Full Waveform LiDAR for Adverse Weather Conditions

结论

全波形激光雷达？已经解决了全波形激光雷达(FWL)的一些关键优势，特别是在模糊介质方面。
许多作者已经证明压缩感知[107]具有从相对较少的样本(通常是随机采样)中获取高分辨率图像的潜力
减少像素采样的数量，使用光学方法随机采样的好处是，它允许我们使用更少的像素点，并获得更快的帧率。

利用压缩感知技术提高激光雷达的分辨率？
问题：压缩感知依赖于信号或图像在某些领域的稀疏性，压缩感知LiDAR的图解大多使用简单的测试场景，表面简单，甚至反射率均匀
对于自动驾驶激光雷达来说，异常情况多于通常情况，所以必须小心稀疏域？不能消除不规则行为。
同样，在场景重建中，确保基础稀疏性假设是适用的，并包括对重建场景数据的不确定性的估计是很重要的，表面形状是利用先验的距离知识来感知的，即使用不同的焦点深度。
然而，在汽车激光雷达中，假设必须在所有范围内感知场景，并且在恶劣天气中，必须分析介质

但是，如果我们检查通过雾的感知，我们就会意识到，我们不能像几乎所有以前的研究那样，假设返回光的均匀和恒定的到达是深度的函数
如果我们想根据变化的条件进行动态调整，那么我们需要知道这些条件是什么，这是一个循环问题
因此，我们认为，通过更好分辨率的雷达数据过滤的FWL可以在未来给出高分辨率的场景重建，但不是立即。
不同传感器之间的干扰也是个潜在的问题。如下，且无法通过理论来模拟这些影响2

总之，我们认为FWL是未来汽车行业传感系统的关键组成部分，在恶劣天气条件下，对中间介质的分析是算法和传感器开发的关键组成部分。

引言

讨论恶劣天气下，激光雷达穿越障碍媒介的能力，以达到在保持高空间分辨率优势的同时，更接近恶劣天气下的毫米波雷达性能。
我们从我们自己和其他研究人员在FWL方面的工作中提供了例证，并对实现FWL汽车传感的必要步骤进行了总结和讨论。

传感器

并发多模态数据
FWL数据是否可以为在恶劣条件下获取更详细的3D场景图做出有价值的贡献？

恶劣天气下的激光信号传输

信号的衰减和散射

光在1550nm处的传播比在较短波长处受遮蔽物的衰减要小，但Kim等人[17]根据理论建模和文献荟萃分析，认为这一结论在烟雾中成立，但在雾霾中不一定成立。

下图为波长分析-各个波长在各场景下的衰减率

40米处大部分返回的信号来自中间的介质，而且有明显的峰值，据推测，是由于相对稀疏的介质中的不均匀体积。
在10米能见度下(未显示)，中间介质是均匀的，但目标几乎看不到，如果有的话

最近，Carballo等人进行了一项广泛的研究。[30]检查了12种不同的激光雷达传感器的性能，以捕获200米天气室内场景的距离精度和密度，模拟下雨和有雾的条件。

全波形激光雷达的信号分析

激光雷达点云脉冲模型认为是单个表面返回的非归一化统计混合
波形密度函数：


k表示返回的点数，β各峰值振幅,t0 峰值位置
图9显示了单个阵列像素的四种这种波形的示例。