微云全息在全息激光雷達的點云算法領域一直處于行業(yè)領先地位，微云全息服務眾多知名的新能源 汽車 企業(yè)以及ADAS汽車控制系統(tǒng)集成商或設備研發(fā)企業(yè)。隨著汽車制造商和領先的移動技術領域，尋求全面的數字感知解決方案以加速和規(guī)模化其自動駕駛技術的應用。微云全息全息激光雷達利用這一市場趨勢為大規(guī)模自動駕駛量產提供優(yōu)秀的解決方案。

3D全息激光雷達點云成像技術不斷取得快速的發(fā)展，但是目前的現有的計算成像算法通常要么太慢，要么不夠精細或者需要基于極高的算力，甚至最近的基于卷積神經網絡（CNN）估計場景深度的算法，訓練后都難以達到實時的要求。微云全息提出了一種新的算法結構，以滿足速度、魯棒性和可擴展性的要求。該算法有效地將目標表面建模為嵌入3D空間中的二維流形。使用計算機圖形的點云去噪工具實現的。由此產生的算法可以合并有關觀測模型的信息，例如泊松噪聲、存在壞點的像素、壓縮傳感等。同時利用計算機圖形的流形建模工具。通過選擇大規(guī)模并行降噪器，所提出的方法每秒可以處理數十幀，微云全息的基于單光子激光雷達的算法，包含深度更新、強度更新和背景更新三個主要步驟。

深度更新：對深度變量采取漸變步驟與點云使用點集曲面算法進行去噪，在三維全息空間的坐標系中運行。對光滑的連續(xù)曲面進行適配，適配由內核控制。與傳統(tǒng)的深度圖像降噪相比，微云全息點云降噪可以處理每個像素任意數量的表面，而不管激光雷達系統(tǒng)的像素格式如何。此外，所有3D點進行并行處理，使得運算時間非常短。

強度更新：在此更新中，漸變步驟是針對單個像素在3D全息空間中的坐標進行降噪。通過這種方式，只需要考慮同一表面內點之間的相關性。使用每個點的最近鄰的低通濾波器。此步驟僅考慮局部相關性，并且并行處理所有點。在去噪步驟之后，我們去除強度低于給定閾值的點，該閾值設置為最小允許反射率。

背景更新：與強度和深度更新類似的方式，取決于激光雷達系統(tǒng)的特性。在雙基光柵掃描系統(tǒng)中，激光源和單光子探測器不是同軸的，背景計數不一定在空間上相關。因此，不會對背景應用空間規(guī)律化，在這種情況下，降噪操作簡化為恒等式。在單站光柵掃描系統(tǒng)和激光雷達陣列中，背景檢測類似于被動圖像。在這種情況下，空間規(guī)律化有助于改進估計值。因此，我們用現成的圖像去噪算法，其計算復雜度較低。

微云全息這種新的計算框架，基于從單光子數據進行實時三維全息場景的重建。通過將統(tǒng)計模型與計算機圖形的高度可擴展的計算工具相結合，可進行復雜戶外場景的3D重建，處理時間約為10-20毫秒。微云全息所提出的方法可以處理每個像素中未知數量的表面，該算法允許通過復雜場景的進行目標檢測和成像。這能夠對復雜的移動場景進行穩(wěn)定的實時目標重建，為實現3D全息成像應用的視頻速率單光子激光雷達技術鋪平了道路。

3D全息場景的重建可以應用在多個重要領域，例如自主導航、環(huán)境檢測和其他計算機視覺任務。3D全息場景重建擁有多個技術領域，如RGB-D傳感器獲取發(fā)射率成像，立體成像或全波形激光雷達3D全息成像等。與之相比，微云全息單光子激光雷達技術方案有幾個突出的優(yōu)勢，微云全息單光子激光雷達功率低靈敏度高是安全的激光光源，在高散射的水下環(huán)境或者極端大霧環(huán)境下已經實現了高分率三維全息圖像的重建。

微云全息在全息激光雷達的點云算法領域一直處于行業(yè)領先地位，微云全息服務眾多知名的新能源汽車企業(yè)以及ADAS汽車控制系統(tǒng)集成商或設備研發(fā)企業(yè)。隨著汽車制造商和領先的移動技術領域，尋求全面的數字感知解決方案以加速和規(guī)模化其自動駕駛技術的應用。微云全息全息激光雷達利用這一市場趨勢為大規(guī)模自動駕駛量產提供優(yōu)秀的解決方案。