JP2020537146A - 材料感知光画像化、検出、及び測距（ｌｉｄａｒ）システム - Google Patents

Abstract

材料感知光画像化、検出、及び測距（ＬＩＤＡＲ）システムは、任意に、光パルスを生成するように構成されたレーザーと、物体に向けて放出される偏光調整された光パルスを生成するように構成されたビーム操縦部と、物体から戻される反射、散乱、又は放出された光を偏光するように構成された少なくとも１つの偏光子と、物体からの偏光された反射、散乱、又は放出された光の強度及び偏光に基づいて、物体の少なくとも１つの材料を検出するように構成されたプロセッサとを含む。記ビーム操縦部は、切り紙ナノ複合材を含んでもよい。例えば、光パルスを生成するステップと、物体に向けて放出される偏光調整された光パルスを生成するために、光パルスの偏光を調整するステップと、物体から戻される反射、散乱、又は放出された光を偏光するステップと、物体からの偏光された反射、散乱、又は放出された光の強度及び偏光に基づいて、物体の少なくとも１つの材料を検出するステップとを含む方法がまた提供される。

Description

政府支援
本発明は、全米科学財団によって授与された１２４０２６４に基づく政府支援で行われた。政府は、本開示に特定の権利を有する。

関連出願に対する相互参照
本出願は、２０１７年１０月１３日に提出された米国仮出願第６２／５７１，９８６号の利益を主張する。上記出願の開示全体は、参照によって本明細書に組み込まれる。

本開示は、光画像化、検出、及び測距（ＬＩＤＡＲ）システムに関し、より詳細には、材料感知ＬＩＤＡＲシステム、並びにそれを作製及び使用するための方法に関する。

この節は、必ずしも先行技術ではない、本開示に関する背景情報を提供する。

ＬＩＤＡＲは、物体をパルスレーザー光で照明し、反射パルスをセンサで測定することにより、物体までの距離を測定する測量方法である。そして、レーザーの戻り時間及び波長における違いが、検出される物体のデジタル３Ｄ表現を作るために使用されることができる。ＬＩＤＡＲは、測地学、地理情報学、考古学、地理学、地質学、地形学、地震学、林業、大気物理学、レーザー誘導、搭載レーザースワスマッピング（ＡＬＳＭ）、及びレーザー高度計における用途で、高解像度マップを生成するために使用されてもよい。ＬＩＤＡＲ技術はまた、自律走行車の制御及びナビゲーションのために使用されてもよい。

従来のＬＩＤＡＲデバイスは、下記のように動作してもよい。レーザー光源は、特定の波長における偏光又は非偏光のパルスを生成する。光が最初に放出されると、飛行時間センサが初期時間を記録する。飛行時間は、光が移動する速度を使用することによって、光源から検出器に光が移動する合計距離を決定するために使用される。

そして、放出された光は、所与の角度で「操縦」される。この「操縦」はまた、光パルスを様々な角度に向けた複数のパルス成分に分割することを含むことができる。操縦角は、環境の包括的なマッピングのための特定の視野を得るために、時間と共に変化するであろう。それが向けられた後、光は放出の前後に直線偏光光学系を通過する。これらのタイプのＬＩＤＡＲは、偏光ＬＩＤＡＲとして知られ、登録ステップにおいて偏光光学系を使用してもよい。

従来のＬＩＤＡＲデバイスは、典型的には、かさばって高価な光学レンズを用いる。その上、従来のＬＩＤＡＲデバイスにおいて利用される光学レンズは、湿気に対する感度に起因して広範な保護パッケージを要求し、それらが用いられるＬＩＤＡＲデバイスの重量、サイズ、及び複雑さを増加させる。自律車両及びロボットにおいて回転式光学系を有するＬＩＤＡＲシステム（例えば、Ｖｅｌｏｄｙｎｅ−ＨＤＬ６４（商標）モデル）の実装での１つの周知の課題は、それらの大きいサイズ及び高いコストである。レーザービームを操縦するためのデバイス全体の回転は、信頼性を低下させ、小型化を制限し、エネルギー消費を増加させる。固体ビーム操縦に基づくＬＩＤＡＲシステムはこの課題に対処するが、それらの実装は不十分な精度及び範囲によって妨げられる。別の問題は、悪天候におけるＬＩＤＡＲ及び全ての他のセンサの性能である。現在利用されている約９００〜９４０ｎｍの波長のレーザービームは、雨、霧、及び雪によって強く散乱される場合があって、それらの読み取り値は、このような条件において非常に不確実になる場合がある。

加えて、従来のＬＩＤＡＲデバイス及びそれらの付帯分析システムは、それらの物体認識を正確に実行するための能力において限界があることが判明している。例えば、ＬＩＤＡＲ点群は、レーザー源から物体への距離の読み取りのみに基づくことが知られている。人間世界のこの表現においては、ベンチで休む人とその像とが同じである。この課題はまた、眠っている赤ちゃんとその横にある同じサイズのプラスチック製の人形の場合、又は遠方にある黒い車を舗装から区別しようとする場合に当てはまる。これらの物体を区別し、周囲を解読する負担は、これらの３Ｄマップの計算処理によって担われる。

それらの形状に基づく物体の適切な分類は自明な問題ではなく、特に様々な環境の非常に動的な性質を考慮する、複雑なアルゴリズム及び大きい計算能力を要求する。更に、現在のビーム操縦方法は、ＬＩＤＡＲ群における点のクラスタリング及びバンディングを引き起こし、３Ｄ画像及びそれらの個々の点の不明瞭な解釈をもたらすので、典型的なＬＩＤＡＲハードウェアは適切な物体認識及び分類を更に困難にする。この結果、周囲の形状に基づく知覚は、高い計算コスト、大きいエネルギー消費、及び長い処理時間を必要とする。

米国特許出願公開第２０１６／０２９９２７０号明細書

よって、改善されたＬＩＤＡＲシステム及び方法、特に、物体が形成される材料を識別するための能力を提供するＬＩＤＡＲシステム及び方法が望まれる。

この節は、本開示の一般的な概要を提供し、その全範囲又は全てのその特徴の包括的な開示ではない。

特定の態様においては、本開示は、光パルスを生成するように構成されたレーザーと、物体に向けて放出される偏光調整された光パルスを生成するように構成されたビーム操縦部と、物体から戻される反射、散乱、又は放出された光を偏光するように構成された少なくとも１つの偏光子と、物体からの偏光された反射、散乱、又は放出された光の強度及び偏光に基づいて、物体の少なくとも１つの材料を検出するように構成されたプロセッサと
を備えるシステムを提供する。

一態様においては、ビーム操縦部は、切り紙ナノ複合材を含む。

一態様においては、少なくとも１つの偏光子は、切紙ナノ複合材を含む。

一態様においては、プロセッサは、物体の検出された少なくとも１つの材料に基づいて物体を分類するように更に構成されている。

更なる態様においては、プロセッサは、機械学習アルゴリズムを適用することによって、物体の検出された少なくとも１つの材料に基づいて物体を分類するように構成されている。

更なる態様においては、機械学習アルゴリズムは、人工ニューラルネットワークアルゴリズムを含む。

一態様においては、ビーム操縦部は、偏光調整された光パルスを生成するために、光パルスの偏光を調整するように構成されている。

一態様においては、ビーム操縦部は、偏光されていない光パルスに偏光を与えること及び偏光された光パルスの偏光を変化させることのうちの少なくとも１つによって、光パルスの偏光を調整するように構成されている。

一態様においては、ビーム操縦部は、直線偏光、円偏光、及び楕円偏光のうちの少なくとも１つを適用することによって、光パルスの偏光を調整するように構成されている。

更なる態様においては、直線偏光を適用することは、ｓ型直線偏光及びｐ型直線偏光のうちの少なくとも１つを適用することを含む。

一態様においては、少なくとも１つの偏光子は、直線偏光、円偏光、及び楕円偏光のうちの少なくとも１つを適用することによって、物体から戻される反射、散乱、又は放出された光を偏光するように構成されている。

更なる態様においては、適用することは、ｓ型直線偏光及びｐ型直線偏光のうちの少なくとも１つを適用することを含む直線偏光を適用することである。

一態様においては、少なくとも１つの偏光子は、複数の偏光子を含む。

一態様においては、システムは、少なくとも１つの偏光子及びプロセッサに接続された少なくとも１つの偏光検出器を更に備え、少なくとも１つの偏光検出器は、物体からの偏光された反射、散乱、又は放出された光の強度を検出するように構成されている。

更なる態様においては、少なくとも１つの偏光検出器は、複数の偏光検出器を含む。

更なる態様においては、少なくとも１つの偏光検出器は、物体からの偏光された反射、散乱、又は放出された光に関連する入射角を検出するように構成されている。

更なる態様においては、プロセッサは、物体からの偏光された反射、散乱、又は放出された光に関連する入射角に基づいて、物体の少なくとも１つの材料を検出するように更に構成されている。

更なる他の変形例においては、本開示は、光パルスを生成するステップと、物体に向けて放出される偏光調整された光パルスを生成するために、光パルスの偏光を調整するステップと、物体から戻される反射、散乱、又は放出された光を偏光するステップと、物体からの偏光された反射、散乱、又は放出された光の強度及び偏光に基づいて、物体の少なくとも１つの材料を検出するステップとを含む方法を提供する。

一態様においては、光パルスの偏光を調整するステップは、切り紙ナノ複合材を含むビーム操縦部によって実行される。

一態様においては、切り紙ナノ複合材は、真空アシストフィルトレーション（ＶＡＦ）プロセスを介して製造されている。

一態様においては、切り紙ナノ複合材は、多層（ＬＢＬ）堆積プロセスを介して製造されている。

一態様においては、方法は、物体の検出された少なくとも１つの材料に基づいて物体を分類するステップを更に含む。

一態様においては、物体を分類するステップは、機械学習アルゴリズムを適用することによって物体を分類するステップを含む。

一態様においては、機械学習アルゴリズムは、人工ニューラルネットワークアルゴリズムを含む。

更なる適用領域は、本明細書に提供される説明から明らかになるであろう。この概要における説明及び特定の例は、例示的な目的のみのために意図され、本開示の範囲を限定することが意図されない。

本明細書で説明される図面は、選択された実施形態の例示的な目的のみのためであり、全ての可能な実装ではなく、本開示の範囲を限定することが意図されない。

本開示の特定の態様による、Ｍ−ＬＩＤＡＲシステムを例示する機能図である。 本開示の特定の態様による、Ｍ−ＬＩＤＡＲシステムにおける使用のために構成されたナノ−切り紙のナノ複合材シートの走査型電子顕微鏡（ＳＥＭ）画像である。 本開示の特定の態様による、Ｍ−ＬＩＤＡＲシステムにおける使用のために構成されたナノ−切り紙のナノ複合材シートの走査型電子顕微鏡（ＳＥＭ）画像である。 本開示の特定の態様による、０％歪レベルに対するナノ−切り紙ベースのグラフェン複合材からのレーザー回折パターンを描写する画像である。 本開示の特定の態様による、５０％歪レベルに対するナノ−切り紙ベースのグラフェン複合材からのレーザー回折パターンを描写する画像である。 本開示の特定の態様による、１００％歪レベルに対するナノ−切り紙ベースのグラフェン複合材からのレーザー回折パターンを描写する画像である。 本開示の特定の態様による、ナノ−切り紙ベースの光学素子を製造するための代表的な簡略化されたプロセスを例示する。 本開示の特定の態様による、ウェハ上に製造されたナノ−切り紙のナノ複合材光学素子を例示する。本開示の特定の態様による、ナノ−切り紙のナノ複合材光学素子の写真を示す。 本開示の特定の態様による、０％歪下の図５ａのナノ−切り紙のナノ複合材光学素子のＳＥＭ画像を示す。 本開示の特定の態様による、１００％歪下の図５ａのナノ−切り紙のナノ複合材光学素子のＳＥＭ画像を例示する。 本開示の特定の態様による、人工知能アルゴリズム及び偏光情報を使用するＭＳＴのための混同行列を例示する。 本開示の特定の態様による、他の材料と比較されたシミュレーションされた薄氷の検出のための混同行列を例示する。 本開示の特定の態様による、Ｍ−ＬＩＤＡＲシステムを組み込んだ薄氷検出ユニットの一例を例示する。 本開示の特定の態様による、Ｍ−ＬＩＤＡＲシステムを使用して物体分類を実行する方法を示すフローチャートである。 線状パターンとしてその中に形成された代表的な複数の切り紙カットを有する平面複合材料の概略図である。 本開示の特定の態様による、車両に取り付けるためのＭ−ＬＩＤＡＲシステムを例示する図である。

