JP6928414B2 - 点群データセット内において物体を分類する方法およびシステム - Google Patents

Description

関連出願の相互参照
本出願は、２０１６年１１月２９日に出願された仮出願第６２／４２７，５７３号の利益を請求するものであり、この仮出願の内容は、米国特許法第１１９条（ｅ）の定めにより、参照により、本出願にて十分に説明されたかのように本出願に組み込まれる。

政府の関心についての記述
本発明は、海軍省より発注された契約Ｎ０００１４−１６−Ｃ−１０２６の下で、政府の支持を得て為されたものである。政府は本発明にて特定の権利を有する。

ニーモニックによりしばしば参照される距離の光学検出、すなわちＬＩＤＡＲ（光検出測距）は、衝突を回避するために、高度測量から画像化までの様々な用途に使用される。ＬＩＤＡＲは、電波検出および測距（ＲＡＤＡＲ）のような従来のマイクロ波測距システムと比べ、より微細なスケールの距離分解能を提供する。距離の光検出は、ターゲットまでの光パルスのラウンドトリップ移動時間に基づく直接測距、送信されたチャープ光学信号とターゲットから散乱されて戻ってきた信号との間の周波数差に基づくチャープ検出、そして自然信号と区別可能な一連の単一周波数位相変化に基づく位相符号化検出を含む数種類の技術を用いて達成できる。

米国特許第７，７４２，１５２号

直接長距離ＬＩＤＡＲシステムでは、許容可能な距離精度と検出感度を達成するために、パルス繰り返し数が少なく、パルスピークパワーがきわめて高い短パルスレーザを用いる。高いパルスパワーは光学部品の急速な劣化を招く恐れがある。チャープＬＩＤＡＲシステムは、ピーク光パワーが比較的低い、長い光パルスを用いる。この構成では、距離精度はパルス持続時間よりもむしろチャープ帯域幅に依存するため、やはり優れた距離精度が得られる。

光キャリアを変調するために、広帯域無線周波数（ＲＦ）電気信号を用いて、有用な光チャープ帯域幅が達成されている。最近のチャープＬＩＤＡＲにおける進歩には、同じ変調された光キャリアを、光学検出器で戻り信号と組み合わされる参照信号として用いることで、得られた電気信号内に、参照信号と戻り光学信号の間の周波数差に比例する比較的低いビート周波数を生成するものがある。このタイプの、検出器における周波数差のビート周波数検出は、ヘテロダイン検出と呼ばれる。これには、既成で安価に利用できるＲＦ部品を用いる利点といった、技術上知られたいくつかの利点がある。特許文献１に記載された最近の研究は、送信された光学信号から分岐した光学信号を参照光学信号として用いる、新規でより単純な光学部品構成を示している。特許文献１ではこの構成をホモダイン検出と呼んでいる。

光キャリア上に変調された、位相符号化したマイクロ波信号を用いるＬＩＤＡＲ検出も使用されてきた。この技術は、戻り信号内の特定周波数の一連の位相（または位相変化）を、送信信号内の特定周波数の一連の位相（または位相変化）と相関させることに依存する。相関中のピークに伴う時間遅延は、媒体内での光速度による距離に関連する。この技術の利点は、必要な部品が少なくて済むことと、位相符号化したマイクロ波および光通信のために開発された大量生産型のハードウェア部品を使用することを含む。

これらのＬＩＤＡＲシステムによって返送されたデータは、多くの場合、点群として表される。点群とは、何らかの座標系における１組のデータ点である。３次元座標系において、これらの点は通常、Ｘ座標、Ｙ座標、Ｚ座標で定義され、また、多くの場合、物体の外面を表すことを目的とする。３Ｄ点群は、数あるスキャナタイプの中でもとりわけ、チャープＬＩＤＡＲおよび位相符号化ＬＩＤＡＲを含むＬＩＤＡＲシステムのような３Ｄスキャナで生成できる。

現在の発明者は、特に物体が遠距離に位置する場合に、３Ｄ点群で表された物体の自動分類をリアルタイムで行うことが困難であるという状況および用途を認識した。物体の自動分類といった技術が提供されている。

様々な実施形態の最初のいくつかにおいて、プロセッサ上で実施される方法は、物体の外面を表す３Ｄ点群を入手するステップを含む。本方法は、並進不変および回転不変座標系を定義するために、３Ｄ点群上の或る点にて面法線を抽出し、また、３Ｄ点群内の１つ以上の点を定義するために、座標系内の１つ以上の特徴変数の値を抽出するステップをさらに含む。本方法は、１つ以上の特徴変数の値に基づき、３Ｄ点群内の１つ以上の点について第１分類統計を算定し、また、１つ以上の特徴変数の値に基づき、３Ｄ点群内の１つ以上の点について第２分類統計を算定するステップをさらに含む。本方法は、第１分類統計と、第１分類子のＮ個のクラスセットに対応した、Ｎ個の第１分類統計のセット内の１番目との間の最も近い一致を特定するステップであって、それによって、物体が第１クラスに属すると推定する、ステップをさらに含む。本方法は、第２分類統計と、第２分類子のＮ個のクラスセットに対応した、第２分類統計のセット内の２番目との間の最も近い一致を特定するステップであって、それによって、物体が第２クラスに属すると推定する、ステップをさらに含む。第１クラスが第２クラスに対応しない場合には、３Ｄ点群と、第３分類子の第１クラスおよび第２クラスのみのモデル点群との間の最も近いフィットに基づいて、３Ｄ点群内の１つ以上の点について第３分類統計を算定する。物体は、３Ｄ点群の受信からほぼリアルタイムで、第３分類子の最も近いフィットに基づき、第１クラスまたは第２クラスに指定される。本方法は、物体が指定された１つのクラスに基づいて、デバイスを操作するステップをさらに含む。

第１実施形態セットのいくつかにおいて、第１分類統計はスピン像であり、第２分類統計は共分散行列であり、第３分類統計は反復最近接点（ＩＣＰ）である。

第２実施形態セットにおいて、装置は、光学信号を提供するように構成されたレーザ源を含む。装置は、信号を受信し、送信信号と参照信号を生成するスプリッタを含む。装置はまた、送信信号を装置外へ送り、送信信号で照射された任意の物体から後方散乱されたあらゆる戻り信号を受信するように構成された光結合器を含む。装置はまた、参照信号および戻り信号を受信するように配置された光検出器を含む。これに加えて、装置はまた、光検出器からの電気信号を受信するステップを実行するように構成されたプロセッサをさらに含む。プロセッサは、上述の方法の１つ以上のステップを実行するようにさらに構成されている。

他の実施形態では、システムまたは装置またはコンピュータ可読媒体は、上述の方法の１つ以上のステップを実行するように構成されている。

さらに他の態様、特徴、利点は、単純に、本発明を実施するために考案された最良モードを含む多数の特定の実施形態および実施を例証することで、以降の詳細な説明から容易に明白となる。他の実施形態ではその他の多様な特徴および利点を可能にし、そのいくつかの詳細は全て、本発明の趣旨および範囲から逸脱せずに、様々な明白な態様において改造することができる。したがって、図面および説明は限定ではなく例証として見なされるべきである。

一実施形態にかかる、距離の例示的光チャープ測定を例証するグラフのセットである。 一実施形態にかかる、距離を示す、デチャーピング（ｄｅ−ｃｈｉｒｐｉｎｇ）から生じるビート周波数の例示的測定を例証するグラフである。 一実施形態にかかる、高分解能ＬＩＤＡＲシステムの例示的コンポーネントを例証するブロック図である。 一実施形態にかかる、ヘテロダインチャープＬＩＤＡＲシステムの例示的コンポーネントを例証するブロック図である。 一実施形態にかかる、ホモダインチャープＬＩＤＡＲシステムの例示的コンポーネントを例証するブロック図である。 一実施形態にかかる、物体の３Ｄ点群の一例を例証する。 一実施形態にかかる、点セットのｋ−ｄツリー構成の一例を例証するグラフである。 一実施形態にかかる、図５Ａのｋ−ｄツリー構成に基づくｋ−ｄツリーの一例を例証する。 一実施形態にかかる、物体の３Ｄ点群の一例を例証する。 一実施形態にかかる、図６Ａの３Ｄ点群のセグメントを例証する。 一実施形態にかかる、回転不変および並進不変座標系内の３Ｄ点群の点を定義するために特徴変数の一例を例証するブロック図である。 一実施形態にかかる、図６Ｃの特徴変数にかけての３Ｄ点群の点の数のヒストグラムの一例を例証するスピン画像である。 一実施形態にかかる、それぞれの複数のクラスに関連付けられる複数のクラスタとクラスタセンターの一例を例証するグラフである。 一実施形態にかかる、３Ｄ点群によって定義された物体を分類するための例示的な方法を例証するフローチャートである。 一実施形態にかかる、図２のシステムの実験セットアップの平面斜視図の一例を例証する写真である。 一実施形態にかかる、図８Ａで描かれる実験セットアップで使用される物体の一例を例証するブロック図である。 一実施形態にかかる、物体のセットの点群のセットである。 一実施形態にかかる、図９Ａの点群のセットを得るために用いられる物体のセットの一例を例証するブロック図である。 一実施形態にかかる、図４における物体の３Ｄ点群に基づく物体の閉塞モデルの一例を例証するブロック図である。 一実施形態にかかる、物体の２Ｄ点群の一例を例証するブロック図である。 一実施形態にかかる、図１０Ｂの２Ｄ点群と図１０Ａの各閉塞モデルとの間のベストフィットの一例を例証するブロック図である。 一実施形態にかかる、図１０Ｂの２Ｄ点群と図１０Ａの各閉塞モデルとの間のベストフィットの一例を例証するブロック図である。 一実施形態にかかる、図１０Ｂの２Ｄ点群と図１０Ａの各閉塞モデルとの間のベストフィットの一例を例証するブロック図である。 本発明の実施形態が実施され得るコンピュータシステムを例証するブロック図である。 本発明の実施形態が実施され得るチップセットを例証する。

