lidar "eyes" ทำงานอย่างไร?
ก่อนที่จะพูดถึงสาเหตุที่ฝุ่นส่งผลต่อเอฟเฟกต์การจดจำของลิดาร์ เราต้องชี้แจงก่อนว่าไลดาร์ทำงานอย่างไร
LiDAR (LiDAR ชื่อเต็ม Light Detection and Ranging) เป็นเซ็นเซอร์แบบแอคทีฟที่ปล่อยลำแสงเลเซอร์ด้วยตัวมันเอง และลำแสงเลเซอร์จะสะท้อนกลับหลังจากชนวัตถุโดยรอบ ด้วยการวัดเวลาที่ใช้ในแต่ละพัลส์เลเซอร์เพื่อสะท้อนกลับจากการแผ่รังสี ทำให้สามารถคำนวณระยะทางและทิศทางของวัตถุเป้าหมายได้ ดังนั้นจึงสร้างพอยต์คลาวด์สามมิติ-ของสภาพแวดล้อมโดยรอบ
การออกแบบนี้สามารถรับข้อมูลด้านสิ่งแวดล้อมที่แม่นยำมากภายใต้สภาวะที่เหมาะสม แต่จะได้รับผลกระทบอย่างมากหากพบกับวัตถุ เช่น เม็ดฝน ควัน ฝุ่น ฯลฯ สิ่งกีดขวางเหล่านี้จะส่งผลต่อลำแสงเลเซอร์ ซึ่งส่งผลต่อคุณภาพของสัญญาณที่ส่งคืน
ฝุ่นรบกวนสัญญาณเลเซอร์อย่างไร
เมื่อมนุษย์ขับรถหากมีฝุ่นในสิ่งแวดล้อมก็มีผลกระทบเพียงเล็กน้อย แต่สำหรับลิดาร์ จริงๆ แล้วฝุ่นเป็นแหล่งรบกวนที่ยุ่งยากมาก
เมื่อลำแสงเลเซอร์สัมผัสกับอนุภาคฝุ่นในอากาศ จะเกิดการกระเจิง และแสงที่ควรเดินทางเป็นเส้นตรงในตอนแรกจะถูกหักเหโดยอนุภาคฝุ่น การกระเจิงดังกล่าวจะทำให้สัญญาณย้อนกลับอ่อนลงและพร่ามัวมากขึ้น และแสงบางส่วนอาจไม่กลับไปยังจุดรับสัญญาณด้วยซ้ำ ยิ่งมีฝุ่นมากเท่าใด การกระเจิงของจุดแสงก็จะยิ่งรุนแรงมากขึ้นเท่านั้น และสัญญาณที่มีประสิทธิภาพที่ตรวจพบก็จะยิ่งอ่อนลง ในที่สุดสิ่งนี้จะแสดงออกมาเป็นสัญญาณรบกวนที่เพิ่มขึ้นในข้อมูล point cloud โครงร่างของวัตถุที่ไม่ชัดเจน และแม้แต่การตัดสินที่ผิดโดยระบบว่าไม่มีอุปสรรค
นอกจากการหักเหของแสงแล้ว ฝุ่นยังทำให้ลำแสงสูญเสียพลังงานระหว่างการแพร่กระจาย ทำให้ความแรงของสัญญาณที่เครื่องรับเรดาร์ได้รับลดลง เมื่อความแรงของสัญญาณลดลงเหลือรอบๆ ระดับเสียงรบกวนของเซนเซอร์ จะเป็นการยากที่จะแยกแยะระหว่างการสะท้อนจริงและเสียงพื้นหลังได้อย่างแม่นยำ ซึ่งส่งผลโดยตรงต่อความแม่นยำในการกำหนดขอบเขตและความสามารถในการระบุวัตถุที่อยู่ห่างไกล
ฝุ่นยังสามารถทำให้เกิดการปนเปื้อนของหน้าต่างรับชม LiDAR ได้อีกด้วย ลำแสงส่งและรับ LiDAR จำเป็นต้องผ่านกระจกหรือหน้าต่างป้องกันโปร่งใส หากมีฝุ่นติดอยู่ที่พื้นผิวของหน้าต่างนี้ และค่อยๆ สะสมและหนาขึ้นเมื่อเวลาผ่านไป เลเซอร์จะสร้างการสะท้อนและการดูดกลืนแบบกระจายเมื่อผ่านชั้นมลพิษนี้ และสัญญาณของลำแสงที่ออกไปและกลับมาจะลดลงหรือแม้กระทั่งเปลี่ยนทิศทาง การบดเคี้ยวทางกายภาพประเภทนี้มีผลกระทบอย่างมากต่อคุณภาพโดยรวมของพอยต์คลาวด์ ไม่เพียงแต่การวัดระยะทางจะคลาดเคลื่อนเท่านั้น แต่ยังอาจทำให้ระบบเข้าใจผิดว่ามีสิ่งกีดขวางข้างหน้าหรือมองไม่เห็นวัตถุจริงเลย