対応する参照番号は、図面の幾つかの図を通して対応する部分を示す。

例示的な実施形態が、この開示が完全であり、当業者に範囲を完全に伝えるように提供される。本開示の実施形態の完全な理解を提供するために、特定の組成、構成要素、デバイス、及び方法の例のような多数の特定の詳細が記載される。特定の詳細が用いられる必要がないこと、例示的な実施形態が多くの異なる形態で具現化されてもよいこと、及び何れも本開示の範囲を限定するように解釈されるべきでないことは当業者には明らかであろう。幾つかの例示的な実施形態においては、周知のプロセス、周知のデバイス構造、及び周知の技術は、詳細には説明されない。

本明細書で使用される用語は、特定の例示的な実施形態のみを説明する目的のためであり、限定することが意図されない。本明細書で使用されるように、単数形「ａ」、「ａｎ」、及び「ｔｈｅ」は、文脈が別に明確に示さない限り、複数形を同様に含むことが意図されてもよい。「備える（ｃｏｍｐｒｉｓｅ）」、「備える（ｃｏｍｐｒｉｓｉｎｇ）」、「含む（Ｉｎｃｌｕｄｉｎｇ）」、及び「有する（ｈａｖｉｎｇ）」という用語は包括的であり、従って、記載される特徴、要素、組成、ステップ、整数、動作、及び／又は構成要素の存在を特定するが、１つ以上の他の特徴、整数、ステップ、動作、要素、構成要素、及び／若しくはそれらの群の存在又は追加を排除しない。「備える（ｃｏｍｐｒｉｓｉｎｇ）」という制限のない用語は、本明細書に記載された様々な実施形態を説明及び主張するために使用される非限定的な用語として理解されるべきであるが、特定の態様においては、用語は、代わりに、「からなる（ｃｏｎｓｉｓｔｉｎｇ ｏｆ）」又は「から本質的になる（ｃｏｎｓｉｓｔｉｎｇ ｅｓｓｅｎｔｉａｌｌｙ ｏｆ）」のようなより限定的且つ制限的な用語であると理解されてもよい。この結果、組成、材料、構成要素、要素、特徴、整数、動作、及び／又はプロセスステップを列挙する任意の所与の実施形態のために、本開示はまた、具体的には、このような列挙された組成、材料、構成要素、要素、特徴、整数、動作、及び／又はプロセスステップからなり、又は本質的になる実施形態を含む。「からなる」場合には、代替の実施形態は、任意の追加の組成、材料、構成要素、要素、特徴、整数、動作、及び／又はプロセスステップを除外し、一方、「から実質的になる」場合には、基本的且つ新規な特性に重大な影響を与える、任意の追加の組成、材料、構成要素、要素、特徴、整数、動作、及び／又はプロセスステップは、このような実施形態から除外されるが、基本的且つ新規な特性に重大な影響を与えない、任意の組成、材料、構成要素、要素、特徴、整数、動作、及び／又はプロセスステップは、実施形態に含まれることができる。

本明細書で説明される任意の方法のステップ、プロセス、及び動作は、実行の順序として具体的に識別されない限り、議論又は例示された特定の順序でのそれらの実行を必ずしも要求すると解釈されるべきではない。また、別に示さない限り、追加のステップ又は代替のステップが用いられてもよいことがまた理解されるべきである。

構成要素、要素、又は層が、別の要素又は層「の上にある」、それ「に係合される」、それ「に接続される」、若しくはそれ「に結合される」として参照される場合には、それが、直接、他の構成要素、要素、若しくは層の上にあってもよく、それに係合、接続、若しくは結合されてもよく、又は介在する要素若しくは層が存在してもよい。対照的に、要素が別の要素又は層「の直接上にある」、それ「に直接係合される」、それ「に直接接続される」、若しくはそれ「に直接結合される」として参照される場合には、介在する要素又は層が存在しなくてもよい。要素間の関係を説明するために使用される他の単語は、同様に解釈されるべきである（例えば、「間に」対「直接間に」、「隣接して」対「直接隣接して」、等）。本明細書で使用されるように、「及び／又は」という用語は、関連する列挙された項目の１つ以上のありとあらゆる組み合わせを含む。

本明細書では、第１、第２、第３、等という用語が、様々なステップ、要素、成分、領域、層、及び／又は部分を説明するために使用されてもよいが、これらのステップ、要素、成分、領域、層、及び／又は部分は、別に示されない限り、これらの用語によって限定されるべきではない。これらの用語は、１つのステップ、要素、成分、領域、層、又は部分を別のステップ、要素、成分、領域、層、又は部分から区別するためにのみ使用されてもよい。本明細書で使用される場合の「第１」、「第２」、及び他の数値用語のような用語は、文脈によって明確に示されない限り、シーケンス又は順序を意味しない。この結果、下記で議論される第１のステップ、要素、成分、領域、層、又は部分は、例示的な実施形態の教示から逸脱することなく、第２のステップ、要素、成分、領域、層、又は部分と称されることができる。

「前」、「後」、「内側」、「外側」、「下方」、「下」、「下側」、「上」、「上側」、等のような空間的又は時間的に相対的な用語は、本明細書では、説明を容易にするために、図に例示されるように、１つの要素又は特徴の別の要素又は特徴との関係を説明するために使用されてもよい。空間的又は時間的に相対的な用語は、図に描写される配向に加えて、使用中又は動作中のデバイス又はシステムの様々な配向を包含することが意図されてもよい。

本開示全体を通して、数値は、言及された値を正確に有するものだけでなく、所与の値、及び言及された値について有する実施形態からの僅かな逸脱を包含するように、範囲に対する近似尺度又は限界を表す。発明の詳細な説明の最後に提供される実施例以外、添付の特許請求の範囲を含む、本明細書におけるパラメータの全ての数値（例えば、量又は条件）は、数値の前に「約」が実際に現れるか否かに関わらず、「約」という用語によって全ての場合に変更されるように理解されるべきである。「約」は、記載された数値が多少の不正確さを許容することを示す（値の正確さへの何らかのアプローチで、大よそ又は合理的に値にほぼ近い）。そして、「約」によって提供される不正確さがこの通常の意味で当技術分野において他に理解されない場合には、本明細書で使用されるような「約」は、このようなパラメータを測定及び使用する通常の方法から生じてもよい少なくとも変動を示す。例えば、「約」は、５％以下、任意で４％以下、任意で３％以下、任意で２％以下、任意で１％以下、任意で０．５％以下、及び特定の態様においては任意で０．１％以下の変動を含んでもよい。

加えて、開示の範囲は、範囲のために与えられた端点及び部分範囲を含む、範囲全体内の全ての値及び更に分割された範囲の開示を含む。

次に、例示的な実施形態が、添付の図面を参照してより完全に説明されるであろう。

本開示は、物体の距離だけでなく物体の材料組成をも検出するように構成されたＬＩＤＡＲシステム及び方法を提供する。幾つかの例によれば、材料組成分類は、機械学習アルゴリズムを使用して処理された偏光分析によって実現されてよい。

本明細書で説明されるシステムの光学素子は、偏光におけるシフトが後に正確に測定されることができるように、光源（例えば、レーザー）から放出される全ての光を既知の偏光状態にするように構成されてもよい。この光は、物体界面（１つ以上の材料で構成される物体）に到達するまで進み、その点において、光の一部は乱反射して戻る。

本開示は、とりわけ、ＬＩＤＡＲ群の各点において材料及び表面テクスチャ（ＭＳＴ）分類を追加して３Ｄ空間の意味マップを作成することによって、周囲を知覚する新しい方法を説明する。返された光子の偏光シグネチャから推定されるＭＳＴ分類は、３Ｄ点群の曖昧さを低減し、様々な物体（金属点、ガラス点、粗い誘電体点、等）の認識を促進してもよい。偏光の分類は、表面の接平面の推定に先行してもよく、従って、同様の偏光シグネチャを有する点をグループ化することによって、物体を事前に識別してもよい。ＭＳＴ分類を備えたＬＩＤＡＲは、本明細書ではＭ−ＬＩＤＡＲと呼ばれる。

本開示の一例によれば、Ｍ−ＬＩＤＡＲ技術は、近赤外線光学系等のような従来のかさばる光学系ではなく、切り紙光学系の使用によって、軽量で適合性があるように構成されてもよい。一例によれば、本明細書で説明されるＭ−ＬＩＤＡＲシステム及び方法は、自動化の程度が異なる車両のための薄氷の検出に使用されてもよい。

ここで図１を参照すると、代表的な簡略化されたＭ−ＬＩＤＡＲシステム１００が提供される。Ｍ−ＬＩＤＡＲシステム１００は、レーザー１０２、ビーム操縦部１０６、第１の偏光子１１４、第２の偏光子１１６、第１の偏光検出器１２２、第２の偏光検出器１２４、及びプロセッサ１２６を含んでもよい。図１は、幾つかの実装による、第１及び第２の偏光子１１４、１１６、並びに第１及び第２の偏光検出器１２２、１２４を例示するが、単一の偏光子（例えば、第１の偏光子１１４）及び単一の偏光検出器（例えば、第１の偏光検出器１２２）のみが、本開示の教示から逸脱することなく、システム１００の一部として含まれてもよい。更に、特定の例によれば、本明細書の教示から逸脱することなく、３つ以上の偏光子及び／又は３つ以上の偏光検出器がシステム１００の一部として含まれてもよい。

簡略化及び例示の目的のために、本開示の残り全体を通して、第１の偏光子１１４は、ｓ偏光直線偏光子１１４として扱われる。同様に、簡略化及び例示の目的のために、第２の偏光子１１６は、ｐ偏光直線偏光子１１６として扱われる。更に、第１の偏光検出器１２２は、ｐ偏光検出器１２２として扱われ、第２の偏光検出器は、ｓ偏光検出器１２４として扱われる。

しかし、当業者によって理解されるように、偏光子１１４、１１６は、本明細書の教示から逸脱することなく、様々な異なるタイプの偏光のために構成されてもよい。例えば、所与の偏光子は、直線偏光（例えば、ｓ若しくはｐ型の直線偏光）、右円偏光、左円偏光、楕円偏光、又は当技術分野で既知の任意の他の適切なタイプの偏光を実行するように構成されてもよい。同様に、所与の検出器は、直線偏光（例えば、ｓ若しくはｐ型の直線偏光）、右円偏光、左円偏光、楕円偏光、又は当技術分野で既知の任意の他のタイプの偏光を検出するように構成されてもよい。幾つかの例によれば、光ビームの偏光（すなわち、２つ以上の光パルスの組み合わせ）が、考慮中の１つ以上の物体についての追加情報を取得するために、パルス毎に変調されてもよい。

