基于BP 神經網絡優化掃頻線性度的FMCW 激光雷達

金里 楊米杰* 曹睿 蔣平 李同輝 吳蓓蓓 路侑錫

（聯合微電子中心有限責任公司，重慶 400000）

1 概述

激光雷達(LiDAR)技術被廣泛應用于機器人、自動駕駛和地圖繪制等領域。其使用的測距技術主要分為兩類:脈沖飛行時間技術(Time of flight， TOF)和調頻連續波技術(FMCW)。目前TOF方案較為成熟，已經用在多個領域，其通常與機械式（轉鏡、電機、MEMS 等）光束偏轉方案結合，實現3D 探測，FMCW 方案近幾年來，被世界范圍廣大的關注，成為研究熱點。與傳統的TOF相比，FMCW 技術具有光功率要求低、分辨率高、抗陽光照射等優點，且易于與硅基光學相控陣技術相結合，有望芯片化實現收發探測。此外，FMCW 利用多普勒效應同時提供目標的位置和速度信息，使其更有利于目標分類[1]，區分出動、靜態目標，降低后端算法的處理復雜度。FMCW 激光雷達采用相干探測原理來測量目標的距離，激光源發出掃頻信號光，到達目標后反射到接收器，接收到的反射光和參考光被光電探測器同時檢測并轉換為拍頻信號，通過計算接收拍頻信號的固定頻率，可以提取目標距離。因此FMCW 激光雷達需要激光頻率掃描的非常高的線性度，以便提取穩定的拍頻信號，提高探測精度。然而，對于大多數激光器，調諧電信號和輸出光頻率之間的關系不是線性的。激光掃頻的殘余非線性會降低測量的穩定性、分辨率和信噪比。近年來，國內也有一些團隊開始了激光線性度校準的研究。2015 年，趙青云等人實現了激光器的開環預標定。當激光頻率偏移為45 GHz，掃描頻率為1 kHz 時，殘余非線性范圍為0.345% ～0.578%，實現3 米的距離測量。2019 年，張曉生等采用開環迭代學習方法實現DFB 激光器頻率掃描的高線性度。激光線性剩余非線性為0.005%，激光頻率偏移為49 GHz，掃描頻率為4 kHz，實現了3 米以內的二維成像。

本文采用比例積分微分(PID)控制方法結合后向傳播(BP)神經網絡來提高激光頻率掃描的線性度。通過分析下一次迭代的反饋差和輸出，可以實現激光線性度的高效標定，采用DFB 激光器作為激光源。實驗表明，該控制方法具有較高的線性度和快速的頻率掃描標定速度。DFB 激光器的掃描頻率為12.5 kHz，頻率偏移為3.7 GHz，峰值驅動電壓為140 mV。殘余非線性系數為0.0015%。

2 算法和分析

PID 控制方法是一種簡單有效的算法，在控制系統中有著廣泛的應用，但也存在非線性和不確定性的缺點。BP 神經網絡具有自主學習能力，能對PID 參數進行優化，達到更好的控制效果。控制系統由兩部分組成:PID 控制器作為直接閉環控制器，BP 神經網絡作為PID 控制器的調節。PID 控制方法采用增量式PID 控制算法進行計算。控制算法可以用公式來表達:

上式中Kp，Ki，Kd分別為PID 控制系統的比例系數、積分時間常數、微分時間常數。

隱含層的輸入輸出如下:

如式（11），神經網絡輸出三個節點分別對應PID 的Kp，Ki，Kd。

3 實驗結果

激光掃頻線性化預標定測試系統的架構如圖1(a)所示，系統包括激光器、激光驅動器、光纖組成的馬赫曾德干涉儀（MZI）、平衡檢測器(BPD)和個人計算機(上位機，PC)[3]。激光器發射一束信號到MZI 中，而MZI 其中一條臂含有一段延遲光纖，延遲時間為。MZI 的兩輸出信號光由BPD 檢測并轉換為拍頻信號。上位機采集接收到的數據，計算拍頻信號的固定頻率，并對算法進行校正，其中不同的延遲光纖長度分別對應不同的拍頻信號頻率。

算法迭代過程示意圖如圖1(b)所示。PC 通過希爾伯特變換計算頻率變化值Vk(t)。通過分析Vk(t)與期望值Vd(t)的差值，可以計算出誤差ek(t)。通過采用基于BP 神經網絡的PID 控制算法，計算出下一個驅動電壓t)，加載驅動數據，完成[4]迭代。為驗證算法模型，將該算法應用于波長為1550 nm 的DFB 激光器。采集設備采用吉時利示波器MSO9104A，采樣率為200mhz/s。PC 作為數據處理和三維點云生成的平臺。上位機通過VISA總線與示波器通信，對采集到的數據進行控制和傳輸。制了驅動電壓范圍為0 ～500mv 的激光驅動器。DFB 驅動通過串口與PC 機連接，實現通信配置和其他交互。峰值驅動電壓為140 mV。通過優化算法，實現了掃描頻率為12.5 kHz，激光頻率偏移為3.7 GHz。殘余非線性達到0.0015%。該控制方法具有較高的線性度和快速的標定速度。標定前后的驅動曲線如圖2 所示，分別為(a)和(b)。圖3 給出了半周期內掃頻帶寬與時間的關系，有效地表征了DFB 激光器的高線性度。紅色曲線和藍色曲線分別為理論實驗曲線。

圖1

圖2 激光器的驅動信號曲線

圖3 激光器線性掃頻校準后的結果

還進行了基于FMCW 激光雷達的二維成像實驗。掃描裝置采用二維機械電流計，x 軸和y 軸掃描角度為±20°，掃描精度為0.1°，實測結果如圖4 所示。圖4(a)為實景，包含沙發、后墻、柱子。圖4(b)為系統測量的三維圖像，精確恢復了目標的三維特征。

圖4 沙發三維測量點云圖

此外，還對車庫進行了建模，以驗證遠程檢測的性能。x 軸掃描角度精度為0.15°，y 軸掃描角度精度為0.2°。實測結果如圖5 所示。圖5(a)是車庫的真實圖片，到后墻的距離為70 米，柱子之間相隔約7 米。圖5(b)是系統測量的圖像，FMCW 激光雷達收集壁面和每個柱面的信息，收集點顯示了一個理想的修復。

圖5 地下車庫柱子三維掃描圖

4 結論

采用PID 控制方法結合BP 神經網絡實現了DFB 激光器的理想預標定。實驗實現了線性度較好的激光掃頻，滿足了FMCW 激光雷達的要求。實驗證明了二維成像。該方法不需要額外的電路，消除了電路的復雜性和數字算法的難度，從而降低了FMCW 激光雷達的成本和系統復雜度。此外，采用BP 神經網絡算法優化的PID 控制方法提高了收斂速度。迭代基本上是在幾十次之后完成的。結果表明，優化后的算法加快了迭代速度，提高了系統的實用性。

感謝：

本工作得到了聯合微電子中心有限公司的大力支持。免責聲明:作者聲明不存在利益沖突。