基于BP 神经网络优化扫频线性度的FMCW 激光雷达

金里 杨米杰* 曹睿 蒋平 李同辉 吴蓓蓓 路侑锡

（联合微电子中心有限责任公司，重庆 400000）

1 概述

激光雷达(LiDAR)技术被广泛应用于机器人、自动驾驶和地图绘制等领域。其使用的测距技术主要分为两类:脉冲飞行时间技术(Time of flight， TOF)和调频连续波技术(FMCW)。目前TOF方案较为成熟，已经用在多个领域，其通常与机械式（转镜、电机、MEMS 等）光束偏转方案结合，实现3D 探测，FMCW 方案近几年来，被世界范围广大的关注，成为研究热点。与传统的TOF相比，FMCW 技术具有光功率要求低、分辨率高、抗阳光照射等优点，且易于与硅基光学相控阵技术相结合，有望芯片化实现收发探测。此外，FMCW 利用多普勒效应同时提供目标的位置和速度信息，使其更有利于目标分类[1]，区分出动、静态目标，降低后端算法的处理复杂度。FMCW 激光雷达采用相干探测原理来测量目标的距离，激光源发出扫频信号光，到达目标后反射到接收器，接收到的反射光和参考光被光电探测器同时检测并转换为拍频信号，通过计算接收拍频信号的固定频率，可以提取目标距离。因此FMCW 激光雷达需要激光频率扫描的非常高的线性度，以便提取稳定的拍频信号，提高探测精度。然而，对于大多数激光器，调谐电信号和输出光频率之间的关系不是线性的。激光扫频的残余非线性会降低测量的稳定性、分辨率和信噪比。近年来，国内也有一些团队开始了激光线性度校准的研究。2015 年，赵青云等人实现了激光器的开环预标定。当激光频率偏移为45 GHz，扫描频率为1 kHz 时，残余非线性范围为0.345% ～0.578%，实现3 米的距离测量。2019 年，张晓生等采用开环迭代学习方法实现DFB 激光器频率扫描的高线性度。激光线性剩余非线性为0.005%，激光频率偏移为49 GHz，扫描频率为4 kHz，实现了3 米以内的二维成像。

本文采用比例积分微分(PID)控制方法结合后向传播(BP)神经网络来提高激光频率扫描的线性度。通过分析下一次迭代的反馈差和输出，可以实现激光线性度的高效标定，采用DFB 激光器作为激光源。实验表明，该控制方法具有较高的线性度和快速的频率扫描标定速度。DFB 激光器的扫描频率为12.5 kHz，频率偏移为3.7 GHz，峰值驱动电压为140 mV。残余非线性系数为0.0015%。

2 算法和分析

PID 控制方法是一种简单有效的算法，在控制系统中有着广泛的应用，但也存在非线性和不确定性的缺点。BP 神经网络具有自主学习能力，能对PID 参数进行优化，达到更好的控制效果。控制系统由两部分组成:PID 控制器作为直接闭环控制器，BP 神经网络作为PID 控制器的调节。PID 控制方法采用增量式PID 控制算法进行计算。控制算法可以用公式来表达:

上式中Kp，Ki，Kd分别为PID 控制系统的比例系数、积分时间常数、微分时间常数。

隐含层的输入输出如下:

如式（11），神经网络输出三个节点分别对应PID 的Kp，Ki，Kd。

3 实验结果

激光扫频线性化预标定测试系统的架构如图1(a)所示，系统包括激光器、激光驱动器、光纤组成的马赫曾德干涉仪（MZI）、平衡检测器(BPD)和个人计算机(上位机，PC)[3]。激光器发射一束信号到MZI 中，而MZI 其中一条臂含有一段延迟光纤，延迟时间为。MZI 的两输出信号光由BPD 检测并转换为拍频信号。上位机采集接收到的数据，计算拍频信号的固定频率，并对算法进行校正，其中不同的延迟光纤长度分别对应不同的拍频信号频率。

算法迭代过程示意图如图1(b)所示。PC 通过希尔伯特变换计算频率变化值Vk(t)。通过分析Vk(t)与期望值Vd(t)的差值，可以计算出误差ek(t)。通过采用基于BP 神经网络的PID 控制算法，计算出下一个驱动电压t)，加载驱动数据，完成[4]迭代。为验证算法模型，将该算法应用于波长为1550 nm 的DFB 激光器。采集设备采用吉时利示波器MSO9104A，采样率为200mhz/s。PC 作为数据处理和三维点云生成的平台。上位机通过VISA总线与示波器通信，对采集到的数据进行控制和传输。制了驱动电压范围为0 ～500mv 的激光驱动器。DFB 驱动通过串口与PC 机连接，实现通信配置和其他交互。峰值驱动电压为140 mV。通过优化算法，实现了扫描频率为12.5 kHz，激光频率偏移为3.7 GHz。残余非线性达到0.0015%。该控制方法具有较高的线性度和快速的标定速度。标定前后的驱动曲线如图2 所示，分别为(a)和(b)。图3 给出了半周期内扫频带宽与时间的关系，有效地表征了DFB 激光器的高线性度。红色曲线和蓝色曲线分别为理论实验曲线。

图1

图2 激光器的驱动信号曲线

图3 激光器线性扫频校准后的结果

还进行了基于FMCW 激光雷达的二维成像实验。扫描装置采用二维机械电流计，x 轴和y 轴扫描角度为±20°，扫描精度为0.1°，实测结果如图4 所示。图4(a)为实景，包含沙发、后墙、柱子。图4(b)为系统测量的三维图像，精确恢复了目标的三维特征。

图4 沙发三维测量点云图

此外，还对车库进行了建模，以验证远程检测的性能。x 轴扫描角度精度为0.15°，y 轴扫描角度精度为0.2°。实测结果如图5 所示。图5(a)是车库的真实图片，到后墙的距离为70 米，柱子之间相隔约7 米。图5(b)是系统测量的图像，FMCW 激光雷达收集壁面和每个柱面的信息，收集点显示了一个理想的修复。

图5 地下车库柱子三维扫描图

4 结论

采用PID 控制方法结合BP 神经网络实现了DFB 激光器的理想预标定。实验实现了线性度较好的激光扫频，满足了FMCW 激光雷达的要求。实验证明了二维成像。该方法不需要额外的电路，消除了电路的复杂性和数字算法的难度，从而降低了FMCW 激光雷达的成本和系统复杂度。此外，采用BP 神经网络算法优化的PID 控制方法提高了收敛速度。迭代基本上是在几十次之后完成的。结果表明，优化后的算法加快了迭代速度，提高了系统的实用性。

感谢：

本工作得到了联合微电子中心有限公司的大力支持。免责声明:作者声明不存在利益冲突。