３Ｄ点群内の物体を分類するための方法、装置、システム、およびコンピュータ可読媒体について説明する。以降の記述では、説明の目的から、本発明を完全に理解できるように多くの具体的な詳細について述べている。しかし、本発明はこのような具体的な詳細がなくても実施できることが当業者には明らかとなるだろう。別の例では、よく知られている構造および装置を、本発明を不要に不明瞭にすることを避けるためにブロック図形式で示している。

本発明の広範囲で示す数値的範囲およびパラメータは近似値であるが、非限定的な具体例に記載の数値は可能な限り正確に報告する。しかし、いかなる数値も、これを書いている時点においてそれぞれの試験測定値でみられる標準偏差から必然的に生じる特定の誤差を固有に含んでいる。さらに、文脈から明らかでない限り、ここで提示する数値は最下位桁で示す言外の精度を有するものである。したがって、値１．１は１．０５〜１．１５を意味する。用語「約、およそ（ａｂｏｕｔ）」は、所与の値を中心としたより広い範囲を示すために用いられ、また、例えば「約１．１」が１．０〜１．２を意味するというように、文脈から明白でない限りは、最下位桁周辺のより広い範囲を意味する。最下位桁がわからない場合には、用語「約、およそ（ａｂｏｕｔ）」は２の倍数を意味し、例えば、「約Ｘ」とは０．５Ｘ〜２Ｘの範囲内における或る値を意味し、また例えば、約１００は５０〜２００の範囲内の或る値を意味する。さらに、本明細書中で開示される全ての範囲は、これに包含されるあらゆるおよび全てのサブレンジを含むと理解されるべきである。例えば、「１０未満」の範囲は、最小値０および最大値１０とこれらの間のあらゆるおよび全てのサブレンジを含むことができ、つまり、０と等しいまたはそれ以上の最小値と１０と等しいまたはそれ未満の最大値とを有するあらゆるおよび全てのサブレンジ、例えば、１〜４を含むことができる。

以降で、本発明のいくつかの実施形態を、リニア周波数で変調した光学信号を用いるＬＩＤＡＲシステムによって生成された３Ｄ点群内の物体分類の文脈にて記載する。しかし、このような３Ｄ点群は、リニアチャープを特徴とするＬＩＤＡＲシステムで生成する必要はなく、その代わりに、送信信号を振幅、周波数、位相、あるいはこれらの何らかの組み合わせにおいて変調するＬＩＤＡＲシステムで生成することもできる。実施形態は、単一光ビームと、単一の検出器または一対の検出器への戻りビームとを含むシステムによって生成された３Ｄ点群内の物体の分類の文脈にて記述される。この戻りビームは、その後、リニアステッピング式または回転式の光学構成部品、あるいは送信機アレイ、検出器、または一対の検出器といった任意の周知の走査手段を用いて走査されることができる。別の実施形態は、具体的なシステムで生成されたものではなく、しかしその代わりに、例証された実施形態と異なるシステムで生成された３Ｄ点群内で、物体を分類することに関する。さらに別の実施形態では、３Ｄ点群は、あらゆるタイプの３Ｄ走査ＬＩＤＡＲシステム（例えば、Ｖｅｌｏｄｙｎｅ（登録商標）、Ｒｉｅｇｌ（登録商標）、Ｌｅｉｃａ（登録商標）、Ｆａｒｏ（登録商標））、または、深度画像化のためにＬＩＤＡＲやガイガーモードアバランシェフォトダイオード（ＡＰＤ）アレイを採用しているようなあらゆる「フラッシュ」ＬＩＤＡＲシステムを含むその他のセンサで生成できる。これらのシステムは、本明細書で開示の実施形態に使用する３Ｄ点群の生成に適うデータを収集するのに十分なダウンレンジおよびクロスレンジ解像度を持つ。

１．チャープ検出の概要
図１Ａは、一実施形態による例示の光チャープ測距を示すグラフ１１０、１２０、１３０、１４０のセットである。横軸１１２は４つ全てのグラフについて同様であり、時間を任意単位、つまりミリ秒オーダー（ｍｓ、１ｍｓ＝１０^−３秒）で示す。グラフ１１０は、送信光学信号として用いられる光のビームパワーを示す。グラフ１１０の縦軸１１４は、送信信号のパワーを任意単位で示す。トレース線１１６は、電源が、時間０にて開始し、限定されたパルス持続時間τにわたってオンであることを示す。グラフ１２０は、送信信号の周波数を示す。縦軸１２４は、送信された周波数を任意単位で示す。トレース線１２６は、持続時間τにかけてのｆ_１からｆ_２へのパルス増加の周波数を示し、したがって、帯域幅Ｂ＝ｆ_１−ｆ_２を有する。周波数変化率は（ｆ_２−ｆ_１）／τである。

戻り信号を、グラフ１２０と同様、時間を示す横軸１１２と周波数を示す縦軸１２４とを有するグラフ１３０に示す。グラフ１２０のチャープ１２６は、グラフ１３０では点線としてもプロットされている。第１の戻り信号はトレース線１３６ａで付与されているが、この第１の戻り信号は送信された参照信号と同じであり、但し、強度が減少し（図示せず）、Δｔで遅延している。戻り信号が、距離２Ｒ（Ｒはターゲットまでの距離）をカバーした後に、外部物体から戻って受信されたときに、遅延時間Δｔにて開始する戻り信号に２Ｒ／ｃが付与され、ここで、ｃは物体内での光速度である（ほぼ毎秒３×１０^８メートル、ｍ／秒）。この時間にわたり、周波数は距離に依存する量だけ変化するが（ｆ_Ｒと呼ばれる）、このｆ_Ｒは周波数変化率に遅延時間を乗算して得られる。これは式１ａにより得られる。

ｆ_Ｒ＝（ｆ_２−ｆ_１）／τ^＊２Ｒ／ｃ＝２ＢＲ／ｃτ （１ａ）

ｆ_Ｒの値は、デチャーピングと呼ばれる時間領域混合操作における送信信号１２６と戻り信号１３６ａの間の周波数差によって測定される。したがって、距離Ｒは式１ｂにより得られる。

Ｒ＝ｆ_Ｒｃτ／２Ｂ （１ｂ）

当然ながら、パルスが完全に送信された後に戻り信号が到着した場合、つまり、２Ｒ／ｃがτよりも大きい場合には、式１ａおよび１ｂは無効である。この場合には、戻り信号が参照信号と重なるように、参照信号が既知量または固定量だけ遅延される。参照信号の固定または既知の遅延時間に光速度ｃを乗算すると、式１ｂで計算した距離に追加されるさらなる距離が得られる。媒体内での光速度が不確定であるので、絶対距離に間違いが生じる可能性はあるものの、これはほぼ一定の誤差であり、周波数差に基づく相対距離は依然として非常に正確である。