下記で更に詳細に議論されるように、システム１００は、物体１１０を構成する１つ以上の材料を検出し、検出された材料に少なくとも部分的に基づいて物体１１０を分類するように構成されてもよい。幾つかの例によれば、物体分類は、ニューラルネットワークベースの人工知能を含むがこれに限定されない１つ以上の人工知能アルゴリズムを使用して実行されてもよい。

動作中、システム１００は、下記のように機能してもよい。レーザー１０２は、１つ以上の偏光又は非偏光の光パルスを生成（すなわち、放出）するように構成されてもよく、１つ以上の偏光又は非偏光の光パルスは、偏光／非偏光の光ビーム１０４を集合的に形成する。図１に示される例によれば、各パルスは、ｓ偏光成分（図１においてビーム１０４に沿ったドットによって表される）及び横ｐ偏光成分（図１においてビーム１０４を通って垂直方向に走る両側矢印によって表される）を含む。代替として（及び異なるタイプの偏光された光についての前述の議論と併せて）、パルスは、例えば、左及び右の円偏光シーケンス、楕円偏光シーケンス、上述の任意の組み合わせ、又は任意の他の適切な偏光シーケンスを含んでもよい。

幾つかの例によれば、レーザー１０２は、毎秒１〜１００万を超えるパルスの何れかを生成するように構成されてもよい。更に、幾つかの実装によれば、レーザー１０２は、本開示の教示から逸脱することなく、５５０ナノメートル（ｎｍ）、８０８ｎｍ、９０５ｎｍ、若しくは１５５０ｎｍのパルスレーザー、（又は任意の他の適切な波長のレーザー）を構成してもよい。例えば、家庭用ロボット工学、自律車両、及びマシンビジョンのための実装は、８００ｎｍを超える眼に安全な周波数を有するレーザーを用いてもよい。屋外用途のためには、水透過ウィンドウの光ビーム、例えば、約９００ｎｍ〜１５５０ｎｍの光ビームが適切に使用されてもよい。幾つかの実装によれば、レーザー１０２によって所与のパルスが生成されると、プロセッサ１２６（実行可能な命令を実行する）は、パルスが生成される最初の時間を記録してもよい。この「飛行時間」情報は、続いて、光速を使用することによって物体１１０までの距離を計算するために利用されてもよい。

ビーム１０４は、レーザー１０２によってビーム操縦部１０６を通して方向付けられてもよい。ビーム操縦部１０６は、偏光調整された光パルスを生成するように構成されてもよい。特定の態様においては、偏光／非偏光の光ビーム１０４の各偏光／非偏光のパルスの偏光は、ビーム操縦部１０６によって調整される。本明細書で使用されるように、偏光を調整することは、偏光を付与すること又は偏光を変化させることを含んでもよい。この結果、ビーム操縦部１０６は、１つ以上の直線偏光の光パルス（直線偏光の光パルスが直線偏光の光ビーム１０８を集合的に形成する）を生成するために、偏光／非偏光の光ビーム１０４の各偏光／非偏光のパルスの偏光を調整してもよい。上述の例は直線偏光を企図しているが、幾つかの例によれば、ビーム操縦部１０６は、ビーム１０４を円形（例えば、左若しくは右）又は楕円偏光してもよい。別の例によれば、ビーム操縦部１０６は、ビームに全く偏光を適用しなくてもよい。例えば、ビーム１０４が、ビーム操縦部１０６に入るときに既に偏光されている場合には、ビーム操縦部１０６は、生成される偏光調整された光パルスの特性を更に変更してもよいが（例えば、パルスを分割又は変調する）、以前に偏光された光パルスの極性を調整することを必要としなくてもよい。更に、幾つかの例によれば、ビーム操縦部１０６は、第１のタイプの偏光に従ってビームの第１のパルスを偏光し、第２の異なるタイプの偏光に従って同じビームの第２のパルスを偏光してもよい。ビーム１０４の偏光を実行することに加えて、又はその代替として、ビーム操縦部１０６はまた、それから放出される任意のビーム（例えば、ビーム１０８）の方向を制御してもよい。更に、ビーム操縦部１０６は、一度に複数のビームを操縦するために、ビーム（例えば、ビーム１０４）を幾つの異なるビームに分割してもよく、それによって、１つ以上のビームが画定された角度で放出される。この概念は、ビーム操縦部１０６から発する多くの発散矢印に関して、図１に例示される。

加えて、又は代替して、幾つかの例においては、ビーム操縦部１０６は、直線偏光の光ビーム１０８を変調するように構成されてもよい。一例においては、ビーム操縦部１０６は、切り紙ナノ複合材ビーム操縦部等を含んでもよい。この例によれば、下記で更に詳細に議論されるように、ビーム操縦部１０６は、切り紙ナノ複合材ビーム操縦部に与えられる歪の量を増減させることによって、直線偏光の光ビーム１０８を直線偏光及び／又は変調するように構成されてもよい。

更に、一例によれば、ビーム操縦部１０６は、非偏光の光ビーム１０４の各非偏光のパルスを、ｐ偏光に非偏光の光ビーム１０４の各非偏光のパルスを直線偏光することによって、直線偏光するように構成されてもよい。この例は、ビーム１０４が、ビーム操縦部１０６を通過した後、もはやｓ偏光成分を含まないことが見られることができる、図１に例示される（すなわち、ビーム１０４に示される「ドット」成分は、直線偏光の光ビーム１０８には存在しない）。代替の態様においては、直線偏光の光ビーム１０８は、代わりにｐ偏光されてもよい。更に、特定の態様においては、ビーム操縦部１０６は、本明細書で更に議論されるように、物体１１０に向かって放出される直線偏光の光ビーム１０８を変更、制御、及び操縦してもよい。ビーム操縦部１０６は、電磁波の動的な波長依存ビーム操縦及び振幅変調を可能にしてもよい。

引き続き図１を参照すると、直線偏光の光ビーム１０８は、物体１１０から拡散反射されてもよい。１つ以上の光のパルスは、直線偏光の光ビーム１０８の反射バージョンを構成するビーム１１２を集合的に形成する。幾つかの例によれば、反射された直線偏光の光ビーム１１２は、直線偏光の光ビーム１０８（すなわち、物体１１０からのビームの事前反射）とは異なる偏光を有してもよい。この状態における違いは、ｐ偏光成分とｓ偏光成分との両方（それぞれ、ビーム１１２の経路に沿ってドット及び両側矢印によって反映される）を含むビーム１１２によって例示され、一方、ビーム１０８は、ｐ偏光成分のみを含むように示される。更に、物体１１０は、検出が望まれる１つ以上の異なる材料から構成される任意の適切な物体（又はターゲット）を含んでもよい。反射された「直線」偏光の光ビーム１１２であるように、上記及び以下の節で議論されるが、特定の例によれば、反射されたビーム１１２は、本明細書での教示から逸脱することなく、円形又は楕円形を含む様々な異なる方法で偏光されてもよい。

物体１１２によって拡散的に反射、散乱、又は別の方法で放出される反射された直線偏光の光ビーム１１２は、システム１００のｓ偏光直線偏光子１１４及び／又はｐ偏光直線偏光子１１６を通過してもよい。特定の態様においては、反射、散乱、又は別の方法で放出される直線偏光の光ビーム１１２のそれぞれの部分は、システム１００のｓ偏光直線偏光子１１４及び／又はｐ偏光直線偏光子１１６の両方を通過する。ｓ偏光直線偏光子１１４は、１つ以上の反射されたｓ偏光の光パルスを生成するために（１つ以上の反射されたｓ偏光の光パルスは反射されたｓ偏光の光ビーム１１８を集合的に形成する）、ｓ偏光にビーム１１２を構成する１つ以上の光パルスを直線偏光するように構成される。同様に、ｐ偏光直線偏光子１１６は、１つ以上の反射されたｐ偏光の光パルスを生成するために（１つ以上の反射されたｐ偏光の光パルスは反射されたｐ偏光の光ビーム１２０を集合的に形成する）、ｐ偏光にビーム１１２を構成する１つ以上の光パルスを直線偏光するように構成される。幾つかの例によれば、ｓ偏光直線偏光子１１４及び／又はｐ偏光直線偏光子１１６は、ビーム操縦部１０６に関して上記で議論され、並びに／又は図４ａ〜図４ｄ及び図５ａ〜図５ｃに関して下記で議論されるタイプの切り紙ナノ複合材のような、切り紙ナノ複合材等を含んでもよい。しかし、当業者は、本明細書の教示から逸脱することなく、幾つかの例によれば、非切り紙ナノ複合材又は他の光学デバイスがシステム１００の一部として用いられてもよいことを認識するであろう。

幾つかの例によれば、偏光子１１４、１１６の同様の構成が、物体１１０から反射、散乱、又は別の方法で放出される左及び右円偏光の光又は楕円偏光の光の偏光のために利用されてもよい。

ｓ偏光検出器１２２は、反射されたｓ偏光の光ビーム１１８を形成する１つ以上の反射されたｓ偏光の光パルスの各々の強度を検出するように構成されてもよい。加えて、幾つかの実装によれば、ｓ偏光検出器１２２は、反射されたｓ偏光の光ビーム１１８に関連する入射角を検出するように構成されてもよい。反射されたｓ偏光の光ビーム１１８を形成する１つ以上の反射されたｓ偏光の光パルスの検出された強度及び／又は反射されたｓ偏光の光ビーム１１８に関連する検出された入射角が、下記で更に詳細に議論されるように、（例えば、ＭＳＴ分類を使用して）材料タイプの検出を実行するためにプロセッサ１２６によって利用されてもよい。

同様に、ｐ偏光検出器１２４は、反射されたｐ偏光の光ビーム１２０を形成する１つ以上の反射されたｐ偏光の光パルスの各々の強度を検出するように構成されてもよい。加えて、幾つかの実装によれば、ｐ偏光検出器１２４は、反射されたｐ偏光の光ビーム１２０に関連する入射角を検出するように構成されてもよい。反射されたｐ偏光の光ビーム１２０を形成する１つ以上の反射されたｐ偏光の光パルスの検出された強度及び／又は反射されたｐ偏光の光ビーム１２０に関連する検出された入射角がまた、下記で更に詳細に議論されるように、材料タイプの検出を実行するためにプロセッサ１２６によって利用されてもよい。

プロセッサ１２６は、（ｉ）ビーム１１８及び／又は１２０を形成する１つ以上の光パルスの検出された強度並びに／又は（ｉｉ）反射されたｓ偏光の光ビーム１１８及び／又は反射されたｐ偏光の光ビーム１２０に関連する検出された入射角に基づいて、物体１１０の少なくとも１つの材料を検出するように構成される。より具体的には、幾つかの例によれば、プロセッサ１２６は、物体１１０を構成する１つ以上の材料を検出するために、機械学習アルゴリズムを適用するように構成される。本明細書で使用されるように、「機械学習アルゴリズムを適用すること」は、メモリに格納され、プロセッサによってアクセス可能な実行可能命令を実行することを含んでもよいが、これに限定されない。加えて、一例によれば、材料の検出のために使用される特定の機械学習アルゴリズムは、人工ニューラルネットワークを含んでもよい。しかし、本開示の教示から逸脱することなく、当技術分野で既知の他の機械学習アルゴリズムが適切に用いられてもよい。

