在城内环境中，通过时间单光子检测技术实现远距离无人机分类

《Optics & Laser Technology》：Long-distance drone classification in intracity environments via temporal single-photon detection

基于时间直方图的单光子LiDAR无人机分类系统在5公里真实城市环境中验证，通过分析回波光子的时间分布直接提取目标特征，无需成像光学和复杂重建算法，在SNR 0.01-0.15和低光子计数率下实现96.11%的姿势分类和98.06%的类型识别精度，敏感度达1.15°。

　　

郭俊然|穆同林|李建国|李建宁|罗子阳|范晓东|陈晔|黄金全|刘敏杰|齐若阳|顾乃婷|蔡洪|Lip Ket Chin|孙世海

电子与通信工程学院，中山大学，中国广东省深圳市518107

摘要

单光子光检测与测距（SP-LiDAR）在远距离成像或目标识别方面具有卓越的能力，但其系统复杂性高以及功耗和时间消耗大，阻碍了其在任务导向型应用中的部署。在本文中，我们首次展示了在真实城市环境中使用时间单光子LiDAR（TSP-LiDAR）对5公里以外的无人机进行分类的实验。与传统方法不同，TSP-LiDAR直接从时间直方图中提取目标特征，无需成像光学系统和计算密集型的重建算法。仿真和现场结果均证实，我们的TSP-LiDAR在包括低信噪比（SNR）和稀疏回声光子计数在内的挑战性条件下仍能实现高分类精度。具体来说，在5公里的实验中，我们在信噪比从0.01到0.15、回声光子计数率在2~30 kHz的范围内，分别实现了96.11%和98.06%的姿态和类型分类精度。值得注意的是，该系统还能区分小至约1.15°的细微姿态变化。这些发现凸显了TSP-LiDAR在稳健、远距离分类小型空中目标方面的潜力，为先进的城市监控和防空应用铺平了道路。

引言

单光子光检测与测距（SP-LiDAR）通过向目标发射脉冲激光并使用单光子探测器（SPD）记录来自目标的回声光子的飞行时间，由于其皮秒级的时间分辨率和单光子灵敏度，在精确成像和遥感方面具有巨大潜力。在大多数当前的SP-LiDAR系统中，例如使用振镜的光栅扫描成像[1]、[2]、[3]、阵列SPD成像[4]、[5]、[6]、[7]、[8]、[9]、单像素计算成像[10]、[11]、[12]、[13]或幽灵成像[14]、[15]、[16]，首先会重建出精确的图像，然后通过人工智能（AI）算法提取与目标相关的特征进行分类。然而，这种两步过程存在复杂性高、功耗大或采集时间长的挑战。这些挑战限制了其在许多紧急场景（例如防空和城市监控[17]、[18]）中的应用，因为在这些场景中需要快速检测远距离的目标。此外，在这些紧急场景中，快速的目标特征识别（存在、类型、姿态、距离等）往往比重建精确图像更为关键。因此，近年来提出了一个开放性问题，即是否可以通过绕过成像阶段，直接根据测量的时间回声光子在视野（FoV）中对目标进行分类或重建，从而简化SP-LiDAR的系统架构。换句话说，无成像的SP-LiDAR可以显著提升其性能指标（例如测距能力、有效操作距离、速度等），扩大其应用范围。 最近提出了时间SP-LiDAR（TSP-LiDAR）[19]，这是一种在光学领域用于识别隐藏目标的新方法，随后该方法被扩展到其他频率范围，包括太赫兹（THz）[20]、射频和声波[21]以及毫米波[22]。TSP-LiDAR不专注于重建精确图像，而是关注来自目标的回声单光子的飞行时间直方图，并借助AI算法和预训练的神经网络直接从采样的时间直方图中提取与目标相关的特征信息。提取的特征信息可用于重建复杂场景的深度图像[20]、[21]、[22]、在非视距条件下定位人类[19]，以及区分不同类型的无人机及其姿态[24]。通过使用单脉冲激光和单像素SPD，无需额外的光学组件（例如振镜、阵列SPD或空间光调制器），TSP-LiDAR提供了高度简化的系统架构和快速的操作能力，使其非常适合在紧急场景中部署。然而，据我们所知，以往涉及TSP-LiDAR的研究仅限于室内或短距离环境（200米以内），这些环境的信噪比（SNR）较高，回声光子数量较多。值得注意的是，目前缺乏在低SNR条件下对远距离小型目标（特别是无人机）进行高精度分类的现场演示。 在这项工作中，我们首次展示了在真实城市环境中对5公里以外距离的无人机进行TSP-LiDAR分类的实验，大幅扩展了小型空中目标的检测范围，超出了传统单光子成像系统的限制。为了评估和预测系统性能，我们开发了一个TSP-LiDAR的理论信号处理模型，能够在不同条件下评估检测性能，包括不同的SNR、积分时间和目标距离。此外，我们设计了一个紧凑的TSP-LiDAR系统进行现场实验，使用最少的回声光子数量实现了无人机类型和姿态的高精度分类。具体来说，对于对角线尺寸小于350毫米的无人机（例如DJI Mavic 3 Pro、Mavic Air 2和Phantom 4 RTK），我们在信噪比从0.01到0.15、回声光子计数率在2~30 kHz的范围内，分别实现了96.11%和98.06%的姿态和类型分类精度。值得注意的是，在5公里距离、100米高度变化的情况下，姿态仅变化了约1.15°，这突显了系统对目标细微差异的敏感性。这些发现凸显了TSP-LiDAR系统在真实场景中对小型空中目标进行稳健、远距离检测的潜力，对于防空和城市监控等紧急应用具有广泛的意义。

实验结果与讨论

图4(a)展示了在深圳进行的现场实验的鸟瞰图，实验时间为晚上7:00至9:00，大气条件下的平均能见度约为10公里，温度约为16°C。风速在0.4至4.1米/秒之间，相对湿度在29%至48%之间。实验过程中，无人机保持悬停状态，同时使用两台辅助相机进行手动跟踪和光学对准。

结论

本研究展示了TSP-LiDAR在目标分类方面的实际优势，这归功于其简化的系统架构、降低的时间和功耗，以及能够在稀疏回声光子条件下有效运行的能力等。我们开发了一个通用理论模型，能够根据任意目标的3D几何结构生成时间直方图，该模型考虑了关键的操作参数，如SNR、回声光子数量、距离和采样时间。这一模型使得全面评估成为可能。

CRediT作者贡献声明

郭俊然：撰写——原始草稿、可视化、验证、软件、方法论、调查、正式分析、数据管理。 穆同林：方法论、调查。 李建国：调查。 李建宁：调查。 罗子阳：验证、调查。 范晓东：资源支持。 陈晔：资源支持。 黄金全：资源支持。 刘敏杰：资源支持。 齐若阳：撰写——审稿与编辑、资源支持。 顾乃婷：撰写——审稿与编辑、资源支持。 蔡洪：撰写——审稿与

资助

国家自然科学基金（资助编号：62171458）。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：孙世海报告称获得了中山大学的财务支持。如果还有其他作者，他们声明没有已知的财务利益或个人关系可能影响本文所述的工作。