いくつかの状況において、送信された光ビームで照射されたスポットが、別々の距離における２つ以上の異なる散乱体とぶつかるが、この散乱体は、例えば、半透明物体の正面と裏面、ＬＩＤＡＲから異なる距離にある１つの物体の近い部分と遠い部分、または、照射されたスポット内の２つの別個の物体である。このような状況では、グラフ１３０にトレース線１３６ｂで示すように、第２の減少強度および別様に遅延した信号も受信される。これにより測定値ｆ_Ｒが違ってくるため、式１Ｂを用いて得られる距離も異なる。いくつかの状況において、戻り信号が複数受信される。いくつかの状況では、送信されたビームは1つの物体の複数の部分にぶつかり、また、物体のこの複数部分から受信された複数の戻り信号を用いて、物体の複数部分の各々までのそれぞれの距離が特定される。これらの状況において、物体の複数部分の各々までのそれぞれの距離を用いて、物体の点群が生成される。本発明のいくつかの実施形態は、生成された点群により物体を分類するために提供される。

グラフ１４０は、第1戻り信号１３６ａと参照チャープ１２６との間の差周波数ｆ_Ｒを示す。横軸１１２は、図１Ａ中に並べられている他の全てのグラフと同様に時間を示し、縦軸１３４は大きく拡張させた規模の周波数差を示す。トレース線１４６は、送信されたチャープ中に測定された一定周波数ｆＲを描いており、これは式１ｂで得た特定の距離を示す。第２戻り信号１３６ｂ（ある場合）は、デチャーピング中の第１戻り信号とは異なる、より大きなｆＲの値（図示せず）を生じさせ；その結果、式１ｂを用いてより長い距離が得られる。

一般的なデチャーピング方法は、参照光学信号と戻り光学信号の両方を同一の光検出器に送るというものである。検出器の電気出力は、検出器上に集中する2つの信号の周波数および位相における差と等しいまたはこれに依存するビート周波数によってほぼ占めている。この電気出力信号をフーリエ変換すると、ビート周波数にてピークが生じる。このビート周波数は、テラヘルツ（ＴＨｚ、１ＴＨｚ＝１０１２ヘルツ）の光周波数範囲内よりも、むしろメガヘルツ（ＭＨｚ、１ＭＨｚ＝１０^６ヘルツ＝毎秒１０^６サイクル）の無線周波数（ＲＦ）範囲内にある。このような信号は、マイクロプロセッサ上で実行中の高速フーリエ変換（ＦＦＴ）アルゴリズム、専用ＦＦＴ、またはその他のデジタル信号処理（ＤＳＰ）集積回路のような、一般的で安価なＲＦ構成部品で容易に処理される。他の実施形態では、戻り信号は、局部発振器として作用する連続波（ＣＷ）トーン（局部発振器として作用するチャープに対抗する）と混合される。これにより、自己がチャープである信号が検出される（または何らかの波形が送信される）。この場合には、Ｋａｃｈｅｌｍｙｅｒ（１９９０）に記載されているように、検出された信号がデジタル領域内で整合フィルタにかけられる。欠点は、デジタイザ帯域幅の必要条件が概して高いことである。これ以外では、コヒーレント検出のプラス面は保持される。

図１Ｂは、一実施形態による、デチャーピングで生じたビート周波数（距離を表す）の例示的な測定を示すグラフである。横軸１５２は周波数をメガヘルツで示し、縦軸は、送信されたパワー密度Ｉ_Ｔに対する戻り信号のパワー密度Ｉ_Ｒをデシベル（ｄＢ、ｄＢで示すパワー＝２０ｌｏｇ（Ｉ_Ｒ／Ｉ_Ｔ））を示す。トレース線１５６は、光検出器からの電気信号出力のＦＦＴ回路などによるフーリエ変換であり、Ａｄａｎｙらにより公開されたデータ（２００９）に基づく。このピークの水平位置から、式１ｂを用いてｆ_Ｒ（距離を示す）が得られる。加えて、ピークのこれ以外の特徴も、戻り信号を表すために用いることができる。例えば、ピークにおけるパワー値は、トレース線１５６の最大値で特徴付けられるか、あるいは、より一般的には、ピーク値（図１Ｂでは約−３１ｄＢ）とピークの肩にあるノイズフロア（図１Ｂでは約−５０ｄＢ）との間の差１５７（図１Ｂでは約１９ｄＢ）で特徴付けられ；ピークの幅は最大半減（ＦＷＨＭ）における周波数幅１５８（図１Ｂでは約０．０８ＭＨｚ）で特徴付けられる。識別可能な戻りが複数ある場合には、光検出器の電気出力のＦＦＴにおいて、恐らくは複数の異なるパワーレベルおよび幅を持った複数のピークがある。任意の方法を用いて、トレース線のピークを自動的に識別し、これらのピークを位置、高さ、幅毎に特徴付けることができる。例えば、いくつかの実施形態では、ＭＡＴＨＷＯＲＫＳ（登録商標）（マサチューセッツ州ネイティック）が提供している、ＭＡＴＬＡＢ（登録商標）にて利用できるＭＡＴＬＡＢ（Ｓｉｇｎａｌ ＰｒｏｃｅｓｓｉｎｇＴｏｏｌｂｏｘ）のＦＦＴＷ機能またはピーク検出機能を使用する。あるいは、ＮＶＩＤＩＡ（登録商標）（カリフォルニア州、サンタクララ）より入手できるＣＵＤＡ（登録商標）のＦＦＴＷ、およびＣＵＤＡ（登録商標）のカスタムピーク検出を利用したカスタムインプリメンテーションを使用することも可能である。カスタムインプリメンテーションはフィールドプログラマブルゲートアレイ（ＦＰＧＡ）上でプログラムされている。一般に使用されるアルゴリズムは、ピーク位置をより精密に特定するために、レンジプロフィールに閾値を設けることで、重心アルゴリズム、ピークフィッティングアルゴリズム（３点ガウシアンフィット）、または、何らかの関数（例えば、ガウス）についてのピークのノンリニアフィットを実行するというものである。移動する物体はドップラー周波数シフトをもたらし、これにより、算定した距離にオフセットが生じることがある。そのため、いくつかの実施形態では、ドップラー補正を用いる。あらゆる周知のドップラー補正方法およびハードウェアを利用できる。

ｔ_ｉの休止時間後に、別のパルスを用い、別の角度で、または移動中のＬＩＤＡＲシステムの変位位置で、新たな独立した測定を行うことで、式１／（τ＋ｔ_ｉ）によりパルス繰り返し数（ＰＲ）が得られる。フレームは距離の２次元画像であり、この２次元画像において、画像の各画素は、送信されたビームが捉えた物体の別部分までの距離を示す。１０００個の水平・垂直角×１０００個の垂直角の各々における送信信号で組み立てられたフレームの場合、このフレームは１０^６個の画素を含み、フレームレート（ＦＲ）はパルス繰り返し数の１０^−６であり、例えば、１０^−６／（τ＋ｔｉ）となる。

２．距離検出ハードウェアの概要
距離検出アプローチがどのように実施されるかを示すために、数例の汎用および専用ハードウェアアプローチについて記述する。図２は、一実施形態による高解像ＬＩＤＡＲシステムの例示的な構成要素を示すブロック図である。帯域幅Ｂと持続時間τを有するパルスを生成するために、変調器２１４内で振幅、周波数位相、もしくはこれらの組み合わせを変調した搬送波２０１が、レーザ源２１２によって放射される。スプリッタ２１６が、チャープを、ビーム２０３の大部分のエネルギーを持つ送信ビーム２０５と、量は遥かに少ないが、ターゲット（図示せず）から散乱されて戻り光２９１とのヘテロダイン干渉またはホモダイン干渉を生じさせるのに十分なエネルギーを持つ参照ビーム２０７とに分割する。いくつかの実施形態では、送信ビームを複数の角度で走査し、その経路内に存在するあらゆる物体をプロファイリングする。参照ビームは、散乱光と共に検出器アレイ２３０に到達するように、参照経路２２０内で十分遅延される。いくつかの実施形態では、スプリッタ２１６は変調器２１４の上流にあり、参照ビーム２０７は変調されていない。様々な実施形態では、柔軟性の低いアプローチからより柔軟なアプローチを用いており、以下の方策によって参照ビームが散乱場または反射場と共に到達させられる：１）シーン内に鏡を設置して、送信ビームの一部を検出器アレイへ反射させて戻すことで、経路長が十分に一致するようにする；２）遅延ファイバを用いて、経路長をより一致させ、また、経路長を調整して、または調整せずに、特定の距離について観察または予測された位相差を補正して、図２で示すように、検出器アレイ付近の光学系で参照ビームを一斉に送信する；または、３）周波数シフトデバイス（音響光学変調器）、または局部発振器波形変調の時間遅延を用いて、経路長の不一致を補正するために個別の変調を生成する；もしくはこれらの組み合わせ。いくつかの実施形態では、ターゲットが十分近く、パルス持続時間が十分長いため、戻り信号が参照信号と遅延なく十分にオーバーラップすることができる。様々な実施形態では、各走査ビームについて、ターゲットの複数部分が各々の戻り光２９１信号を反射させて反射アレイ２３０に戻すことで、複数のビームと複数の戻り光で照射されたターゲットの複数部分の複数の距離の各々に基づいた点群が得られる。