更に、幾つかの例によれば、プロセッサ１２６は、機械学習アルゴリズムを適用することによって、物体１１０の検出された材料に基づいて物体１１０を分類するように構成されてもよい。この場合も、物体分類のために使用される機械学習アルゴリズムは、人工ニューラルネットワークを含んでもよい。しかし、本開示の教示から逸脱することなく、当技術分野で既知の他の機械学習アルゴリズムが適切に用いられてもよい。

図２に移る前に、以下は、図１に示されるシステム１００のようなＭ−ＬＩＤＡＲシステムを利用して物体の材料を検出するためのプロセスの概要を反映する。

上記で留意されたように、本開示の１つの目的は、物体の材料の検出を可能にし、点群の各点においてより多くのデータを取得することによる現代のＬＩＤＡＲデバイスのために必要なデータ処理を低減することである。この追加の偏光データは、機械学習アルゴリズムと組み合わされる場合には、材料の検出を可能にし、自律車両、マシンビジョン、医療用途（例えば、視覚障害者を支援するためのデバイス）、及び高度なロボット工学を含むが、これらに限定されない様々な用途のための物体認識を簡略化させる。

本開示の例示的な実装によるＭ−ＬＩＤＡＲシステムは、以下のように動作してもよい。垂直に配向された直線偏光子（例えば、偏光子１１４、１１６）を有する一対の検出器（例えば、検出器１２２、１２４）は、戻り光（例えば、直線偏光の光ビーム１１２の反射バージョンを構成する１つ以上の光のパルス）を測定するために使用されてもよい。拡散後方散乱光（例えば、反射された光１１２）の一部は、検出器（例えば、検出器１２２、１２４）に方向付けられ、各検出器の対（例えば、検出器の対１２２／１２４）の前に配置された狭帯域干渉フィルター（例えば、直線偏光子１１４、１１６）を通過してもよい。狭帯域干渉フィルターは、狭い範囲の波長（例えば、１〜２ｎｍ）のみを通過させることを可能にしてもよく、周囲の照明又は外部ソースからの不要なノイズを低減してもよい。

上述のシステムの他の例によれば、システムは、物体によって反射、散乱、又は別の方法で放出される円偏光及び／又は楕円偏光の光を検出し、機械学習処理を実行するように構成されてもよい。

この選択性に起因して、本開示によるＭ−ＬＩＤＡＲシステム（例えば、システム１００）は、完全に独立して複数の波長を同時に測定するように構成されてもよい。そして、コヒーレント光は、例えば、共偏光子及び／又は交差偏光子を使用して偏光されてもよい。光の強度が、物体（例えば、物体１１０）で反射する際の偏光のシフトに応じて、偏光子を通過するときにある程度減少する場合がある。ビーム集束光学系（例えば、偏光子１１４、１１６）は、コヒーレントな偏光された光（例えば、ビーム１１８、１２０）を検出表面（例えば、検出器１２２、１２４の表面）に向けて方向付けてもよく、戻り光が進む角度（すなわち、入射角）が、検出画面において光が当たる場所に基づいて検出されることができる。

検出器が光を識別すると、飛行時間センサ（例えば、プロセッサ１２６に実装された飛行時間センサ）は、その光パルスの移動時間を記録してもよい。各光パルスは、共偏光検出器と交差偏光検出器との両方のために測定されるその強度を有してもよい。組み合わせたこれらの２つの値が、反射中に引き起こされる偏光効果が定量化されることを可能にする。

このプロセスに続いて、以下のパラメータ、（ｉ）ビームが操縦された初期角、（ｉｉ）後方散乱光が戻る角度、（ｉｉｉ）放出から検出までの飛行時間、及び（ｉｖ）各検出器における強度が検出されてもよい。

検出器が異なる場所にあることに起因して、単一の光のパルスが、各検出器に到達するのに僅かに異なる時間を要する場合があることに留意すべきである。システムの形状及び強度と距離との間の関係を理解することによって、この違いは補償されることができ、１つの検出器における強度が正確に調整される。飛行時間データは、光源（例えば、レーザー１０２）と物体（例えば、物体１１０）との間の距離を決定するために使用されてもよく、（初期角及び戻り角と併せて）、Ｍ−ＬＩＤＡＲシステムに対する空間におけるその点の特定の場所が決定されることができる。これらの補償された強度値は、光パルスが反射する材料を示す情報を含有してもよい。これらの値を利用して、機械学習アルゴリズムが堅固で包括的な材料認識機能を提供してもよい。

光のパルスを放出する上記で説明されたプロセス、物体から拡散反射する光、検出器によって測定される反射された光、及び決定される光源に対する物体の場所は、１秒当たり１〜数百万回のオーダーで繰り返されてもよい。点が毎回生成され、これらの点は、点群を作成するために同じ座標系にマッピングされる。

点群が生成されると、１つ以上の機械学習アルゴリズムが、点を物体にクラスタ化し、最終的に各物体（例えば、複数の物体が検出される場所）のそれぞれの材料を特徴付けるために、使用されてもよい。点は、例えば、測定された強度の１つ以上の値に基づいて、幾つかの例においてはまた同様の点の近接性に基づいて、クラスタ化されてもよい。

強度値を使用してクラスタが決定されると、機械学習アルゴリズムが、測定された値を既知の材料のデータベースに相関させて、その点のクラスタの材料を分類するために使用されてもよい。このプロセスは、システムにおいて全てのクラスタのために繰り返されてもよい。周囲の材料を理解することは、システム（例えば、自動車、ロボット、ドローン、等に実装される）に、物体それ自体が何であるかについて、より速く、より知識に基づいた決定を行わせることを可能にする。それから、関連するリスクのような要因が評価されることができ、続いて決定が行われることができる（例えば、システムが車両の前方の薄氷を検出する場合）。時間の経過と共にプロセスが続くにつれて、より多くの情報が、知覚された変化から抽出されることができ、周囲が更に良好に理解される。

ＭＳＴ分類技術はまた、例えば、マクロスケール、マイクロスケール、ナノスケール、若しくは分子パターンで塗装又はテクスチャ化された表面が、反射されたビームをＬＩＤＡＲによる高速ＭＳＴ分類に適合された特定の光学応答で生成するように検出を強化するために変更されている物体の検出に適用可能である。このような表面処理の例は、特定の直線偏光、円偏光、又は楕円偏光の反射、散乱、又は別の方法で放出された光を生成する添加剤を含有する塗料を含む。一例においては、金属ナノ／マイクロ／マクロワイヤ、又は軸カーボンナノ材料がベースの塗料に追加される。整列パターンは、ランダム、直線、スパイラル、ヘリングボーン、又は特定の物体の高速識別を可能にする特定の偏光シグネチャを生成する任意の他のパターンにすることができる。非限定的な例として、これは、道路、道路標識、障壁、門、ガードレール、車両、自転車、衣類、及び他の物体にマーカーを作製するために使用されてもよい。

ＭＳＴ分類を容易にする表面処理の別の実装は、道路標識、車両、自転車、衣類、等のような上記で説明されたこのような物体を被覆するために使用されるベースの塗料へのキラル無機ナノ粒子の添加を含んでもよい。キラルナノ粒子は、ＬＩＤＡＲによって使用されるビームに対して特定の非常に強い円偏光応答を表すことができる。それらは、特定の物体のために偏光シグネチャ（例えば、「バーコード」）を作成するために、特定の比率で塗料に混合されることができる。

物体の偏光タグ付けの別の例は、特定の偏光応答を作成する表面テクスチャ化を使用することを含んでもよい。このようなテクスチャ化の一例は、ＬＩＤＡＲにおけるレーザーに対して画定された偏光応答をもたらす特定の幾何学的特性を有する金属、半導体、絶縁体、又はセラミックのナノ粒子のナノスケールパターンを作製することを含んでもよい。このようなパターンの２つの例は、（ａ）物体から反射、散乱、又は放出された光の直線偏光をもたらす線形ナノスケール又はマイクロスケールの表面特徴、及び（ｂ）特定のキラリティー、従って、物体から反射、散乱、又は放出された光の円偏光をもたらす金属表面における面外突出キラルパターンを含む。

幾つかの例によれば、上述のシステム及び方法は、自律車両、機械学習、医療用途、及び高度なロボット工学における使用のための材料を正確に認識するために用いられてもよい。

既存の従来のＬＩＤＡＲシステムは、典型的には飛行時間データ又は位相シフトの何れかを使用して、物体とレーザー源との間の距離の測定を介して主に動作する。このような場合、物体は、群における点の配置における形状及びパターンに基づいて分類される。幾つかのより高度なＬＩＤＡＲ点群分類法は、追加のパラメータである全体の強度を利用する。

戻り光パルスの信号がどのくらい強いかに基づいて、システムは、色の違いを効果的に検出することができる。この追加のデータは、点群内の物体の境界を認識しやすくさせ、全ての点を分類するために要求される処理量を減少させる。しかし、自律車両のような用途は、より高い確実性を要求する場合があり、全体の強度は実現することができない。更に、長距離の物体の検出は、従来のＬＩＤＡＲシステムにおいて用いられたタイプの複数点検出及び処理ではなく、ＭＳＴ分類を利用する単一点検出で実現されてもよい。

よって、本明細書で説明される方法は、マシンビジョンが現在物体認識に向けて取っているアプローチを変える。物体の固有性を決定するために単に形状、動き、色に依存する代わりに、本明細書で説明されるシステムは、更に別のパラメータである偏光を考慮する。材料の界面で反射すると、光は偏光の変化を経験する。この偏光の変化は、共偏光フィルターと交差偏光フィルターとの両方を通過した後の光の強度を測定することによって定量化される。この追加のデータは、クラスタ化、延いては物体認識機能を大幅に改善するために、機械学習アプローチと組み合わせてもよい。従来の物体認識方法は、計算コストが非常に高い。本明細書で説明されるアプローチは、現在の形状ベースのアプローチではなく、材料ベースのアプローチを使用することによって、ＬＩＤＡＲによって要求される処理能力を大幅に低減してもよい。

従来の距離測定に加えて、本システムによって収集された偏光データは、機械学習アルゴリズムが物体を構成する材料を決定することを可能にする。現在のＬＩＤＡＲシステムは、周囲の環境における材料についての認知又は情報を欠く。実現される場合には、このような情報は、より深い状況の理解及びより賢明な決定のための文脈を提供する。自律車両の場合には、潜在的な危険の正確且つ適時な検出は意思決定機能を改善させるので、この環境の深められた理解が、搭乗者の改善された安全性をもたらしてもよい。

ここで、図２ａ及び図２ｂに移ると、Ｍ−ＬＩＤＡＲシステムに組み込まれたナノ−切り紙ナノ複合材光学構成要素を形成するために使用されてもよいナノ−切り紙シートの走査型電子顕微鏡（ＳＥＭ）画像が示される。図２ａ〜図２ｂに示されるような光学的活性切り紙は、本開示の幾つかの例によれば、長さが０．５〜５μｍのカット・パターンを有する超強力ナノスケール複合材から製造されてもよい。特定の態様においては、複合材料（高導電性複合材料を含む）は、「切り紙」として既知の紙裁断の古来の日本の技術からの概念を使用することによって変更されることができる。この結果、本開示は、複合材又はナノ複合材料のような平面ポリマー材料において網状組織を作製する複数のカット又はノッチを使用することによって、順応性を達成するために切り紙アプローチを提供する。このようなカット（例えば、ポリマー又は複合材料において、材料の一方の側から他方の側に延伸する）は、ポリマー又はナノ複合材料内で応力を均一に分散させ、制御されない高応力の特異点を抑制するために、フォトリソグラフィーのようなトップダウンパターニング技術によって作られることができる。このアプローチは、非限定的な例として、予測不可能な局所的な破損を防止し、剛性シートの最終的な歪を４％から３７０％に増加させることができる。

