Os sensores light detection and ranging (LiDAR) são essenciais para sistemas avançados de assistência à condução (ADAS), visto que produzem nuvens de pontos 3D da envolvente de um veículo com alta resolução e em tempo real. Porém, desenvolver um LiDAR automotivo é desafiante, já que é necessário garantir estimações de tempo de voo (ToF) fidedignas numa grande variedade de condições, tendo em simultâneo fortes limitações de custo. A conversão temporal-digital é atualmente o método de estimação de ToF mais adotado por LiDAR automotivo, devido ao seu baixo custo e implementação simples. No entanto, as estimações de ToF são ótimas dentro de uma gama dinâmica estreita. Adicionalmente, este método de estimação é incapaz de distinguir entre pulsos sinal e pulsos interferentes. O principal objetivo deste trabalho é portanto desenvolver métodos de estimação de ToF que maximizem a exatidão, precisão, alcance e robustez contra interferência de sistemas LiDAR automotivos, recorrendo a uma arquitetura de hardware de baixo custo. Esta tese foca-se primeiro na otimização da exatidão e precisão ao longo da gama dinâmica requerida, para formas de onda compostas por um único pulso capturadas for um recetor full-waveform. O foco altera-se de seguida para a melhoria da robustez contra interferência de um sensor LiDAR, sacrificando o mínimo possível de performance de estimação e alcance. São propostos e experimentalmente demonstrados dois métodos de estimação de ToF, capazes de uma resolução 100 vezes abaixo do período de amostragem. O primeiro método utiliza métodos clássicos de processamento digital de sinal, enquanto que o segundo introduz melhorias através da utilização de modelos de machine learning (ML) modernos, em particular modelos LightGBM. Ambos os métodos desenvolvidos operam ao longo de uma gama dinâmica mais larga do que a de conversores temporais-digitais de canal único aplicados aos mesmos dados experimentais. De forma a ganhar robustez contra sinais interferentes, é proposta uma nova forma de onda, projetada para sacrificar o mínimo de alcance em troca de redundância suficiente para identificar pulsos interferentes ao longo de uma dada gama dinâmica. Tal forma de onda é composta por dois pulsos curtos de diferentes amplitudes e espaçados no tempo por um valor configurável. E proposto um método para lidar com interferência baseado na medição da posição relativa de ambos os pulsos. Uma prova de conceito experimental demonstra que o método desenvolvido recupera 96.9% de todas as capturas afetadas por um pulso interferente. O método de estimação de ToF baseado em ML foi adaptado à forma de onda de 2 pulsos proposta, tendo demonstrado que a exatidão e precisão são mantidas mesmo quando o pulso de amplitude mais baixa cai abaixo do nível base de ruído. Este trabalho demonstra que é possível maximizar a exatidão, precisão, alcance e robustez contra interferência de um sistema LiDAR automotivo, sem ter de se recorrer a uma arquitetura hardware cara ou complexa.

Light detection and ranging (LiDAR) sensors are essential for advanced driver assistance systems (ADAS), as they produce high-resolution 3D point clouds of the physical surroundings of a vehicle in real-time. However, developing an automotive LiDAR is extremely challenging, given that reliable time-of-flight (ToF) estimations need to be guaranteed across a wide variety of operation conditions, while unit cost should be as low as possible. Time-to-digital conversion is currently the most employed automotive Li- DAR ToF estimation method, given its low cost and simple implementation. However, it only provides optimum estimation within a narrow dynamic range. In addition, it is unable to distinguish signal pulses from interfering pulses. The main objective of this work is thus to develop ToF estimation methods that maximize accuracy, precision, range and robustness to interference of automotive LiDAR systems, while resorting to a low-cost hardware architecture. This thesis first focuses on the optimization of accuracy and precision over the required wide dynamic range, for single-pulsed waveforms captured by a full-waveform receiver. The focus is next shifted towards boosting the interference robustness of a LiDAR sensor, while trading-off as little ToF estimation performance and range as possible. Two novel ToF estimation methods are proposed and experimentally demonstrated to achieve ToF resolutions 100 times below the sampling period. The first method relies on classic digital signal processing methods, whereas the second improves on the first using modern machine learning (ML) models, in particular LightGBM. Both developed methods operate over a wider dynamic range than single-channel time-to-digital converters applied to the same experimental dataset. In order to gain robustness against interfering signals, a novel waveform designed to sacrifice the least amount of range for having enough redundancy to properly identify interfering pulses over a selected operation range, is proposed. Such waveform is composed of two short pulses of different amplitudes and spaced in time by a configurable amount. An interference handling procedure based on measuring the relative position of both pulses is proposed. Proof-of-concept experiments were conducted, showing that the developed method recovered 96.9% of all interference-riddled frames. The ML-based ToF estimation method was adapted to the proposed 2- pulsed waveform, showing that accuracy and precision are preserved even when the pulse of lowest amplitude falls below the noise floor. This work demonstrates that it is possible to maximize the accuracy, precision, range and interference robustness of an automotive LiDAR system, without resorting to either an expensive or complex hardware architecture.

Programa Doutoral em Telecomunicações