検出器アレイは単一検出器であり、もしくは検出器アレイは、ターゲットからの戻り光２９１に対しておおよそ垂直な面に配設された検出器の１Ｄまたは２Ｄアレイである。インターフェースパターンの位相もしくは振幅、またはこれらの何らかの組み合わせは、取得システム２４０により、各検出器について、パルス持続時間τ中に複数回、記録される。パルス持続時間毎の一時サンプルの数はダウンレンジの広がりに影響する。多くの場合、この数は、パルス繰り返し数および利用可能なカメラフレームレートに基づき、現実的に考慮して選択される。フレームレートはサンプリング帯域幅であり、多くの場合、「デジタイザ周波数」と呼ばれる。基本的に、１パルス中に、Ｙレンジ幅の解像ビンで、Ｘ個の検出器アレイフレームが収集された場合、Ｘ^＊Ｙレンジの広がりが観察できる。取得したデータは、図１１を参照して以下で述べるコンピュータシステムや、図１２を参照して以下で述べるチップセットといった、処理システム２５０において利用できるようにされる。いくつかの実施形態において、取得したデータは、ターゲットの複数部分の各々の複数距離に基づいた点群である。物体分類統計モジュール２７０は、図７の方法７００に従い、ビーム２０５で照射された物体を、取得した点群に基づいて分類する。あらゆる周知の装置またはシステムを用いて、レーザ源２１２、変調器２１４、ビームスプリッタ２１６、参照経路２２０、検出器アレイ２３０、取得システム２４０を実施できる。ターゲットを走査、フラッド、焦点する、または瞳面を超えて焦点するための光結合については記述していない。本明細書で用いている光結合器は、1つの構成部品から別の構成部品へ光を送るために、空間座標内の光の伝播に影響を与える任意の構成要素であり、例えば、とりわけ、真空、空気、ガラス、水晶、鏡、レンズ、光サーキュレータ、ビームスプリッタ、位相板、偏光子、光ファイバであり、単独もしくは組み合わせて使用される。

例えば、いくつかのチャープ実施形態において、使用するレーザは、これを駆動させている電流に変調を適用することで、活発に直線化された。変調を提供する電子光学変調器を用いた実験も実施された。本システムは、様々な実施形態について以下で詳細に記載しているように、所望のダウンレンジ解像に適した、帯域幅Ｂおよび持続期間τのチャープを生成するように構成されている。例えば、いくつかの例証された実施形態では、実施した実験における比較的低い検出器アレイフレームレート内で作業するべく、約９０ＧＨｚの値Ｂと約２００ミリ秒（ｍｓ、１ｍｓ＝１０^−３秒）のτを選択した。これらの選択は、約３０ｃｍの妥当に大きな距離ウインドウを観察するためのものであり、これは物体の形状ならびに物体の識別にとってしばしば重要である。この技術は、１０ＭＨｚ〜５ＴＨｚのチャープ帯域幅に有効である。しかし、３Ｄ画像化の用途では、典型的なレンジは、チャープ帯域幅約３００ＭＨｚ〜約２０ＧＨｚ、チャープ持続期間約２５０ナノ秒（ｎｓ、ｎｓ＝１０^−９秒）〜約１ミリ秒（ｍｓ、１ｍｓ＝１０^−３秒）、ターゲットまでの距離約０メートル〜約２０ｋｍ、ターゲットにおけるスポットサイズ約３ミリメートル（ｍｍ、１ｍｍ＝１０^−３メートル）〜約1メートル（ｍ）、ターゲットにおける深度解像約７．５ｍｍ〜約０．５ｍ）である。いくつかの実施形態において、ターゲットは、例えば４００メートル（ｍ）といった最小距離を有する。これらの条件下で距離ウインドウは数キロメートルまで拡張させることができ、また、ドップラー解像も（チャープの持続期間に応じて）非常に高くすることができる点に留意する。図２では、図示の目的から、処理、機器、データ構造を特定配列された一体ブロックとして示しているが、他の実施形態では、1つ以上の処理またはデータ構造、およびその各部が、違った様式で、同じまたは別々のホスト上に、1つ以上のデータベース内に配列される、あるいは省略される、もしくは、1つ以上の異なる処理またはデータ構造が同じ又は別々のホスト上に含まれる。例えば、スプリッタ２１６と参照経路２２０は０個以上の光結合器を含む。

図３Ａは、一実施形態による、ヘテロダインチャープＬＩＤＡＲシステム３００ａの例示的な構成要素を示すブロック図である。システム３００ａは米国特許第７，７４２，１５２号を改造したものであり、電子デチャーピングを用いている。システム３００ａの動作を図示するために物体３９０が描かれているが、物体３９０はシステム３００ａの一部ではない。システム３００ａはレーザ３０１、変調器３１０、走査光結合器３２０としての望遠鏡、平衡受光器３３０、処理回路３４０、帯域幅Ｂおよび持続期間τのＦＭチャープを生成する波形生成器３５０、パワースプリッタ３５１、デチャーピング混合器３６０、音響光学変調器３７０を含む。このシステムでは、ソースレーザ３０１が出力したビームがビームスプリッタ３０２で２部分に分割され；一方の部分が、変調器３１０により、パワースプリッタ３５１および演算増幅器３５２ａからのＦＭチャープに基づき変調されて、ビーム３０５が生成され、このビーム３０５が望遠鏡に供給される。

ビームのもう一方の部分であるビーム３０７ａは、コヒーレント検出用の局部発振器（ＬＯ）を生成するために用いられる。ビーム３０７ｂ中の光周波数をｆｍだけシフトさせるように音響光学変調器（ＡＯＭ）３７０を駆動するために、音響スピーカが、ヘテロダイン検出のための中間周波数（ＩＦ）として機能する、周波数ｆｍを持つ音響信号を生成する。光結合器３２２がビーム３０７ｂを平衡受光器３３０のうちの１つに送る。

戻り光学信号３９１も、同様に、光結合器３２２によって平衡受光器のもう一方の部分へ送られる。平衡フォトダイオード３３０が直接検出要素を拒否する。出力された電気信号が演算増幅器３４４ａ内で増幅され、ＩＦ信号がバンドパスフィルタ３４１によって選択され、ベースバンド波形を復元するショットキーダイオード３４２によって検出される。得られた電気信号は低パスフィルタ３４３と演算増幅器３４４ｂを通って送られる。

デチャーピング混合器３６０が、この検出された信号を、パワースプリッタ３５１および演算増幅器３５２ｂにより出力されたオリジナルのチャープ波形と比較して、ＲＦ参照波形と検出された波形との間の周波数差に依存するビート周波数を持った電気信号を生成する。別の演算増幅器３４４ｃとＦＦＴ処理３４５を用いてビーティング周波数を探す。プロセッサ３４６はデータ解析を行うようにプログラムされている。３００ａのようなコヒーレント検出システムは、パルス移動時間の直接検出と比較して受信機の信号雑音比（ＳＮＲ）を著しく向上させるが、システムの複雑性が大幅に上がるという代償を伴う。演算増幅器３４４ａおよびデチャーピング混合器３６０からプロセッサ３４６までの電気部品は、信号処理要素を構成している。

例証された実施形態によれば、光結合器３２０から発射された光ビームが、有限ビームサイズにて1つ以上の物体３９０に衝突することで、1つ以上の物体の照射部分３９２が照射される。照射された部分からの後方散乱光は望遠鏡を通って戻り、次に、光結合器３２２によって、平衡受光器３３０の一方のフォトダイオードなどの光検出器へ送られる。いくつかの実施形態では、光結合器３２０から発射された光ビームは物体の複数部分３９２と衝突し、物体の複数部分３９２の各々から後方散乱光３９１が戻されることで、物体の複数部分の各々までのそれぞれの距離が特定される。これらの実施形態において、物体の複数部分の各々のそれぞれの距離は、1つ以上の物体の点群に点を追加するために用いられる。ＬＩＤＡＲシステムの種々の角度または種々の位置にて多くの測定を行った後に、点群が出現する。プロセッサ３４６は、以降で述べるように、図７の方法７００によりビーム３０５で照射された物体３９０を点群に基づいて分類する、物体分類統計モジュール３８０を含む。