マイクロスケールの切り紙のパターン化を使用することによって、堅いナノ複合材シートは高い伸張性を獲得することができる。その上、切り紙・カット・パターン化された複合材シートは、多くの伸張可能な導電性材料とは著しく対照的に、歪領域全体に亘ってそれらの導電性を維持する。切り紙構造は、ナノ複合材のような複合材を含んでもよい。特定の態様においては、切り紙構造は、少なくとも１つの層がポリマー材料である、少なくとも２つの層を有する多層構造であってもよい。ポリマー材料は、複合材又はナノ複合材料であってもよい。複合材料は、ポリマー、高分子電解質、又は他のマトリックス（例えば、セルロース紙）のようなマトリックス材料、及びそれに分散された少なくとも１つの強化材料を含む。特定の態様においては、ナノ複合材料は、切り紙構造における使用のために特に適し、ナノ粒子のような強化ナノ材料を含む複合材料である。複合材は、特定の変形例においては、シート又はフィルムの形態であってもよい。

「ナノ粒子」は、様々な形状又は形態を有することができる固体又は半固体の材料であるが、一般的には、当業者によって、粒子が約１０μｍ（１０，０００ｎｍ）以下である少なくとも１つの空間次元を有することを意味すると理解される。特定の態様においては、ナノ粒子は、約１００以下、任意で約５０以下、任意で約２５以下、任意で約２０以下、任意で約１５以下、任意で約１０以下、任意で約５以下、及び特定の変形例においては１に等しい相対的に低いアスペクト比（ＡＲ）（成分の直径で割った最長軸の長さとして画定される）を有する。他の態様においては、チューブ又はファイバの形状を有するナノ粒子は、約１００以上、任意で約１０００以上、及び特定の変形例においては任意で１０，０００以上の相対的に高いアスペクト比（ＡＲ）を有する。

特定の変形例においては、ナノ粒子の最長寸法は、約１００ｎｍ以下である。特定の実施形態においては、ナノ複合材に含めるために選択されたナノ粒子は、導電性ナノ複合材料を作製する導電性ナノ粒子である。ナノ粒子は、上記で画定されたように低いアスペクト比を有し、球形、回転楕円形、半球形、ディスク、球状、環状、ドーナツ形、円筒形、円盤、ドーム形、卵形、楕円形、真円形、長円形、等を含む形態又は形状を有する、実質的に円形のナノ粒子であってもよい。特定の好ましい変形例においては、ナノ粒子の形態は球形を有する。或いは、ナノ粒子は、フィラメント、ファイバ、ロッド、ナノチューブ、ナノスター、又はナノシェルのような代替形状を有してもよい。ナノ複合材料はまた、任意のこのようなナノ粒子の組み合わせを含んでもよい。

更に、特定の態様においては、本教示による使用のために特に適するナノ粒子は、約１０ｎｍ以上で１００ｎｍ以下の粒径（存在する複数のナノ粒子の平均直径）を有する。導電性ナノ粒子は、複数の形状を有する金属、半導体、セラミック、及び／又はポリマーのナノスケール粒子を含む様々な導電性材料から形成されてもよい。ナノ粒子は、磁性又は常磁性特性を有してもよい。ナノ粒子は、炭素、グラフェン／グラファイト、酸化グラフェン、金、銀、銅、アルミニウム、ニッケル、鉄、プラチナ、シリコン、カドミウム、水銀、鉛、モリブデン、鉄、及びそれらの合金又は化合物のような導電性材料を含んでもよい。この結果、適切なナノ粒子は、酸化グラフェン、グラフェン、金、銀、銅、ニッケル、鉄、炭素、プラチナ、シリコン、半金属（ｓｅｅｄｌｉｎｇ ｍｅｔａｌ）、ＣｄＴｅ、ＣｄＳｅ、ＣｄＳ、ＨｇＴｅ、ＨｇＳｅ、ＨｇＳ、ＰｂＴｅ、ＰｂＳｅ、ＰｂＳ、ＭｏＳ_２、ＦｅＳ_２、ＦｅＳ、ＦｅＳｅ、ＷＯ_３−ｘ、及び当業者に既知の他の同様の材料のナノ粒子によって例示されることができるが、これらに限定されない。酸化グラフェンは、複合材における補強材としての使用のために特に適した導電性材料である。特定の変形例においては、ナノ粒子は、例えば、単層ナノチューブ（ＳＷＮＴ）又は多層ナノチューブ（ＭＷＮＴ）のようなカーボンナノチューブを含むことができる。ＳＷＮＴは、グラファイト又はグラフェンの単一シートから形成され、一方、ＭＷＮＴは、同心円状に配置された複数の円筒を含む。ＳＷＮＴの典型的な直径は、約０．８ｎｍ〜約２ｎｍの範囲にすることができ、一方、ＮＷＭＴは、１００ｎｍを越える直径を有することができる。

特定の変形例においては、ナノ複合材は、ナノ複合材におけるナノ粒子の総量の約１重量％以上で約９７重量％以下、任意で約３重量％以上で約９５重量％以下、任意で約５重量％以上で約７５重量％以下、任意で約７重量％以上で約６０重量％以下、任意で約１０重量％以上で約５０重量％以下の複数のナノ粒子の総量を含んでもよい。勿論、複合材料におけるナノ粒子の適切な量は、特定のマトリックス材料における特定のタイプのナノ粒子のための材料特性、パーコレーション閾値、及び他のパラメータに依存する。

特定の変形例においては、ナノ複合材は、ナノ複合材におけるマトリックス材料の総量の約１重量％以上で約９７重量％以下、任意で約１０重量％以上で約９５重量％以下、任意で約１５重量％以上で約９０重量％以下、任意で約２５重量％以上で約８５重量％以下、任意で約３５重量％以上で約７５重量％以下、任意で約４０重量％以上で約７０重量％以下のポリマーマトリックス材料の総量を含んでもよい。

特定の変形例においては、ナノ複合材料は、複数の導電性ナノ粒子を含み、約１．５×１０^３Ｓ／ｃｍ以上の導電率を有する。特定の他の態様においては、ナノ複合材料は、強化ナノ材料として複数の導電性ナノ粒子を含んでもよく、この結果、約１×１０^−４Ω・ｍ以下の電気抵抗率を有してもよい。特定の他の変形例においては、複数のナノ粒子を含む導電性ナノ複合材のインピーダンス（Ｚ）は、約１×１０^４Ω以下であってもよい（例えば、２５ｍＶの振幅のＡＣ正弦波信号を使用して測定され、インピーダンス値が１ｋＨｚの周波数において測定される）。

ポリマー又はナノ複合材料は、（切断される前の）初期状態においては、シートのような平面形態であってもよいが、切断プロセスの後、３次元構造に折り畳まれ、又は成形されてもよく、この結果、構造構成要素として使用されてもよい。例として、切りばめ加工されたカット・パターンを有する表面を有する例示的なナノ複合材料シート２３０の一部を含む構造２２０が、図１０に示される。シート２３０は、不連続カット２４２間の第１の非カット領域２５２を画定するパターンにおいて（開口部を作製するためにシート２３０を通って延伸する）第１の不連続カット２４２の第１の列２３２を含む。不連続カットは、シート全体をその元の寸法のままにして、別々の小さいシート又は部分に分割されない、シートに形成された部分的な又は個別のカットである。複数の不連続カット２４２が存在する場合には、それらの少なくとも一部は、少なくとも１つの非カット領域が不連続シート間のブリッジとしてシートに残るように、不連続であり、互いに接続されない。多くのカット・パターンが可能である一方、図１０に示されるように、中央に配置された碁盤目配置の直線の単純な切り紙パターンが、本明細書では例示的なパターンとして使用される。第１の非カット領域２５２は、長さ「ｘ」を有する。各不連続カット２４２は、長さ「Ｌ」を有する。

特定の態様においては、各不連続カット（例えば、不連続カット２４２）の長さは、マイクロスケール、メゾスケール、ナノスケール、及び／又はマクロスケールであってもよい。マクロスケールは、典型的には、約５００μｍ（０．５ｍｍ）以上の寸法を有すると考えられ、一方、メゾスケールは、約１μｍ（１，０００ｎｍ）以上で約５００μｍ（０．５ｍｍ）以下である。マイクロスケールは、典型的には、約１００μｍ（０．５ｍｍ）以下であると考えられ、一方、ナノスケールは、典型的には、約１μｍ（１，０００ｎｍ）以下である。この結果、従来のメゾスケール、マイクロスケール、及びナノスケールの寸法は重複すると考えられてもよい。特定の態様においては、各不連続カットの長さは、マイクロスケールで、例えば、約１００μｍ（すなわち、１００，０００ｎｍ）未満、任意で約５０μｍ（すなわち、５０，０００ｎｍ）未満、任意で約１０μｍ（すなわち、１０，０００ｎｍ）未満、任意で約５μｍ（すなわち、５，０００ｎｍ）未満、及び特定の態様においては、約１μｍ（すなわち、１，０００ｎｍ）未満の長さであってもよい。特定の態様においては、不連続カット４２は、約５０μｍ（すなわち、５０，０００ｎｍ）未満、任意で約１０μｍ（すなわち、１０，０００ｎｍ）未満、及び任意で約１μｍ未満（すなわち、約１，０００ｎｍ未満）の長さを有してもよい。

特定の他の変形例においては、これらの寸法は、ナノスケールに対して少なくとも約１００分の１に縮小することができ、例えば、カットは、約１μｍ（１，０００ｎｍ）以下、任意で約５００ｎｍ以下、及び特定の変形例においては任意で約１００ｎｍ以下の長さを有する。

「ｘ」及び「Ｌ」は、形成されるパターンに応じて列内で変化してもよいが、好ましい態様においては、これらの寸法は一定のままであることに留意すべきである。

第２の不連続カット２４４の第２の列２３４がまた、シート２３０においてパターン化される。第２の不連続カット２４４は、それらの間に第２の非カット領域２５４を画定する。第３の不連続カット２４６の第３の列２３６がまた、シート２３０においてパターン化される。第３の不連続カット２４６は、それらの間に第３の非カット領域２５６を画定する。第１の列２３２、第２の列２３４、及び第３の列２３６は、例示的且つ主観的な目的のために使用されるが、見られるように、シート２３０の表面における切りばめ加工パターンは、３つを超える別個の列を有することに留意すべきである。「ｙ」という名称で示されるように、第１の列２３２は、第２の列２３４から離間する。第２の列２３４は、同様に第３の列２３６から離間する。「ｙ」は列間で変化してもよいが、特定の態様においては、それは列間で一定のままであることに留意すべきである。列間のこのような間隔は、上記に説明されるように、同様に、マイクロスケール、メゾスケール、ナノスケール、及び／又はマクロスケールであってもよい。

特に、第１の列２３２における第１の不連続カット２４２は、第２の列２３４における第２の不連続カット２４４から横方向に（「ｘ」として示される寸法／軸に沿って）オフセットされ、この結果、切りばめ加工パターンを形成する。同様に、第２の列２３４における第２の不連続カット２４４は、第３の列２３６における第３の不連続カット２４６から横方向にオフセットされる。この結果、それぞれの列における第１の非カット領域２５２、第２の非カット領域２５４、及び第３の非カット領域２５６は、第１の列２３２から、第２の列２３４を横切って、第３の列２３６に延伸する構造ブリッジ２６０を形成するように協働する。

