高靈敏度iDAR平臺通過允許在一幀內(nèi)進(jìn)行智能拍攝調(diào)度來加快重訪速度。iDAR不僅可以在傳統(tǒng)架構(gòu)內(nèi)多次詢問位置或目標(biāo)，而且還可以維持背景搜索模式，同時覆蓋其它智能拍攝結(jié)果。例如，iDAR傳感器可以快速連續(xù)（30微秒）安排對目標(biāo)進(jìn)行兩次重復(fù)拍攝。這些多重詢問可以與用戶（人類或計算機(jī)）的需求進(jìn)行情景集成，從而提高置信度，減少延時，增加探測距離。

這些額外的詢問與數(shù)據(jù)相關(guān)。例如，出現(xiàn)低置信度時重新探測目標(biāo)，并且期望快速驗證或拒絕，啟動次級數(shù)據(jù)和測量。在圖1中，傳統(tǒng)被動激光雷達(dá)典型幀率為10Hz。對于傳統(tǒng)被動激光雷達(dá)，這就是目標(biāo)的重訪速度?，F(xiàn)在，借助AEye的iDAR技術(shù)，目標(biāo)重訪速度與幀率有所不同，并且對關(guān)鍵點/目標(biāo)的重訪時間差可以低至數(shù)十微秒，輕松實現(xiàn)比傳統(tǒng)被動激光雷達(dá)快100倍到1000倍的性能。

這意味著使用動態(tài)對象重新訪問功能的感知工程團(tuán)隊可以創(chuàng)建一種感知系統(tǒng)，該系統(tǒng)至少比傳統(tǒng)被動激光雷達(dá)快一個數(shù)量級，且不會破壞背景掃描模式。我們認(rèn)為，此功能對于實現(xiàn)Level 4和Level 5自動駕駛汽車來講是非常重要的，因為車輛將需要處理復(fù)雜的邊緣計算情況，例如識別朝著車輛前燈迎面駛來的行人或橫穿車輛行駛路徑的平板式半掛車。

圖1：先進(jìn)的高靈敏度激光雷達(dá)利用智能掃描模式來實現(xiàn)目標(biāo)重訪間隔（Object Revisit Interval），如圖（B）所示AEye iDAR的隨機(jī)掃描模式，與典型固定模式激光雷達(dá)（A）的“重訪間隔”進(jìn)行比較?？梢钥闯觯琲DAR（B）能夠在一幀內(nèi)對車輛進(jìn)行八次目標(biāo)重訪/探測，而典型的固定模式激光雷達(dá)（A）只能實現(xiàn)一次。

因此，在“搜索、采集和采取行動”的架構(gòu)中，加快目標(biāo)重訪速度可以加快采集速度，因為這可以識別并自動重訪目標(biāo)，從而在場景中描繪出更完整的畫面。最終允許傳感器進(jìn)行目標(biāo)屬性分類，并高效地詢問和跟蹤潛在威脅。

實際用例1：正面探測

當(dāng)您駕駛車輛時，眼前的世界會在十分之一秒之內(nèi)發(fā)生巨大變化。實際上，兩輛車以每小時100公里速度相向而行時，0.1秒后距離就減少5.5米。通過提高目標(biāo)重訪速度，由于在兩次拍攝之間目標(biāo)明顯移動的可能性降低，增加了下一次拍攝到相同目標(biāo)的可能性。這有助于用戶解決“目標(biāo)對應(yīng)問題”，確定動態(tài)場景的一個快照的哪些部分對應(yīng)于同一場景另一快照的哪些部分。做到這一點的同時，使用戶能夠快速建立置信度更高的統(tǒng)計數(shù)據(jù)，并生成下游處理器可能需要的聚合信息，例如目標(biāo)的速度和加速度。有選擇地提高目標(biāo)重訪速度，同時降低對稀疏區(qū)域（如天空）的重訪率，顯著幫助實現(xiàn)更高層次的推測算法，從而使感知和路徑規(guī)劃系統(tǒng)能夠更快地確定最佳的自動決策。

實際用例2：橫向探測

橫向進(jìn)入場景的車輛最難追蹤。即使是多普勒雷達(dá)，在這種情況下也很難應(yīng)對。但是，當(dāng)探測已成為采集過程的一部分時，有選擇地分配拍攝次數(shù)以提取速度和加速度，則會大大減少每幀所需的拍攝次數(shù)。iDAR增加二次探測，對每個目標(biāo)探測建立速度估算，總拍攝次數(shù)僅增加1%。而使用固定掃描系統(tǒng)獲得速度，所需的拍攝次數(shù)增加一倍。速度和特征拍攝消除了歧義，允許更有效地利用資源，讓自動駕駛更安全。

傳統(tǒng)指標(biāo)二：固定視場的固定分辨率

擴(kuò)展：瞬時分辨率（Instantaneous Resolution），增加激光雷達(dá)同一幀內(nèi)關(guān)鍵區(qū)域的分辨率

傳統(tǒng)的分辨率，假定以恒定的模式和均勻的功率對視場內(nèi)目標(biāo)進(jìn)行掃描。這對于收集能力較差、智能級別較低的被動傳感器來說，非常有意義。另外，傳統(tǒng)的分辨率是假設(shè)場景內(nèi)的顯著信息在空間和時間上是統(tǒng)一的，我們知道這并不正確，這對于行駛中的車輛來講更不正確。但是，正是由于這些假設(shè)，傳統(tǒng)激光雷達(dá)系統(tǒng)會不加選擇地從車輛周圍收集千兆字節(jié)的數(shù)據(jù)，并將這些輸入發(fā)送到CPU進(jìn)行抽取和解釋。該數(shù)據(jù)中約70%~90%是無用或冗余，需要被過濾。此外，傳統(tǒng)激光雷達(dá)系統(tǒng)對任何區(qū)域都實施相同級別的功率，相當(dāng)于對車輛的行進(jìn)路徑的目標(biāo)提供與對天空相同的功率。這樣的處理效率極低。

作為人類，我們不會平均地“吸收”周圍的一切。我們的視覺皮層會過濾無關(guān)信息，例如飛過頭頂?shù)娘w機(jī)，同時（而不是連續(xù)地）將我們的眼睛聚焦在特定的興趣點上。集中在一個興趣點，將其它次要目標(biāo)放用余光察覺。這就是所謂的“Foveation視覺模型”，目標(biāo)被分配了“更高濃度”的視錐細(xì)胞，因此可以更加生動地看到它。