図３Ｂは、一実施形態による、ホモダインチャープＬＩＤＡＲシステム３００ｂの例示的な構成要素を示すブロック図である。システム３００ｂは米国特許第７，７４２，１５２号を改造したものであり、光子デチャーピングを用い、ＲＦ構成要素を簡素化している。システム３００ｂの動作を例証する目的から物体３９０が描かれているが、物体３９０はシステム３００ｂの一部ではない。システム３００ｂは、波形生成器３５０、レーザ３０１、変調器３１０、変調器３１０の下流に位置するスプリッタ３０２、走査光結合器３２０として用いられる望遠鏡、平衡受光器３３０、および処理回路３６０を含む。

本システムでは、光学信号と局部発振器ＬＯの両方が同じ波形生成器３５０で駆動され、演算増幅器３５２内で増幅される。変調器３１０により出力されたビームが、ビームスプリッタ３０２によってビーム部分３０５とビーム部分３０７ｃに分割される。ビームエネルギーの大部分（例えば９０％以上）を持ったビーム部分３０５が光結合器３２０によって送信され、物体３９０の照射部分３９２を照射する。いくつかの実施形態において、ビーム３０５は物体３９０の複数部分３９２を照射する。これらの実施形態では、複数の戻り信号３０９が物体３９０の複数部分３９２の各々から受光器３３０へ送られ、物体３９０の複数部分３９２の各々までのそれぞれの距離が特定される。参照信号３０７ｄを生成するために、ビーム部分３０７ｃは遅延３０８において所望分だけ遅延されている。いくつかの実施形態では遅延は存在しないため、遅延３０８は省略される。望遠鏡またはその他の光結合器３２０からの参照信号３０７ｄと戻り信号３０９が、光結合器３２２により受光器３３０へ送られる。

デチャーピング処理が平衡フォトダイオード３３０内で完遂されるため、デチャーピング混合とこれに関連したＲＦ処理は省かれる。ＬＯによって担持されたオリジナルのチャープ光波形は、既述のようにフォトダイオードにてその遅延バージョンと共に脈動するため、ターゲットの距離（ｄｉｓｔａｎｃｅ）を、演算増幅器３４４から出力された光電流信号中のＦＦＴ成分３４５内で、周波数分析により直接入手することができる。各々の戻りにつき、検出されたターゲット距離（ｄｉｓｔａｎｃｅ）、つまり照射部分までの距離が、1つ以上の物体の点群に１つの点として追加される。いくつかの実施形態において、ターゲットの各部分は４００メートル（ｍ）といった最小距離を有する。プロセッサ３６２はデータ解析を行うようにプログラムされている。プロセッサ３６２は、以降で述べるように、図７の方法７００に従って、ビーム３０５で照射された物体を点群に基づいて分類するために、物体分類統計モジュール３８０を含む。演算増幅器３４４からプロセッサ３６２までの電気構成要素は信号処理構成部品３６０を構成している。コヒーレント検出ではショット雑音が優勢な雑音であることを考慮すると、ビート周波数におけるＳＮＲは、直接検出のＳＮＲやシステム３００ａのＳＮＲと比較して減少する。

３．ｋ−ｄツリーの概要
ｋ−ｄツリー（「ｋ次元ツリー」の省略形）は、ｋ次元空間内の点を組織する空間分割データ構造である。ｋ−ｄツリーは、多次元検索キーが関与する検索（例えば、範囲検索や最近傍検索）のような数種の用途にとって有用なデータ構造である。ｋ−ｄツリーはバイナリ空間分割ツリーの特殊ケースである。図５Ａは、一実施形態による、点セットのためのｋ−ｄツリー構成５００の実施例を示すグラフである。図５Ｂは、一実施形態による、図５Ａのｋ−ｄツリー構成５００に基づいたｋ−ｄツリー５５０の実施例を示す。図５Ａ〜図５Ｂの例示的な実施形態はｋ−ｄツリーを示し、ここで、ｋ＝２（例えば、2次元ｘ−ｙ空間）である。図５Ａ〜図５Ｂのｋ−ｄツリーは点セット｛（２，３），（５，４），（９，６），（４，７），（８，１），（７，２）｝に基づく。図５Ａのグラフは点セット内の各点をプロットしたものである。横軸５０２はｘ軸であり、縦軸５０４はｙ軸である。

ｋ−ｄツリー５５０は、ルートノード５５２とリーフノード５５６を含む複数のノード５５２、５５４、５５６を持ったバイナリツリーである。各非リーフノード（例えば、ノード５５２、５５４）は、空間を2つの部分（半空間として知られる）に分割する分割超平面（ｓｐｌｉｔｔｉｎｇ ｈｙｐｅｒｐｌａｎｅ）を絶対的に生成すると考えることができる。この超平面の左側にある点はそのノードの左サブツリーで表され、超平面の右側にある点は右サブツリーで表される。超平面方向を次のように選択する：ツリー内の各ノードをｋ次元のうちの１つに関連付け、超平面をその次元の軸に対して垂直に保つ。図５Ｂの例示的な実施形態では、ルートノード５５２をｘ次元に関連付け、点５５２ａを、中央値がｘ次元にある点セットから選択している（例えば、（７，２））。ｘ分割平面５０６は、ｘ次元内のこの中央値に基づいて（例えば、Ｘ＝７）、ｋ−ｄツリー構成５００内に生成される。この平面５０６の左側にある点セットの点は左サブツリー５５３で表され、この平面５０６の右側にある点セットの点は右サブツリー５５５で表されている。

ノード５５４はｙ次元に関連付けられている。点５５４ａは、中央値がｙ次元にあり、ｘ分割平面５０６の片側（左側）にある点（例えば、左サブツリー５５３内の点）の中から選択されている（例えば（５，４））。ｙ分割面５０８は、ｙ次元内の中央値に基づいて（例えばｙ＝４）、ｋ−ｄツリー構成５００内に生成されている。このｙ分割面５０８の片側（下側）にある点は、リーフノード５５６内に点（２，３）で表され、このｙ分割面５０８のもう片側（上側）にある点は、リーフノード５５６内に点（４，７）で表されている。同様に、点５５４ｂは、中央値がｙ次元にある右サブツリー５５５内の点セットから選択され（例えば、（９，６））、ｙ分割面５１０は、ｙ次元（例えば、ｙ＝６）内のこの中央値に基づいてｋ−ｄツリー構成内に生成される。このｙ分割面５１０の左側にある点はリーフノード５５６内に点（８，１）で表され、この点セットでは、このｙ分割面５１０の右側には点は存在しない。

いくつかの実施形態において、ｋ−ｄツリー５５０は、所与の入力点に最も近いセット内の点を見つけることを目的とする最近傍（ＮＮ）検索を実行するために用いることができる。例示的な一実施形態では、入力点５１２は（２，８）である。この検索は、ツリープロパティを用いて検索空間の大部分を迅速に排除することにより、効率的に行うことができる。いくつかの実施形態では、ｋ−ｄツリーにおける最近傍の検索は、ルートノード５５２ａから開始し、進行する。検索は、入力点が挿入される場合に行うのと同じ方式で、ツリー５５０を再帰的に下方へ移動する（すなわち、検索は、点が分割次元内の現行ノードよりも小さいか大きいかに応じて左または右へ進む）。ルートノード５５２ａにて、入力点（２，８）は、分割次元（例えば、ｘ次元）内のノード５５２ａにおける点（７，２）よりも小さいため、検索は左サブツリー５５３へ進む。ノード５５４ａにて、入力点（２，８）は、分割次元（例えば、ｙ次元）内のノード５５４ａにおける点（５，４）よりも大きいため、検索は右へ、そしてリーフノード５５６における点（４，７）へと進む。検索がリーフノード５５６の点に到達すると、検索はそのノード点を「最近傍」として保存する。この実施例では、検索が（４，７）を入力点（２，８）「最近傍」として保存する。図５Ａは、入力点５１２と、リーフノード５５６における（４，７）に対応した最近傍５１４とを示す。ｋ次元データセットにｋ−ｄツリーを生成できるソフトウェアが入手可能である。例えば、Ａｃｃｏｒｄ‐ｆｒａｍｅｗｏｒｋ．ｎｅｔは、Ｃ＃にてｋ−ｄツリー最近傍検索アルゴリズムを提供するオープンソースソフトウェアプラットフォームである。

