではまだテストされていないことを指摘しています。しかし、アルゴリズムによるゴースト除去は、従来の画像処理におけるノイズ除去と同様に、3 次元知覚パイプラインの標準コンポーネントとなり得ると提唱しています。