วิธีลดผลกระทบของฝุ่นบนลิดาร์
ในความเป็นจริง มีการเสนอมาตรการรับมือหลายประการและนำไปใช้กับการรบกวนของฝุ่น
แนวคิดหนึ่งคือลดการเกาะติดของฝุ่นจากฮาร์ดแวร์ไปที่หน้าต่าง ในการออกแบบวัสดุเปลือกและการเคลือบของเรดาร์ วัสดุที่มีการส่องผ่านแสงสูงและป้องกันการเปรอะเปื้อนสูง- สามารถใช้เพื่อลดการสะสมของฝุ่นบนฝาครอบป้องกัน ดังนั้นจึงมั่นใจได้ว่าเลเซอร์จะถูกปิดกั้นน้อยที่สุดเท่าที่จะทำได้ ตัวอย่างเช่น ในบางสถานการณ์การใช้งาน ฝาครอบป้องกันที่มีการเคลือบกันเพรียงนาโน-บนพื้นผิวจะถูกนำมาใช้เพื่อป้องกันไม่ให้ฝุ่นเกาะติดและยืดระยะเวลาการทำความสะอาดของอุปกรณ์
ในระดับซอฟต์แวร์ อุตสาหกรรมยังได้พัฒนาอัลกอริธึมการกรองและการจดจำเป้าหมาย อัลกอริธึมเหล่านี้จะรวมความเข้มและระยะทางของเสียงสะท้อนของเลเซอร์และการกระจายของจุดรอบๆ เมฆจุด เพื่อพิจารณาว่าจุดใดที่มีแนวโน้มที่จะเป็นสัญญาณรบกวนที่เกิดจากการกระเจิงของฝุ่น จากนั้นจึงลบจุดเหล่านั้นออกจากข้อมูลของจุดเมฆ "อัลกอริธึมการกำจัดฝุ่น" ดังกล่าวสามารถกู้คืนข้อมูลพอยต์คลาวด์ของสภาพแวดล้อมจริงได้ในระดับหนึ่ง และลดผลกระทบของสิ่งกีดขวางที่ผิดพลาด
อีกวิธีหนึ่งคือการหลอมรวมเซ็นเซอร์ ซึ่งก็คือการรวมไลดาร์กับเซ็นเซอร์ประเภทอื่นๆ ตัวอย่างเช่น กล้องสามารถให้ข้อมูลภาพเพื่อช่วยแยกฝุ่นออกจากเป้าหมายจริง เรดาร์คลื่นมิลลิเมตร-มีความสามารถในการเจาะทะลุฝน หมอก และฝุ่นได้ดีกว่า การรวมเข้าด้วยกันจะทำให้เกิดระบบการรับรู้ที่แข็งแกร่งยิ่งขึ้น ซึ่งมีความน่าเชื่อถือมากกว่าระบบ Lidar เดียวในสภาพแวดล้อมที่ซับซ้อน
ในสถานการณ์ที่รุนแรงพิเศษบางสถานการณ์ จะมีการเพิ่มมาตรการทำความสะอาดเชิงรุก เช่น การติดตั้งอุปกรณ์เป่าลม แปรง หรือโมดูลทำความสะอาดกลไกอื่นๆ ที่ด้านนอกของฝาปิด เพื่อทำความสะอาดฝุ่นบนพื้นผิวของหน้าต่างเป็นประจำ อย่างไรก็ตาม โซลูชันประเภทนี้มีข้อกำหนดด้านต้นทุนและการบำรุงรักษาที่สูงกว่า และส่วนใหญ่จะใช้ในสภาพแวดล้อมอุตสาหกรรมหรือหุ่นยนต์แบบพิเศษ
สรุปแล้ว,
ฝุ่นส่งผลกระทบต่อ LiDAR หลายประการ ไม่เพียงรบกวนเส้นทางการแพร่กระจายของเลเซอร์ แต่ยังลดความแรงของสัญญาณ ปนเปื้อนหน้าต่างเซ็นเซอร์ และนำไปสู่สัญญาณรบกวนที่เพิ่มขึ้นในข้อมูลพอยต์คลาวด์ ความแม่นยำในการจดจำลดลง ระยะการตรวจจับสั้นลง และแม้แต่การตัดสินสิ่งกีดขวางที่ผิดพลาด เพื่อความปลอดภัย-การใช้งานที่สำคัญ เช่น การขับขี่แบบอัตโนมัติ ผลกระทบเหล่านี้ไม่สามารถละเลยได้