４．点群の概要
点群は、何らかの座標系におけるデータ点のセットである。３次元座標系において、これらの点は、通常、Ｘ、Ｙ、Ｚ座標で定義され、多くの場合、物体の外面を表すことを意図する。他の実施形態では、点群内の各点は異なる座標系内に示され、この座標系は、例えば、何らかの便宜的な原点（例えば、ＬＩＤＡＲスキャナの場所）から距離と方位角と仰角を用いて各点の位置決定を行う極座標系である。点群は３次元スキャナで作成できる。これらのデバイスは物体表面上の多数の点を測定し、多くの場合、点群をデータファイルとして出力する。点群は、デバイスが測定した点のセットを表す。図４は、一実施形態による、カップのような物体の３Ｄ点群４００の実施例を示す。３Ｄスキャナが、例えば、カップハンドルに対応した部分４０２ａ、およびカップ縁に対応した部分４０２ｂを含んだ、カップ表面の異なる部分の点を測定する。いくつかの実施形態において、物体の３Ｄ点群は、上で既に述べた図２、図３Ａ〜図３Ｂのシステム２００、３００ａ、３００ｂを含む光学ＬＩＤＡＲシステムにより作成される。これらの実施形態では、図２の物体（図示せず）または図３Ａ〜図３Ｂの物体３９０の、物体表面上の多数の点を含む３Ｄ点群が、算定された物体の複数部分までのそれぞれの距離に基づいて得られる。物体がスキャナの光を受けても不透明で、物体とスキャナが不可動である場合には、物体の１面のみが観察され、点群は閉塞したとみなされる。物体またはスキャナのいずれかを移動させて（例えば、物体を回転させる）物体の複数の側部をスキャナに露出させると、物体表面のより完全な３Ｄ表示が得られる。

３Ｄ走査処理の出力として、点群は、製造された部品の３Ｄ ＣＡＤモデルの作成、計測／品質検査、ならびに、多数の視覚化、アニメ化、レンダリング、マスカスタマイゼーション用途を含む多くの目的に使用される。点群は、直接、レンダリングおよび検査することが可能であるが、通常、ほとんどの３Ｄ用途にはそのまま使用することはできないので、大抵の場合、一般に「表面再構成」と呼ばれる処理によってポリゴンメッシュモデルや三角形メッシュモデル、ＮＵＲＢＳ表面モデル、ＣＡＤモデルに変換される。点群を３Ｄ表面に変換するための多くの技術が存在する。いくつかのアプローチ、例えば「デローネ三角形分割」、「アルファシェイプ」、「ボールピボッティング」は、点群の既存の頂点上に三角形網を作成するものであり、一方、別のアプローチは、点群をボリュ―メトリック距離場に変換するもの、陰的表面をマーチングキューブアルゴリズムで定義されているように再構成するものである。

点群を直接使用できる１つの用途は、産業用コンピュータ断層撮影法を用いた産業用計測または検査である。製造された部品の点群をＣＡＤモデル（または、さらに別の点群）に整列させ、比較によって相違を調べることができる。これらの相違を、製造された部品とＣＡＤモデルの間の偏差の視覚的インジケータを提供するカラーマップとして表示できる。幾何学的次元および公差も点群から直接抽出できる。

５．物体分類統計の概要
物体分類は、まだ未知の物体の点群から、その点群をもたらしている物体が恐らく属する物体クラスを特定しようとする。様々な方法は、既知の物体のトレーニングセットを使用して、そのクラスについて点群の１つ以上の性質の特徴付けを行う。次に、未知の物体の点群を用いて、これら１つ以上の性質の数値を導出する。この未知の物体の性質の数値を、或るクラスとの何らかの類似度を用いて、未知の物体の数値と最も類似する数値と一致させる。以下の実施形態では、物体のクラスを控え目な数の対象クラス（例えば、Ｎ個の車両および路傍構造の種類、Ｎ個の食器種類、Ｎ個の動物種類、Ｎ個の携帯式武器種類）に抑えることによって問題を扱い易くする。すると、未知の物体がＮ個のクラスのうちの１つと妥当に類似するか、または対象外として拒否される。

図６Ａは、一実施形態による、物体の３Ｄ点群６００の実施例を示す。いくつかの実施形態では、３Ｄ点群は、図２〜図３Ｂを参照して上述した光学ＬＩＤＡＲシステムを用いて得られる。他の実施形態では、３Ｄ点群はこのような光学系以外の３Ｄスキャナにより得られる。図６Ｂは、一実施形態による、図６Ａの３Ｄ点群６００の、点６０１とおよび点６０１の周囲の最近傍点６０５を含んだセグメント６０７を示す。

図６Ａに示す面法線６０２は、点群の各点における物体表面に対する垂直を予測したものである。点群６００の各点における面法線６０２が予測されている。いくつかの実施形態では、Ｋｌａｓｉｎｇ（２００９）で開示された処理を用いて、面法線６０２を予測している。いくつかの実施形態では、点６０１における面法線６０２を、まず点６０１周囲の最近傍点６０５を特定することによって特定している。図６Ｂでは、簡素化の目的で、いくつかの点６０５に符号付けしている。Ｋｌａｓｉｎｇに記載されているように、最近傍点６０５の（ｘ，ｙ，ｚ）値を用いて、３×３の共分散行列Ｃを形成している。一実施形態では、３点６０５のうちの最小値を用いて、３×３の共分散行列Ｃを形成し、３Ｄ平面を定義している。他の実施形態では、共分散行列Ｃを形成するための点６０５のうちのこの最小値は、以降で定義されるように、システム内のノイズに実際的に対処し、有用な測定値を入手しつつ、リアルタイムまたはほぼリアルタイムに結果を得るために、約１０個〜２０個の点の範囲内になければならない。次に、行列Ｃの固有値（λ１,λ２,λ３）、および固有ベクトル（ｅ１，ｅ２，ｅ３）を算定する。これらの固有値は、固有ベクトルで示す３つの方向の各々における点６０５の分散の近似を表す。いくつかの実施形態では、最小固有値に関連した固有ベクトルを用いて、点６０１における面法線６０２を予測しているが、これは、この最小固有値に関連した固有ベクトルが点６０５の最小分散の方向を予測し、他の２つの固有ベクトルがほとんどの分散を有する平面を定義するためである。他の実施形態では、点６０１における物体表面の曲線を、固有値を用い、次式のとおり推定できる。

各点６０１における面法線６０２は、Ｋｌａｓｉｎｇで開示されたもの以外にもあらゆる方法を用いて予測できる。

図６Ｃは、一実施形態による、並進不変および回転不変座標系における３Ｄ点群の点６０５で定義された特徴変数の一例を示すブロック図６５０である。並進不変および回転不変座標系は、点６０１における面法線６０２によって、また点６０１にて面法線６０２と直交し、点６０１にて物体表面６５６と接している面６５５によって、定義されている。いくつかの実施形態において、特徴変数αは、点６０１から点６０５までの面６５５に沿った距離（ｄｉｓｔａｎｃｅ）６６２で定義される。他の実施形態では、特徴変数βは、点６０１から点６０５までの面６５５に対して垂直な距離（ｄｉｓｔａｎｃｅ）６６３により定義され；または、特徴変数は１対の距離（ｄｉｓｔａｎｃｅ）α、βによって定義される。さらに他の実施形態では、特徴変数ρは点６０１から点６０５までの直線距離（ｄｉｓｔａｎｃｅ）６６０であり、αとβを用いて、ピタゴラスの定理により導出される。さらに他の実施形態では、特徴変数θは、面法線６０２とρの間で測定された角度６５８である。さらに他の実施形態では、特徴変数は、面法線６０２の特定に用いた方法と類似の方法で特定された、点６０５における面法線６６５である。さらに他の実施形態では、Ψは、面法線６６５とβの間で測定された角度６６４である。さらに他の実施形態では、その他の特徴変数、例えば、６０１と６０５の間の、連続した滑らかな接線角度を持つ弧の長さが定義される。１つ以上の特徴変数のセットを様々な実施形態において用いることができる。３Ｄ点群の１つ以上の点の各々は、上記の特徴セット内の１つ以上の特徴変数に対応した値のセットを有する。

図６Ｄは、一実施形態による、図６Ｃの特徴変数のうち２つの値の範囲にかけての３Ｄ点群の多数の点６０５のヒストグラムの一例を示すスピン像６８０である。横軸６８２は特徴変数αの値をセンチメートル（ｃｍ）で示す。縦軸６８４は特徴変数βの値をセンチメートル（ｃｍ）で示す。α−β空間は複数のビン６８６に分割される。簡素化の目的から、図６Ｄでは１つのビン６８６を示している。例示的な一実施形態では、ビン６８６は１センチメートル（ｃｍ）×１センチメートル（ｃｍ）の正方形寸法を有する。このヒストグラムは、ビン６８６によって定義されたα−βの範囲内の値を持つ３Ｄ点群の点６０５の個数に基づき、各ビン６８６に値を指定する。グレースケールを用いて各ビン６８６の値を示すが、ここで、各ビン６８６の値は低い数値（例えば、白）から高い数値（例えば、黒）で表される。

