Avbildande fotonräknande lasersensorer - Slutrapport för perioden 2020-2022

Den här rapporten sammanfattar resultaten för det treåriga forskningsprojektet Avbildande fotonräknande lasersensorer som har pågått 2020 till 2022. Arbetet har genomförts inom Försvarsmaktens samlingsbeställning för forskning och teknikutveckling inom Sensorer och signaturanpassning (AT.9220422, Sensorer och signaturanpassning FOI 22). Projektet har studerat nyttan med fotonräknande lidarsystem för 3D-avbildning, inklusive hur sådana kan implementeras på rörliga plattformar och vilka signalbehandlingsmetoder för 3D-data som kan bidra till förmåga i militära system. Förutom resultat beskriver rapporten även andra aktiviteter inom avbildande lasersensorer, samverkan med andra aktörer inom området samt kunskapsspridningen till Försvarsmakten, FMV och andra intressenter. Data från avbildande fotonräknande lasersensorer möjliggör detektion och identifiering av delvis dolda objekt bakom vegetation eller annat skyl. Detta eftersom sensorn ger högre avståndsupplösning än andra typer av lidarsystem, och därmed är bättre på att separera objekt från lövverk. Dagtid är det en nackdel att känsligheten måste sänkas för att undvika att sensorn bli mättad av bakgrundsljus från solen. Därför är prestanda bäst i mörker, men tekniken är fortfarande användbar dagtid. Mätningar för att analysera möjligheterna med fotonräknande 3D-avbildning har genomförts i olika miljöer. Vid datainsamling med en fotonräknande sensor på en rörlig plattform måste sensorns position och riktning vid varje tidpunkt vara känd med högre noggrannhet än sensorns upplösning. För att möjliggöra användning av sensorn även utan gyrosensorer som är större och dyrare än sensorn i sig, kan drift i rörelsemodellen korrigeras med uppmätta 3D-data för de fall sensorn skannas så att den återkommande mäter samma objekt. Eftersom sensorns synfält är litet är kraven på stabilisering samt att kunna mäta sensorns position och pekriktning fortsatt höga trots korrigeringen. En 3D-sensor med hög upplösning kommer producera stora mängder data som behöver processas och analyseras automatiskt innan ett resultat kan presenteras för en operatör. Våra forskningsresultat visar att analysmetoder som baseras på maskininlärning kan leverera bra analysresultat för data från militära tillämpningar som spaning och övervakning. Metoder för att dela upp data i klasserna mark, vegetation och fordon har utvärderats i data från en kompakt UAV-buren lidar och metoder för att känna igen personer i skogsbryn har utvärderats i data från en fordonsburen fotonräknande lidar. Resultaten visar på goda prestanda i olika typer av lidardata. Ett annat resultat är att förändringsdetektion är ett viktigt verktyg för att upptäcka skillnader mellan punktmoln från olika tidpunkter som sedan kan analyseras vidare. Upprepade mätningar kan användas för att upptäcka personer som rör sig innanför ett skogsbryn eller bakom skyl och mätningar vid olika tillfällen ger förmågan att upptäcka resultat av aktivitet. Generellt kan automatiska metoder för analys av punktmoln användas för uppgifter som exempelvis situationsuppfattning, måldetektion, måligenkänning, förändringsdetektion, terränganalys och egenpositionering.