2020年09月17日 | 如何保证ToF 3D检测抗干扰的可靠性

据IHS Markit报告，基于ToF（飞行时间法）方案的多方面优势，预计2022年ToF市场规模将达到15亿美元，占3D传感市场的50%左右。ToF正在成为众多创新应用的关键赋能科技之一，这也与ToF技术解决方案主导厂商之一的ADI产品与市场趋势一致——该公司在2014年开始为国外某知名AR眼镜定制ToF技术，该产品成功落地并实现人机交互和3D重建功能；2016-2017年，ADI ToF技术用于车内手势识别；2018年，ADI ToF技术开始与国内某品牌手机合作并成功批量上市……而近两年在ADI在ToF应用落地频度明显增加，无论是工业完全中的虚拟围栏、还是手机人脸识别，或者汽车、无人机及机器人自主导航应用中纷纷涉及。

就在前不久，ADI宣布与Jungo合作开发基于飞行时间(ToF)和2D红外(IR)技术的摄像头解决方案，以实现车内驾驶员及座舱监测。ADI的ToF技术和Jungo的CoDriver软件相结合，有望通过观察头部、身体位置以及眼睛注视情况，监测车内人员的睡意和注意力分散程度。该解决方案还有望实现基于面部、身体和手势的智能交互，提供各个车内人员的人脸识别功能，从而实现个性化信息娱乐及服务以及拼车支付等功能。 随着类似汽车及工业应用的增加，可靠性成为最重要的关切，特别是作为以光检测为基础的ToF系统之间、环境光干扰导致的干扰隐患如何破？

ToF的激光检测，干扰是普遍存在的隐患

3D ToF是一种无扫描LIDAR（光检测和测距）技术，通过发射纳秒级的高功率光脉冲来捕获相关场景的深度信息（通常是短距离内）。ToF背后的基础科学很简单。该系统发出经脉冲调制的光，并测量光子经物体反射后返回到传感器所需的时间。由于该时间和光速为已知值，因此可以计算出距离。

点云是对ToF摄像头算出的每个像素点深度的3D可视化。ToF是一种景深测量技术，使用红外光源向场景发射多个精确计时的光脉冲。图像传感器与光源共置，接收从场景中所有表面返回的光子，其次序与表面到传感器的距离远近相同。利用已知的光速和光子返回到传感器每个像素点所花费的时间，可以计算出每个像素所对应的距离或深度。

很明显，ToF检测准确的基本条件是自身产生发射光信号并接收该反射信号，但是如果同一场景下多个ToF应用终端如何避免干扰？ ADI就曾做了这方面的实验演示分析——演示设置非常简单，设置了两个相互垂直的ToF摄像头，每个摄像头会显示参与对象在三个维度上的角度，即高度、宽度以及最重要的深度。每种颜色代表不同的距离范围，因此如果现场工作人员靠近摄像头，手上的颜色就会发生变化。同样，如果远离摄像头，工作人员的身体会变成不同的颜色，这意味着距离变得更远。在本演示中，ADI展示了多个ToF摄像头面对面放置。如下图可以看到这种其他摄像头带来的干扰产生的影响——注意到在这张图片中工作人员的颜色改变了，不同的颜色表示不同的距离，这是由于这个ToF摄像头的激光脉冲反射到另一个ToF摄像头，从而显示出失真或错误的距离数据。

多TOF干扰消除技术的效果对比（右边采用干扰消除技术，左边未采用）

如何消除干扰？从硬件到软件全面克服挑战

上图右边的摄像头并未显示这种失真，这是因为该方案中采用了一项正ADI在申请专利的算法，它能够避开或消除所有无关的光信息，仅使用自身激光源的光信息，所以能给出正确的深度信息。另一个摄像头没有采用此干扰消除算法，会出现失真，而这个摄像头则不会出现失真。

根据ADI官网透露，该算法来自于其内部技术孵化器“Analog Garage”的飞行时间AGI团队，通过与对应用和硬件有着非常深刻的理解业务部合作的几个月合作，借助业务部拥有广泛的洞察力、传递实际客户的反馈，以及他也提出的各种问题，从干扰、功耗到动态范围。为了使用搭载ADI公司产品的传感器和摄像头模块进行实验和快速学习，该团队深入了解了业务部的测试和调试GUI，并创建了在Analog Garage的ToF实验室中进行实验的一套工具。该工具对于团队至关重要，使他们能够测试构想、模拟多摄像头环境，并演示算法对干扰和功耗的影响。该团队提出了应对需求的两种方法：避免干扰和消除干扰。在项目的最后阶段将这两种方法结合在一起，能够同时运行比使用单一算法更多的摄像头。由ToF AGI研发的干扰抑制算法是超越硅技，此项创新是业务部对应用和器件架构的深刻理解与Analog Garage科学家的算法专长强强联合的产物。

ADI公司飞行时间AGI团队成员（该团队已经转入消费电子业务部）

当然，干扰不仅仅来自有ToF设备之间发射光“串门”，更有可能来自无处不在的大自然光线干扰，特别是室外环境。

通常而言，ToF技术根据调制方法的不同，可以分为两种：脉冲调制和连续波调制。两种ToF调制方法都有各自的优缺点，需要根据实际应用用例综合考量的点包括测量距离、使用系统的环境、精度要求、热/功耗限制、外形大小以及电源问题等。ADI的ToF解决方案目前主要采用CCD传感器的脉冲原理方式，CCD作为一个全局曝光器件，在室外远距离场景下，具有非常良好的性能。同时CCD作为全局曝光的传感器，又是窄快门曝光，对于外界抗干扰性能非常强。

户外环境下CMOS ToF系统(850 nm光源)与ADI的CCD ToF系统在识别人与三脚架的效果对比。

具体来看，ADI的ToF解决方案使用了高性能ToF CCD和集成了12位ADC、深度处理器（将来自CCD的原始模拟图像信号处理成深度/像素数据），以及高精度时钟发生器（为CCD和激光器生成驱动时序）的ToF模拟处理前端。ToF CCD主芯片ADDI903x系列具有很好的性能，传感器将采集的光信号转换成电信号，运用深度计算把最终距离信息送到SOC处理，然后将数据提供给算法适配，整个过程涉及传感器、镜头、发射器件、平台、应用等。对硬件厂商而言，需要和模组厂配合打造小型化、集成度高的产品来适配应用厂商，然后适应不同的应用场景。

本文总结：

到目前为止，ADI的ToF技术和产品不仅涵盖了从工业、消费到汽车等，应用的边界拓展仍在继续，未来更大空间、更高分辨率深度数据与强大的分类算法以及AI相结合，将会解锁更多新的场景。但在面临多个ToF摄像头同时工作（技术发展路线图预计将实现64个摄像头同时近程检测）的挑战时，克服干扰带来的检测风险越来越重要。解决干扰问题将涉及大量的反复试错，而现有技术很可能根本无法满足要求，ADI通过算法手段能实现比电路设计更快速的迭代和实验。ADI提供可直接提升3D ToF系统功能的产品和解决方案，包括处理、激光驱动器、电源管理以及开发板和软件/固件，这种多ToF系统干扰消除的算法进步将进一步帮助快速实现3D ToF解决方案。