いくつかの実施形態では、図６Ａの点群６００を表した図６Ｂのセグメント６０７のような３Ｄ点群の１セグメントについてスピン像６８０を入手する。例示的な一実施形態では、このセグメントは約０．５メートル（ｍ）の寸法を持つ。これらの実施形態では、点群６００全体の複数のセグメントに対応した複数のスピン像６８０が得られる。いくつかの実施形態において、点群６００の各セグメント内の各点を定義するために、特徴変数（例えば、α、β）の値を得る。他の実施形態では、各セグメント内の１つのみまたは数個の点群点について特徴変数（例えば、α、β）の値を得る。これらの実施形態において、スピン像６８０は、各セグメントが点群６００を生成するために用いた物体と同じクラスに属することを認識できるほどに、複数のセグメントにかけて十分に類似している。Ｊｏｈｎｓｏｎ（１９９７）で開示された方法に基づき、点群６００内の任意の点についてスピン像６８０を入手する。

いくつかの実施形態において、各セグメントのスピン像６８０は、ビン６８６の数と等しい寸法のベクトルで表される。これらの実施形態では、ベクトルは［Ｐ１，Ｐ２，Ｐ３，Ｐ４．．．ＰＢ］で表され、ここで、Ｐｎはｎ番目のビン６８６内の点６０５の数を表し、Ｂはビン６８６の総数である。例示的な一実施形態では、スピン像６８０のα−β距離は４０センチメートル（ｃｍ）×４０センチメートル（ｃｍ）であり、ビン６８６は１ｃｍ×１ｃｍの寸法を有し、Ｂは１６００であるので、したがって、１６００次元ベクトルが得られる。いくつかの実施形態では、スピン像６８０をベクトルで表す前に、離散的なパラツェン窓アプローチを用いてスピン像６８０のヒストグラムを平滑化する。他の実施形態では、スピン像６８０で表されたベクトルを正規化し、点密度の変化によって生じ得る可変性を排除する。

いくつかの実施形態では、スピン像６８０の生成元である物体を、固定数（Ｎ）のクラスに基づき、およそリアルタイムまたはほぼリアルタイムで分類する。この記述の目的上、リアルタイムは、スピン像６８０を生成する３Ｄ点群をキャプチャする３Ｄスキャナ（例えば、ＬＩＤＡＲ）のフレームレートに基づく。フレームレートの反対は、３Ｄスキャナが３Ｄ点群をキャプチャするタイムキャプチャ期間である。一実施形態では、リアルタイムとはタイムキャプチャ期間における或る期間である。例示的な一実施形態では、フレームレートは２．５〜１０フレーム／秒の範囲内にあり、これは０．１〜０．２５秒（ｓｅｃ）のタイムキャプチャ期間に対応する。このタイプの期間は、戦術的用途および衝突回避用途において物体を識別するために有利である。ほぼリアルタイムとは、リアルタイムの約１０倍以内であり、例えば、上の例示的なタイムキャプチャ期間の場合には約２．５秒以内である。

点群データを様々な視点と方位にわたり、各クラスの物体毎に収集した。各クラスの物体の点群から（α，β）特徴変数の値を抽出した。各点群のクラスメンバーシップがわかっているので（例えば、箱、トラフィックコーンなど）、特徴変数の値に既知のクラスをラベル付けした。Ｙｅ（２００７）にて開示されているとおり、ラベル付けされたスピン像のセットを標準の線形判別分析（ＬＤＡ）を用いてトレーニングした。

一実施形態では、スピン像６８０ベクトルに次元削減ステップを実行する。一実施形態では、スピン像６８０ベクトルの次元を、ビン６８６の総数からクラス総数（Ｎ）に基づく削減された次元まで削減する。例示的な一実施形態では、スピン像６８０ベクトルの次元をビン６８６の総数１６００からＮ‐１にまで削減する。いくつかの実施形態では、ラベル付けしたスピン像をＬＤＡでトレーニング中に取得した所定の投影ベクトルセットを用いて、スピン像６８０ベクトルの次元をビン６８６の総数１６００からＮ‐１まで投影させる。いくつかの実施形態では、所定の投影ベクトルセットをＮクラスのそれぞれのスピン像セットと関連付ける。Ｙｅ（２００７）で開示されているように、この管理可能な特徴空間内において、ｋ−ｄツリーおよびＮＮ（最近傍）検索を実行して、新たなスピン像６８０を生成するために用いた３Ｄ点群を有するあらゆる未知の物体にクラスメンバーシップを指定する。いくつかの実施形態では、未知の物体の点群６００全体の複数のセグメント６０７にかけて複数のスピン像６８０が得られた場合には、各スピン像６８０を削減された次元（例えば、Ｎ‐１）にまで投影し、各セグメントのスピン画像６８０にクラスメンバーシップを指定するためにＮＮ検索を実行する。いくつかの実施形態では、削減された次元空間までのスピン像６８０の投影、およびスピン像６８０にクラスメンバーシップを指定するＮＮ検索を、およそリアルタイムまたはほぼリアルタイムで実行する。例示的な一実施形態では、点群６００のセグメントのスピン像６８０の相当数（例えば、９０％）に同一のクラスが指定された場合には、点群６００を生成するために用いた未知の物体にこれと同じクラスを指定する。他の実施形態では、学習技術を用いることで、３Ｄ点群を包含している全てのスピン像６８０のうち１つ以上のサブセットを、内分散が低い各サブクラスとして識別する。他の実施形態では、ＬＤＡに加えて、またはＬＤＡの代わりに主成分分析を用いて、スピン像６８０ベクトルに次元削減ステップを実行する。

いくつかの実施形態では、特徴変数の値［α，β，θ，ρ，Ψ］を点群６００内の各点６０５について特定する。次に、これらの特徴変数を次式によってデータ行列Ｆに組み立てる：

ここで、Ｆはｎ×Ｍ行列、ｎは特徴変数の個数、Ｍは点群内の点６０５の個数である。この図示の実施形態では、ｎ＝５は特徴変数［α，β，θ，ρ，Ψ］を意味する。しかし、ｎはいかなる特定数にも限定されず、５未満または５以上であってもよいし、上で述べたもの以外の種々の特徴変数を含んでもよい。

次に、行列の各行におけるＭ個の点６０５を超える各特徴変数［α，β，θ，ρ，Ψ］の平均を求める。特徴変数に関連するデータ行列Ｆの各行から各特徴変数（例えば、

の平均を減算することにより、ゼロ平均データ行列

を組み立てる。これにより得られるゼロ平均データ行列

は次式によって提供される：

データ行列Ｆと同様に、ゼロ平均データ行列

はｎ×Ｍ行列でもある。次に、ゼロ平均データ行列

に基づき、共分散行列Ｃを次式の通り組み立てる：

ここで、σ_ｎは、点群セグメント６０７内の点６０５を表す行内のＭ個の要素を超える特徴変数平均からｎ番目の特徴変数の分散である。共分散行列Ｃの対角線要素は、１つの特徴変数の共分散（例えば、σ_１ ^２）を表し、一方、共分散行列Ｃの非対角線要素は２つの異なる特徴変数の分散（例えば、σ_１、σ_２）を表す。ｘゼロ平均データ行列

はｎ×Ｍ行列であり、行列

はＭ×ｎ行列であるので、共分散行列Ｃはｎ×ｎ行列である。例証されたこの実施形態において、上述の５つの特徴変数を用いて共分散行列Ｃを組み立てる場合、共分散行列は５×５行列である。しかし、共分散行列Ｃはあらゆるサイズのｎ×ｎ行列であってよく、ここで、ｎは、分類の目的で用いられる特徴変数の個数に応じて５より小さいまたは５より大きい。いくつかの実施形態では、共分散行列Ｃは、Ｆｅｈｒ（２０１２）に開示されている方法に基づき、各点の特徴変数を用いて構成される。

いくつかの実施形態では、共分散行列Ｃを組み立てるために用いる点群の生成元である物体は、固定数（Ｎ）のクラスに基づいて、上で定義したように、およそリアルタイムまたはほぼリアルタイムで分類される。