この点に関して、複数の不連続カット（例えば、２４２、２４４、及び２４６）を有するパターン化された切りばめ加工表面を有するシート２３０は、少なくとも１つの方向に（例えば、「ｙ」又は「ｘ」として示される寸法／軸に沿って）伸張されることができる。この結果、ナノ複合材料から形成されたシート２３０は、強化された歪を含む特定の有利な特性を示す。

様々な態様において、切り紙プロセスによって形成された伸張可能な多層ポリマー又は複合材料を組み込んだ光学デバイスが企図される。「伸張可能」によって、材料、構造、構成要素、及びデバイスが、破壊又は他の機械的破損なしに、歪に耐えることができることを意味する。伸張可能な材料は延伸可能であり、この結果、損傷、機械的破損、又は性能の大幅な低下なしに、少なくともある程度、伸張及び／又は圧縮することができる。

「ヤング率」は、所与の材料のための歪に対する応力の比を指す機械的特性である。ヤング率は、次の式で提供されてもよい。

ここで、工学応力はσ、引張歪はε、Ｅはヤング率、Ｌ_ｏは平衡長、ΔＬは与えられた応力の下での長さの変化、Ｆは与えられた力、Ａは力が与えられた面積である。

特定の態様においては、伸張性複合材料、構造、構成要素、及びデバイスは、破壊することなく少なくとも約５０％、任意で破壊することなく約７５％以上、任意で破壊することなく約１００％以上、任意で破壊することなく約１５０％以上、任意で破壊することなく約２００％以上、任意で破壊することなく約２５０％以上、任意で破壊することなく約３００％以上、任意で破壊することなく約３５０％以上、及び特定の実施形態においては任意で破壊することなく約３７０％以上の最大引張歪を受けてもよい。

伸張可能材料はまた、伸張可能であることに加えて、可撓性であってもよく、この結果、１つ以上の軸に沿って、有意な伸長、屈曲、曲げ、又は他の変形が可能である。「可撓性」という用語は、材料、構造、又は構成要素の破損点を示す歪のような重大な歪を導入する恒久的な変形を受けることなく変形する（例えば、湾曲された形状に）ための材料、構造、又は構成要素の能力を指すことができる。

この結果、本開示は、特定の態様において、伸張可能なポリマー材料を提供する。更なる態様においては、本開示は、ポリマー及び複数のナノ粒子又は他の補強材料を含む伸張可能な複合材料を提供する。ポリマーは、エラストマー又は熱可塑性ポリマーであってよい。非限定的な例として、１つの適切なポリマーは、ポリビニルアルコール（ＰＶＡ）を含む。

例えば、特定の材料のために、本開示の特定の態様によってパターン化された切り紙カットを有する表面を作製することは、初期の剛性シートの終局歪を、任意の切断の前の初期終局歪から約１００％以上、任意で約５００％以上、任意で約１，０００％以上、及び特定の変形例においては任意で約９，０００％以上に増加させることができる。

特に、使用されるカット・パターンの形状に基づいて、広範囲の最大到達可能歪又は拡張レベルが達成されることができる。この結果、終局歪は形状によって決定される。終局歪（％ｓｔｒａｉｎ）（％歪）は、元の又は初期の長さ（Ｌｉ）に対する、構造が壊れる前の点まで伸張されて、最終的に達成可能な長さの比率である。

ここで、Ｌ_ｃはカットの長さ、ｘは不連続カット間の間隔、ｙは不連続カットの個別の列間の距離である。この結果、特定の変形例においては、本開示の特定の態様によるパターン化されたカットを有する表面を有するナノ複合材のようなポリマー材料は、終局歪を、約１００％以上、任意で約１５０％以上、任意で約２００％以上、任意で約２５０％以上、任意で約３００％以上、任意で約３５０％以上、及び特定の変形例においては任意で約３７０％以上に増加させることができる。切り紙複合材料及びそれを製造する方法についての追加の議論は、関連部分が参照によって本明細書に組み込まれる特許文献１において説明される。

特定の態様においては、切り紙ナノ複合材料は、１００％伸張下であっても巨視的長さスケールに亘って安定した周期性を維持することができる調整可能な光学格子構造を形成することができる。回折パターンにおける横方向の間隔は、伸張の量と負の相関を示し、それは、回折パターンにおける寸法と対応する格子の間隔との間の相互関係と一貫する。回折パターンにおける縦方向の間隔は、横方向の伸縮に伴う縦方向の周期性の変化が相対的に小さいので、伸張の量への依存度が低くなる。回折パターンはまた、入射レーザーの波長に大きく依存することを示す。ポリマーの伸張可能で調整可能な光学格子構造は、伸張を伴う弾性挙動を示し、周期的な機械的作動の下で伸張が取り除かれると、緩和された（すなわち、伸張されない）形状に自発的に回復する。回折されたビームは、ポリマーの伸張可能で調整可能な光学格子構造の変形と一貫して変化する明確なパターンを形成する。この挙動は、動的な波長依存ビーム操縦のための優れた機能を示す。

この結果、３次元（３Ｄ）の切り紙ナノ複合材は、図２ａ及び図２ｂに例示されるように、面外表面特徴に起因して、従来の反射及び屈折光学系に新しい次元を提供する。例えば、図２ａ及び図２ｂに示されるナノ−切り紙シートに例示されるカットによって形成される再構成可能なフィン及びスリットは、切り紙カットシートの可逆的な拡張（又は歪レベル）による光の効率的な変調を可能にする。その結果、図２ａ及び図２ｂに示されるようなナノ−切り紙シートが、本明細書で説明されるＭ−ＬＩＤＡＲシステムの１つ以上の光学構成要素に組み込まれてもよい。より具体的には、これらの光の薄くて安価な光学構成要素が、例えば、光スペクトルの赤色部分及び赤外線部分がビーム操縦及び／又は偏光変調を実現するために、使用されてもよい。幾つかの実装によれば、図２ａ及び図２ｂに示されるタイプの切り紙ナノ複合材は、図１に例示されるシステムのビーム操縦部１０６、ｓ偏光直線偏光子１１４、及び／又はｐ偏光直線偏光子１１６を形成するために利用されてもよい。

特定の変形例においては、切り紙ナノ複合材は、超強力な多層に（Ｌａｙｅｒ−ｂｙ−Ｌａｙｅｒ）（ＬｂＬ）組み立てられたナノ複合材から製造された切り紙光学モジュールを形成することができる。これらのナノ複合材料は、高強度、例えば、約６５０ＭＰａ、及び約３５０ＧＰａの弾性率（Ｅ）を有し、例えば、広動作温度範囲（例えば、−４０°〜＋４０℃）に加えて、卓越した機械的特性、環境耐性、及び実証済みの拡張性を提供する。ＬｂＬ複合材の高い弾性は、それらを再構成可能にさせ、それらの高温弾力性は、様々なタイプのアクチュエータとの一体化及びＣＭＯＳ互換性を可能にする。特定の態様においては、ナノ複合材料は、ターゲット波長の光子、例えば、レーザー源が１５５０ｎｍの波長を有する１５５０ｎｍ光子との相互作用を強化するために、窒化チタン、金、等のようなプラズモニック膜で被覆されてもよい。

特定の他の変形例においては、切り紙ナノ複合材シートは、その中に分散され、又はその上に被覆された磁性材料を含むことができる。例えば、ニッケルの層が超強力な複合材に堆積されてもよい。ニッケルの層は、磁性及び反射層として機能することができ、この結果、磁気活性化切り紙素子を提供する。この結果、切り紙ユニットは、ＬＩＤＡＲ構成要素と直接一体化され、ビーム操縦部（例えば、１次及び２次回折ビームを使用する）又は偏光子（例えば、１次回折ビームを使用する）として機能することができる。

ここで、図３ａ〜図３ｃを参照すると、ナノ−切り紙ベースのグラフェン複合材からのレーザー回折パターンを描写する画像が示される。参考までに、図３ａ〜図３ｃの右上隅に示されるスケールバーは、２５ｍｍを表す。図３ａは、０％歪（緩和状態）に対するナノ−切り紙ベースのグラフェン複合材からのレーザー回折パターンを描写する。図３ｂは、５０％歪に対するナノ−切り紙ベースのグラフェン複合材からのレーザー回折パターンを描写する。最後に、図３ｃは、１００％歪に対するナノ−切り紙ベースのグラフェン複合材からのレーザー回折パターンを描写する。

ＬＩＤＡＲビームの偏光変調及び戻り光子の偏光分析は、例えば、車の安全性及びロボットビジョンデバイスに現在欠けている物体の材料についての情報の取得を可能にする。機械学習（ＭＬ）アルゴリズムは、異なる材料を認識するために訓練されてもよく、それらの独自の偏光シグネチャに基づいてＭＳＴ分類が実現されてもよい。材料による物体のＭＳＴ分類は、他の利点の中で、物体認識を加速し、周囲の機械知覚の精度を向上させてもよい。

図４ａ〜図４ｄの詳細に移る前に、図１のシステム１００、並びに対応する材料検出及び物体分類の方法が、本開示の幾つかの例によって、非ナノ−切り紙光学素子を利用して実行されてもよいことが注目される。実際、このような非ナノ−切り紙光学素子ベースのＭ−ＬＩＤＡＲシステムは、特定の用途（例えば、サイズ及び重量が大きい問題ではない場合）のために好ましい場合がある。よって、ナノ−切り紙光学素子が利用されない現在開示されるＭ−ＬＩＤＡＲシステムの実装、（ｉ）ＩＲ偏光子、（ｉｉ）ビームスプリッタ、（ｉｉｉ）ＣｄＳ、ＺｎＳ、シリコンから作られたレンズ、及び／又は（ｉｖ）同様に適切な光学素子のような他の従来の光学構成要素が、本明細書の教示から逸脱することなく等しく使用されてもよい。しかし、ナノ−切り紙光学素子が、一般的に、軽量で小型であることから利点を得るＭ−ＬＩＤＡＲシステムには適する。

それを背景にして、図４ａ〜図４ｄは、ビームスプリッタ又は直線偏光子のようなナノ−切り紙ベースの光学素子を製造するための段階的なリソグラフィタイプのプロセスを例示する。一例によれば、図４ａ〜図４ｄに記載されるナノ−切り紙ベースの光学素子を製造するためのプロセスは、真空アシストフィルトレーション（ＶＡＦ）の使用を含んでもよく、それによって、ナノ複合材料は、リソグラフィーのパターン化に適する硬い（例えば、プラスチック）基板上に層として堆積されてもよい。上記で留意されたように、特許文献１は、真空アシストフィルトレーション（ＶＡＦ）及び多層（ＬＢＬ）堆積プロセス技術を含む、このようなナノ複合材料を製造する方法を説明する。このプロセスに従って製造されたナノ複合材は、高い靭性及び強い光吸収を示すことが既知である。

