近年來，自動識別技術取得了重大突破，并在機器人技術、自動駕駛汽車等多個領域得到了廣泛應用。自動駕駛技術通常依賴于攝像頭和/或激光雷達（LiDAR）系統來捕捉駕駛環境中的關鍵信息，這些信息對于導航和確保行車安全（如規劃行駛路徑和避障）至關重要。目前，基于飛行時間（ToF）技術的激光雷達能夠探測到數米之外的物體，并實現厘米級的精確測量。結合人工智能（AI）技術，自動駕駛激光雷達系統在安全性和準確性方面得到了顯著提升。然而，僅依賴形狀信息進行物體識別和分類存在一定局限性，例如在路面結冰或區分真人和類似人形的物體（如人體模型、平面圖像等）時可能會出現誤識別。

為了克服這些局限，行業內提出了多光譜激光雷達系統，這種系統通過提供額外的基于光譜成像的材料信息來增強物體識別能力。特別是短波紅外（SWIR）光譜范圍（波長900-2500 nm）的反射光譜，相比可見光光譜或簡單的顏色成像，能夠提供更為豐富的材料屬性信息。多光譜激光雷達系統通過同時捕獲空間和光譜信息，已經證明其在提升目標識別準確性方面的有效性。然而，傳統多光譜激光雷達系統往往采用帶通濾波器或色散光學系統來實現光譜分辨檢測，這些方法都存在一定的局限性。隨著所需采樣的波長數量增加，不僅光學損耗變得不可避免，而且需要多個光電探測器以及反射光光譜分離技術，這導致系統復雜度增加且成本上升。

基于時分復用技術的多光譜激光雷達目標分類系統示意圖

據麥姆斯咨詢報道，韓國釜山大學的科研團隊開發了一種創新的多光譜激光雷達系統，該系統利用時分復用（TDM）技術，能夠同時獲取空間和光譜信息，從而實現對物體的語義推斷。TDM技術通過在時域中對不同波長的脈沖進行采樣來進行光譜分析，這種方式不僅減少了色散光譜學中的光學損耗，而且還提供了一種簡單、緊湊且成本效益高的系統解決方案。通過最大限度地減少TDM脈沖串中不同波長脈沖之間的時間延遲，確保所有脈沖在掃描過程中到達相同位置，從而收集到物體同一點的光譜信息。這種方法簡化了物體分類的數據處理，同時保持了激光雷達系統的掃描速率。該系統采用納秒脈沖激光器，在670 nm的SWIR波段覆蓋了五種不同的波長（980 nm、1060 nm、1310 nm、1550 nm和1650 nm），以獲得足夠的材料相關反射光譜差異，從而提高物體識別的準確性。

TDM多光譜成像與光譜分析

為了實現空間和光譜可視化，以便對物體進行分類，研究人員采用了一種方法，即根據RGB色彩模型，為每個波長的空間強度圖分配獨特的顏色。這種方法能夠將SWIR光譜信息轉換成RGB顏色，使得人們可以通過顏色差異直觀地識別材料屬性。在概念驗證實驗中，研究人員對比了人手、人手模型、織物手套、丁腈橡膠手套和打印人手的RGB顏色編碼圖像，盡管這些圖像在可見光下顏色相似，但在多光譜圖像中由于材料的不同而展現出了顯著的差異。此外，研究人員還利用五個波長的多光譜數據集訓練了一個卷積神經網絡（CNN）框架，以展示其在材料分類方面的性能。驗證結果顯示，系統能夠根據材料對多光譜圖像進行清晰分類，準確度很高。研究人員還展示了利用TDM技術的多光譜激光雷達系統進行距離測繪的能力，其測距精度達到了大約10厘米。這些成果表明，該系統在先進的自動駕駛技術領域具有巨大的應用價值。