図４ａは、プロセス４００の第１のステップの簡略図であり、それによって、ナノ複合材層４０４ａが、ＶＡＦ、多層堆積（ＬＢＬ）、又は当技術分野で既知の任意の他の適切な堆積方法を介して基板４０２上に堆積される。図４ｂは、例えば、フォトリソグラフィー切断プロセスを介して、基板４０２の上にナノ複合材層４０４ａの選択領域を通してパターン化された切り紙ナノ複合材４０４ｂを生成するために、図４のナノ複合材料４０４ａがパターン化された後における、プロセス４００の第２のステップを例示する。図４ｃは、プロセス４００の第３のステップを例示し、それによって、切断又はパターン化された切り紙ナノ複合材４０４ｂが、基板４０２から解放される（例えば、持ち上げられる）。最後に、図４ｄは、プロセス４００の最終ステップを例示し、それによって、パターン化された切り紙ナノ複合材４０８の少なくとも一部が、とりわけ、ビーム操縦及び／又は変調のために構成されたサブアセンブリに組み込まれる。

図４ｄに示されるサブアセンブリは、パターン化された切り紙ナノ複合材の一部４０８、微細加工されたシリコン層４０６のハウジング、及び１つ以上の曲げビームアクチュエータ４１０を含む。両側矢印４１２は、アクチュエータ４１０の動きの潜在的な方向を例示する。下記で更に詳細に議論されるように、曲げビームアクチュエータ４１０は、例えば、切り紙ナノ複合材の一部４０８のパターンを構成する様々なスリット及び／又はフィンのサイズ及び／又は配向を調整するために、切り紙ナノ複合材の一部４０８に可逆的な歪を及ぼすように構成されてもよい。この結果、切り紙ナノ複合材の一部４０８は、０％〜１００％の範囲の歪レベルで可逆的に伸張されてもよい。

図４ａ〜図４ｄに示されるプロセス４００のパターン化の態様のより詳細な議論が続く。切り紙透過型光学モジュールの製造は、図４ａ〜図４ｄに示される段階的な図に従ってもよい。可視及びＩＲの範囲におけるＬＩＤＡＲレーザービームの変調は、例えば、０．１〜１ｃｍの幅に亘って作製された３μｍの特徴サイズを要求してもよい。このようなパターンの実現可能性は既に実証されている。パターンの２Ｄ形状は、伸張又は変形された場合のそれらの２Ｄから３Ｄへの再構成のコンピュータシミュレーションに基づいて選択されてもよい。３Ｄ形状は、光学特性、例えば、所望の波長範囲における偏光変調のためにモデル化されてもよい。フォトリソグラフィーは、上記で説明されたＶＡＦ複合材の化学的性質によって可能になる主要なパターン化ツールであってもよい。パターン化プロトコルは、大規模な微細加工のために現在使用されているものと実質的に同様であってもよい。例えば、ガラス基板上のＶＡＦ複合材は、市販の従来のマスクアライナーを使用するフォトパターン化に続いて、標準のＳＵ８フォトレジストによって被覆されてもよい。準備された切り紙パターンの例が、下記でより詳細に議論される図５ａ〜図５ｃに示される。

切り紙光学素子は、例えば、図４ｄに示されるように、切り紙ナノ複合材シートを市販の微小電気機械アクチュエータと一体化することによって製造されてもよい。微小電気機械システム（ＭＥＭＳ）の切り紙ユニットは、ＬＩＤＡＲ構成要素と直接一体化され、ビーム操縦部（例えば、１次及び２次回折ビームを使用する）及び／又は偏光子（例えば、１次回折ビームを使用する）として機能してもよい。ほぼ無限の数の切り紙パターンと多種多様な２Ｄから３Ｄへの再構成を考慮すると、ビーム操縦と偏光機能との両方、及び他の光学機能を有する切り紙光学素子が、本明細書での教示内で企図される。

図５ａ〜図５ｃを簡単に参照すると、例示的な切り紙光学素子の様々な画像が示される。例えば、図５ａは、図４ａ〜図４ｄに関して上記で説明されたプロセス４００に沿ってウェハ上に製造された、本明細書で説明される切り紙光学素子のような切り紙光学素子の画像である。図５ｂは、０％歪下の図５ａの切り紙光学素子のＳＥＭ画像である。最後に、図５ｃは、１００％歪下の図５ａの切り紙光学素子のＳＥＭ画像である。図５ｂ及び図５ｃの右上隅に描写されたスケールバーは５０μｍである。

フォトリソグラフィック技術が、切り紙の透過型又は反射型の光学モジュール／素子を製造するために使用されることができる。例として、約１５５０ｎｍの波長を有するＬＩＤＡＲレーザービームの変調は、図５ａ〜図５ｃに現在のパターンによって例示される、約０．１ｃｍ以上〜約１ｃｍ以下の範囲の幅に亘って作製された約１μｍ以上〜約２μｍ以下の特徴サイズを有してもよい。パターンの２次元（２Ｄ）形状は、伸張された場合のそれらの２Ｄから３次元（３Ｄ）への再構成のコンピュータシミュレーションに基づいて、選択されることができる。３Ｄ形状は、光学特性、例えば、所望の波長範囲における偏光変調のためにモデル化されることができる。

フォトリソグラフィーは、切り紙光学素子を形成するために、ＬｂＬ複合材と組み合わせて使用されることができる主要なパターン化技術である。一例においては、パターン化プロトコルは、市販のマスクアライナー（ＵＭ Ｌｕｒｉｅ Ｎａｎｏｆａｂｒｉｃａｔｉｏｎ Ｆａｃｉｌｉｔｙ、ＬＮＦ）を使用するフォトパターン化に続いて、標準のＳＵ−８フォトレジストによって被覆されたガラス基板上にＬｂＬ複合材を提供することを含むことができる。このようなプロセスは、図５ａ〜図５ｃに示されるような切り紙素子を形成することができる。

自律車両のような車両において使用するための別の代表的な簡略化されたコンパクトなＭ−ＬＩＤＡＲシステム３００が、図１１に提供される。Ｍ−ＬＩＤＡＲシステム３００における構成要素が、図１のＭ−ＬＩＤＡＲシステム１００におけるものと同様である限り、簡潔にするために、それらの機能は本明細書では繰り返されない。Ｍ−ＬＩＤＡＲシステム３００は、レーザー３１０、ビーム操縦部３１２、１つ以上の偏光子（示されないが、図１の文脈において説明された第１の偏光子１１４及び第２の偏光子１１６と同様）、並びにプロセッサ（示されないが、図１に示されるプロセッサ１２６と同様）を含んでもよい。Ｍ−ＬＩＤＡＲシステム３００においては、パルス発生器３１２がレーザー３１０に接続され、偏光又は非偏光の第１の光パルス３１４及び偏光又は非偏光の第２の光パルス３１６を生成する。パルス発生器３１２は、オシロスコープ３２４に接続される。レーザー３１０によって生成された第１の光パルス３１４及び第２の光パルス３１６は、特定の態様においては、先に上記で議論されたような切り紙ベースのビーム操縦部であってもよい、ビーム操縦部３１８へ向けられる。ビーム操縦部３１８は、サーボモータ／Ａｒｄｕｉｎｏ ３５２に接続され、それによって制御される。サーボモータ／Ａｒｄｕｉｎｏ ３５２は、非限定的な例として、ＭＡＴＬＡＢ（登録商標）制御であってもよいコントローラ３５０に接続される。先に上記で留意されたように、ビーム操縦部３１８は、非限定的な例として、先に上記で議論されたように、第１の光パルス３１４及び第２の光パルス３１６の一方又は両方を偏光、変更、分割、及び／又は変調してもよい。そして、第１の光パルス３１４及び第２の光パルス３１６は、検出される物体３４０に向けられる。

第１の光パルス３１４及び第２の光パルス３１６は、物体１１０から拡散反射されてもよい。光の１つ以上のパルスは、第１の光パルス３１４及び第２の光パルス３１６の反射バージョンを構成する第１の反射されたビーム３４２及び第２の反射されたビーム３４４を集合的に形成する。幾つかの例によれば、第１の反射されたビーム３４２及び第２の反射されたビーム３４４は、第１の光パルス３１４及び第２の光パルス３１６（すなわち、物体３４０からの反射の前）とは異なる偏光を有してもよい。物体３４０から反射した後、第１の反射されたビーム３４２及び第２の反射されたビーム３４４は、第１の反射されたビーム３４２及び第２の反射されたビーム３４４をビームスプリッタ３６０へ向け直す軸外放物面反射鏡／ミラー３３０へ向けられてもよい。

この結果、第１の反射されたビーム３４２は分割され、第１の検出器３６２と第２の検出器３６４との両方に向けられる。第１の検出器３６２及び第２の検出器３６４は、オシロスコープ３２４に接続されてもよい。第１の検出器３６２は、第１の反射された光ビーム３４２を形成する１つ以上の反射されたｓ偏光の光パルスの強度を検出するように構成されたｓ偏光検出器であってもよい。同様に、第２の検出器３６４は、第１の反射された光ビーム３４２を形成する１つ以上の反射されたｐ偏光の光パルスの強度を検出するように構成されたｐ偏光検出器であってもよい。ビームスプリッタ３６０を通過した後、第２の反射された光ビーム３４４は、第１の検出器３６２と第２の検出器３６４との両方に向けられ、ｓ偏光の光パルス及び／又はｐ偏光の光パルスの強度が第２の反射された光ビーム３４４から検出されることができる。第１の検出器３６２及び第２の検出器３６４は、先に上記で説明されたように、それらから受信された情報を更に分析するプロセッサ（示されない）に接続されてもよい。Ｍ−ＬＩＤＡＲシステム３００は、コンパクトであり、非限定的な例として、約７インチ×１２インチの寸法を有してもよく、それを車両に搭載することを特に適切にする。

上記で紹介されたように、ＭＳＴ分類は、本開示の例に従って、点群に追加された光偏光分類子を有する光源ベースのＭＳＴ分類の使用を通して実現されてもよい。一例においては、点群の各３Ｄ範囲測定のために、戻された光子の直線／円偏光が取得されてもよい。加えて、表面特性と偏光状態との間の関係は、場合によっては、表面の粗さに起因してノイズがある場合があるが、局所的な曲率及び局所的な散乱条件は、戻された光子の偏光状態に直接基づいてもよい。

ここで、図６を参照すると、反射されたレーザー光のＭＳＴ偏光分析は、図６の混同行列を生成するために、ニューラルネットワークアルゴリズムを有するＡＩデータ処理を使用して実行された。より具体的には、混同行列は、ｓ及びｐ偏光の光ビーム（図１に示されるｓ及びｐ偏光の光ビーム１１８、１２０のような）の分析に基づいて生成された。ｘ軸に沿って、本明細書で説明されるＭ−ＬＩＤＡＲシステム及び処理方法の対象となる試験物体に対する材料の予測されるタイプが識別される。ｙ軸に沿って、試験物体に対する材料の実際のタイプが識別される。様々な材料のタイプのためのＡＩアルゴリズムの様々な予測の精度は、予測された材料のタイプと実際の材料のタイプとの交差部に反映される。示されるように、Ｍ−ＬＩＤＡＲシステムの材料検出機能は、これらの偏光された光ビームを使用して高度な精度（場合によっては９９％以上を含む）で実現されてもよい。

ここで、図７を参照すると、他の材料と比較してシミュレーションされた薄氷の検出のための混同行列が示される。この場合も、Ｍ−ＬＩＤＡＲシステムの材料検出機能は、高度な精度（場合によっては１００％を含む）で実現されてもよい。

図８は、例えば、薄氷検出（例えば、車両等に設置された場合）における使用のためのＭ−ＬＩＤＡＲデバイス８００の一例を例示する。この例は黒氷検出用途に焦点を当てる一方、当業者は、デバイス８００が黒氷検出に限定されず、自律車両を含む広範囲の材料検出及び物体分類用途に適切に用いられてもよいことを認識するであろう。デバイス８００は、ハウジング８０２、エミッタ８０４（すなわち、レーザー光ビームを構成する光パルスを放出するためのエミッタ）、第１の検出器８０６ａ、及び第２の検出器８０６ｂを含む。一例によれば、検出器８０６ａ、８０６ｂのうちの１つ以上は、直交偏光分析器を含む。更に、一例によれば、エミッタ８０４、検出器８０６ａ、及び／又は検出器８０６ｂのうちの１つ以上は、切り紙光学素子で作られてもよい。デバイスの主な例は自動車内での使用であるが、デバイスはまた、例えば、ドローン等のような航空機内で使用されることができる。

ここで図９を参照すると、Ｍ−ＬＩＤＡＲシステムを使用して物体分類を実行する方法９００を例示するフローチャートが提供される。方法９００は、非偏光の光パルスが生成される９０２で始まる。９０４では、直線偏光の光パルスを生成するために、非偏光の光パルスが直線偏光される。直線偏光の光パルスは、物体に向かって放出され、反射された直線偏光の光パルスを生成するために物体から反射して戻される。９０６では、反射された直線偏光の光パルスは、ｓ偏光に直線偏光されて、反射されたｓ偏光の光パルスを生成してもよい。

９０８では、反射された直線偏光の光パルスは、ｐ偏光に直線偏光されて、反射されたｐ偏光の光パルスを生成してもよい。９１０では、反射されたｓ偏光の光パルスの強度が検出されてもよい。９１２では、反射されたｐ偏光の光パルスの強度が検出されてもよい。９１４では、物体の少なくとも１つの材料が、反射されたｓ偏光の光パルスの強度及び反射されたｐ偏光の光パルスの強度に基づいて検出されてもよい。最後に、９１６では、物体が、検出された少なくとも１つの材料に基づいて分類されてもよい。９１６に続いて、方法９００は終了する。

最後に、幾つかの例によれば、切り紙パターンは、物体の偏光ベースの検出のためのＭＳＴタグとして使用されてもよい。大量生産された切り紙構成要素はまた、道路標識、衣類、マーカー、車両、家庭用品、又は他の適切な物体に特定の偏光応答を与えるために、塗料に追加されてもよい。

特定の変形例においては、本開示のＬＩＤＡＲシステムは、送信され、反射されたビームの変調を提供することができる。切り紙ベースの光学素子は、ビーム操縦部として機能させるために、ＬＩＤＡＲのエミッタ側に追加されることができ、この結果、従来のかさばる回転式又は液晶フェーズアレイビーム操縦部を置き換えることができる。磁気作動モジュールは、１５５０ｎｍのレーザー光源と一体化されることができる。ビーム操縦部の大部分を削減するために、光ファイバがモジュールと直接結合されることができる。

特定の変形例においては、本開示によって提供されるＬＩＤＡＲシステムは、降水及び／又は湿気のある大気条件において強化された検出を提供してもよい。例えば、本開示によって企図されるＬＩＤＡＲシステムは、霧、雨、及び雪に伴う低視認性条件を含む、悪天候条件時の検出及び性能を向上させる、非限定的な例として、約１５５０ｎｍの波長のレーザーを用いることによって、低視認性条件における使用のために特に適していてもよい。このようなＬＩＤＡＲシステムは、例えば、２００メートルまでの長距離警告を可能にすることができ、高速道路の運転状況のために特に有用である。従来のＬＩＤＡＲは、波長が約９００ｎｍの波長のレーザーを使用し、シリコンベースの検出器のためには便利である。しかし、これらの従来のレーザービームは、湿気のある大気条件においては相対的に強い散乱を経験する。１５５０ｎｍで動作するＬＩＤＡＲは、湿気のある空気の高い透明度を利用することができ、近接警告からアシスト運転及び完全な自律走行モダリティまで、様々なレベルの自律性のために有利である。しかし、このようなＬＩＤＡＲは、近赤外線光学系の重重量及び高コストに起因して、かさばり、高価になる場合がある。本開示の特定の態様によれば、切り紙ベースの光学素子は、パターン化された切り紙シートのために可能な空間電荷及びサブ波長効果を利用することによって、この問題を解決することができる（例えば、図２ａ及び図２ｂを参照）。図３ａ及び図３ｂに示されるように、このような切り紙シートは、切り紙シートの再構成可能な面外パターンを使用して、近赤外線レーザーを効果的に変調し、ビーム操縦することができる。このような切り紙ベースの光学素子を組み込む１５５０ｎｍのビーム操縦デバイスは、薄くて軽量で安価な固体ＬＩＤＡＲとして使用されることができる。更に、切り紙技術の汎用性は、特定の用途のために、例えば、ＬＩＤＡＲシステムを特定の車両にカスタマイズして、パターンを潜在的に適応させ、及び／又はそれを自動車部品の様々な曲率の表面に適応させることを可能にする。

特定の態様においては、本開示は、レイテンシのための精度を犠牲にすることなく、２段階の物体提案及び検出方法を使用することによって、ＬＩＤＡＲシステムに相対的に高速な検出を提供することができる。例えば、分類モデルのためのモデル精度及び一般化可能性の向上は、データに材料寸法を追加することによって静的物体分類子を強化することを含むことができる。プラスチック、木、及びレンガを含有する材料のフィンガープリントを有する物体は移動する可能性は非常に低く、一方、金属又は生地のフィンガープリントを有する物体は歩行者及び車両である可能性が高い。その上、材料寸法はシナリオの変形例に対してより堅固であるので、これらのモデルは、建設現場又は複雑な祭りの装飾が施された通りのような、まれで複雑なケースに対して一般化する。この結果、材料のフィンガープリントは、点群関連モデルのためのモデル精度を大幅に向上させ、追跡及び自律車両マップに影響を与える。例えば、自転車を引いて歩いている歩行者は、下側に金属素材を有し、歩行者からの生地又は肌の特徴を有する、点群として拾い上げることができるので、点群の材料寸法は、検出及び分類を大幅に信頼性があるようにさせることができる。そして、自動運転システムが純粋な歩行者からそれを区別することを大幅に容易にする。また、物体の材料のフィンガープリントは、システムが点群を正しい物体分類に関連付けさせることを容易にし、正確で一貫した複合材物体分類を維持することに役立つ。

この結果、本開示は、材料タイプを区別する能力を含む強化された物体認識を有する安価でコンパクトなＬＩＤＡＲシステムを提供し、ミリ秒以内に物体を識別する能力を含むより早い検出及び警告システムを提供し、他の利点の中で、低視認性条件における高い有効性を提供する。

実施形態の上述の説明は、例示及び説明の目的のために提供されている。網羅的であること、又は開示を制限することは意図されない。特定の実施形態の個々の要素又は特徴は、一般的に、その特定の実施形態に限定されず、適用可能な場合には、交換可能であり、具体的に示されず、又は説明されない場合であっても、選択された実施形態において使用されることができる。同様に、多くの方法で変形されてもよい。このような変形例は、本開示からの逸脱として見なされるべきではなく、全てのこのような変更は、本開示の範囲内に含まれることが意図される。

Claims (23)

1. 光パルスを生成するように構成されたレーザーと、
   物体に向けて放出される偏光調整された光パルスを生成するように構成されたビーム操縦部と、
   前記物体から戻される反射、散乱、又は放出された光を偏光するように構成された少なくとも１つの偏光子と、
   前記物体からの偏光された反射、散乱、又は放出された光の強度及び偏光に基づいて、前記物体の少なくとも１つの材料を検出するように構成されたプロセッサと
   を備えるシステム。
2. 前記ビーム操縦部は、切り紙ナノ複合材を含む、請求項１に記載のシステム。
3. 前記少なくとも１つの偏光子は、切紙ナノ複合材を含む、請求項１に記載のシステム。
4. 前記プロセッサは、前記物体の前記検出された少なくとも１つの材料に基づいて前記物体を分類するように更に構成されている、請求項１に記載のシステム。
5. 前記プロセッサは、機械学習アルゴリズムを適用することによって、前記物体の前記検出された少なくとも１つの材料に基づいて前記物体を分類するように構成されている、請求項４に記載のシステム。
6. 前記機械学習アルゴリズムは、人工ニューラルネットワークアルゴリズムを含む、請求項５に記載のシステム。
7. 前記ビーム操縦部は、前記偏光調整された光パルスを生成するために、前記光パルスの偏光を調整するように構成されている、請求項１に記載のシステム。
8. 前記ビーム操縦部は、偏光されていない光パルスに偏光を与えること及び偏光された光パルスの偏光を変化させることのうちの少なくとも１つによって、前記光パルスの偏光を調整するように構成されている、請求項１に記載のシステム。
9. 前記ビーム操縦部は、直線偏光、円偏光、及び楕円偏光のうちの少なくとも１つを適用することによって、前記光パルスの偏光を調整するように構成されている、請求項１に記載のシステム。
10. 直線偏光を適用することは、ｓ型直線偏光及びｐ型直線偏光のうちの少なくとも１つを適用することを含む、請求項９に記載のシステム。
11. 前記少なくとも１つの偏光子は、直線偏光、円偏光、及び楕円偏光のうちの少なくとも１つを適用することによって、前記物体から戻される前記反射、散乱、又は放出された光を偏光するように構成されている、請求項１に記載のシステム。
12. 前記適用することは、ｓ型直線偏光及びｐ型直線偏光のうちの少なくとも１つを適用することを含む直線偏光を適用することである、請求項１１に記載のシステム。
13. 前記少なくとも１つの偏光子は、複数の偏光子を含む、請求項１に記載のシステム。
14. 前記少なくとも１つの偏光子及び前記プロセッサに接続された少なくとも１つの偏光検出器を更に備え、
    前記少なくとも１つの偏光検出器は、前記物体からの前記偏光された反射、散乱、又は放出された光の前記強度を検出するように構成されている、請求項１に記載のシステム。
15. 前記少なくとも１つの偏光検出器は、複数の偏光検出器を含む、請求項１４に記載のシステム。
16. 前記少なくとも１つの偏光検出器は、前記物体からの前記偏光された反射、散乱、又は放出された光に関連する入射角を検出するように構成されている、請求項１４に記載のシステム。
17. 前記プロセッサは、前記物体からの前記偏光された反射、散乱、又は放出された光に関連する前記入射角に基づいて、前記物体の前記少なくとも１つの材料を検出するように更に構成されている、請求項１６に記載のシステム。
18. 光パルスを生成するステップと、
    物体に向けて放出される偏光調整された光パルスを生成するために、前記光パルスの偏光を調整するステップと、
    前記物体から戻される反射、散乱、又は放出された光を偏光するステップと、
    前記物体からの前記偏光された反射、散乱、又は放出された光の強度及び偏光に基づいて、前記物体の少なくとも１つの材料を検出するステップと
    を含む方法。
19. 前記光パルスの偏光を調整するステップは、切り紙ナノ複合材を含むビーム操縦部によって実行される、請求項１８に記載の方法。
20. 前記切り紙ナノ複合材は、真空アシストフィルトレーション（ＶＡＦ）プロセス又は多層（ＬＢＬ）堆積プロセスを介して製造されている、請求項１８に記載の方法。
21. 前記物体の前記検出された少なくとも１つの材料に基づいて前記物体を分類するステップを更に含む、請求項１８に記載の方法。
22. 前記物体を分類するステップは、機械学習アルゴリズムを適用することによって前記物体を分類するステップを含む、請求項２１に記載の方法。
23. 前記機械学習アルゴリズムは、人工ニューラルネットワークアルゴリズムを含む、請求項２２に記載の方法。