トレーニング中に、所定の固定数（Ｎ）のクラスの各々に関連付けられた多数の点群のそれぞれについて多数の共分散行列Ｃを組み立てる。この多数の共分散行列Ｃは、Ｓａｌｅｈｉａｎ（２０１３）に開示されているように、所定の固定数（Ｎ）のクラスに関連付けられた所定の固定数のクラスタ内に配列されている。各クラスタの中心はクラスタを表すように選択され、このクラスタ中心に関連付けられた共分散行列Ｃはクラスタに関連付けられたクラスを表すように選択される。一実施形態において、これは、入力された共分散行列と比較する共分散行列の数を、最初の多数の共分散行列からクラス数と等しい削減数にまで減らすことにより、トレーニングデータを圧縮する。図６Ｅは、一実施形態による、複数のクラスタ６７６ａ、６７６ｂ、６７６ｃ、６７６ｄと、これに対応するそれぞれのクラスタ中心６７８ａ、６７８ｂ、６７８ｃ、６７８ｄとの実施例を示すグラフ６７０である。この実施形態では、クラスタ中心６７８ａ、６７８ｂ、６７８ｃ、６７８ｄはそれぞれの物体クラスに各々関連付けられている。簡素化の目的から、図６Ｅは、４つのクラスに関連付けられた４つのクラスタを２次元空間内に示している。しかし、典型的な実施形態では、固定数（Ｎ）のクラスは４つのクラスよりも多くてよく（例えば、１０または１００）、また、クラスタ空間は２次元より大きくてよい。横軸６７２は第１パラメータであり、縦軸６７４は第２パラメータである。図６Ｅの２次元空間はクラスタリングが発生する空間を表す。

各クラスタ中心６７８ａ、６７８ｂ、６７８ｃ、６７８ｄに関連付けられた共分散行列Ｃを共分散行列Ｃのテストデータ入力と比較する。いくつかの実施形態では、入力された共分散行列Ｃと各クラスタ中心行列Ｃとの間の距離を計算する。一実施形態では、Ｓａｌｅｈｉａｎ（２０１３）に開示されているように、イエンセン‐ブレグマンＬｏｇＤｅｔダイバージェンス演算を用いて行列間の測地距離を計算する。図６Ｅは、入力された共分散行列Ｃに関連したデータ入力６７９を示す。いくつかの実施形態では、ｋ−ｄツリーＮＮ検索を実行して、クラスタ中心６７８ａ、６７８ｂ、６７８ｃ、６７８ｄのどれがデータ入力６７９に近似しているかを特定する。この実施形態では、クラスタ中心６７８ａがデータ入力６７９に最も近似しているため、入力された共分散行列Ｃを生成するために用いた物体は、クラスタ６７６ａに関連付けられたクラスに基づいて分類される。いくつかの実施形態において、データ入力６７９と各クラスタ中心との間のＮＮ検索はおよそリアルタイムまたはほぼリアルタイムで実行される。

いくつかの実施形態では、共分散行列Ｃは点群の各点について組み立てられる。一実施形態では、点群を生成するために用いた物体を分類するために、これらの共分散行列Ｃのサブセットを、クラスタ中心に関連付けられた共分散行列と比較する。別の実施形態では、これらの共分散行列のサブセットの大部分が１つの物体クラスに関連付けられている場合、物体にこの物体クラスが指定される。例示的な一実施形態において、点群の１０００個の点または１０００個のセグメントに１０００の共分散行列が組み立てられている場合には、共分散行列のサブセット（例えば、５０個）をクラスタ中心に関連付けられた共分散行列と比較する。この例示の実施形態では、共分散行列のサブセットの大部分（例えば、３０個）が１つの物体クラスに関連付けられている場合には、物体はこの物体クラスに従って分類される。

図７は、一実施形態による、３Ｄ点群で画成された物体を分類する例示的方法を示すフローチャートである。図７では例証の目的から特定の順序の統合ステップにてステップを示しているが、他の実施形態では、１つ以上のステップやその一部を、異なる順序で、または時間重複して、連続もしくは並行して実行する、あるいは省略する、または、１つ以上のさらなるステップを追加する、または、本方法をこれらの何らかの組み合わせに変更する。

ステップ７０１にて、物体の外面を表す３Ｄ点群を得る。いくつかの実施形態では、３Ｄ点群は、図２のシステム２００、あるいは図３Ａ、図３Ｂのシステム３００ａ、３００ｂを用いて生成される。他の実施形態では、３Ｄ点群は、当業者が理解するあらゆる３Ｄスキャナを用いて生成される。さらに他の実施形態では、３Ｄ点群は、外部システムから入手される、システムに関連付けられた外部ソースからダウンロードされる、あるいは、ローカルまたはリモートのストレージデバイスのストレージから取り出される。一実施形態では、３Ｄ点群は、最小距離（例えば、４００メートル（ｍ））に配置した図２のシステム２００、図３Ａ、図３Ｂのシステム３００ａ、３００ｂ内における物体またはターゲットから入手される。

ステップ７０２にて、点群６００の点６０１にて面法線６０２を抽出する。一実施形態では、近傍点の最小分散の方向を示す最小固定値に関連付けられた固有ベクトルに基づくＫｌａｓｉｎｇ（２００９）の近似を用いて面法線６０２を抽出する。他の実施形態では、別の方法を用いて面法線６０２を抽出する。一実施形態では、面法線６０２は、点群６００にわたって各セグメントにつき少なくとも１つの点を抽出する。面法線６０２は、面法線６０２および面法線６０２と直交する（したがって、物体表面に接する）面６５５に基づいた並進不変および回転不変座標系を点６０１にて画定する。

ステップ７０４にて、並進不変および回転不変座標系において、点群６００の各セグメント内の少なくとも１つの点６０５について１つ以上の特徴変数の値を抽出する。例示的な一実施形態では、点群６００の各セグメント６０７内の各点６０５にて特徴変数の値を抽出する。

ステップ７０５にて、ステップ７０４で抽出した特徴変数に基づいて、点群６００内の少なくとも１つの点６０５について第１分類統計を計算する。一実施形態では、第１分類統計は、ステップ７０４にて抽出した１つ以上の特徴（α、β）の値に基づくスピン像６８０である。一実施形態では、点群６００の各セグメント６０７についてスピン像６８０を入手するため、点群６００全体の複数のセグメント６０７にかけて複数のスピン像６８０が得られる。

ステップ７０７にて、ステップ７０４で抽出した特徴変数の値に基づいて、点群６００の少なくとも１つのセグメント内の各点６０５について第２分類統計を計算する。一実施形態では、第２分類統計は式５の共分散行列Ｃである。いくつかの実施形態では、点群の各セグメント内の各点について共分散行列Ｃが組み立てられる。

ステップ７０９にて、ステップ７０５の第１分類統計と、対応するＮ個のクラスのセットについての第１分類統計のセットとの間の最も近い一致を、およそリアルタイムまたはほぼリアルタイムで特定する。次に、この最も近い一致を用いて、点群６００の生成元の物体が第１クラスであると推定する。いくつかの実施形態では、第１分類統計がＮ個のクラスのいずれとも一致しない可能性がある。例えば、関心対象の物体が車両や路傍の構造物である場合に、点群がテーブルセットのような関心対象でない物体を表すこともある。これらの実施形態では、ステップ７０９にて、点群の生成元の物体がＮ個のクラスのいずれにも該当しないと推定される。これは負の分類（例えば、物体がＮ個のクラスのいずれにも該当しない）ということになるが、しかし、特に関心対象の物体を包含するＮ個のクラスが既知である場合などの様々な用途において有利である。いくつかの実施形態では、物体が「未知」である（例えば、事前定義されたＮ個のクラスのいずれにも該当しない）かどうかを知り、ユーザが、関連する点群データを、あたかも関心対象であるかのように、以降の解析およびトレーニングのために格納しておけるようにすることが有利である。例示的な一実施形態では、点群のトレーニングライブラリを「未知の武器」のようなラベルを用いて更新し、以降のトレーニングで既知のターゲットまたはクラスとなり得るようにする。

一実施形態では、ステップ７０９にて、ステップ７０５からのスピン像６８０を、スピン像６８０内のビン６８６の個数と等しいベクトルで表している。これに加え、一実施形態では、ステップ７０９にて、既知のクラスのセットに関連付けされたラベル付けされたスピン像のセットを、ＬＤＡを用いてトレーニングする。一実施形態では、ＬＤＡ中に取得した投影ベクトルを用いて、スピン像６８０に次元削減ステップをおよそリアルタイムまたはほぼリアルタイムで実行し、高次元（例えば、多数のビン６８６）から低次元（例えばＮ−１）にする。一実施形態では、物体を第１クラスのメンバーシップに指定するために、ｋ−ｄツリーおよびＮＮ検索をおよそリアルタイムまたはほぼリアルタイムで実行する。一実施形態では、既知のクラスのセットの数（Ｎ）と、これに従った第１分類統計のセットの数とが最大閾値に制限される。例示的な一実施形態では、Ｎは１０以下である。別の例示的な実施形態では、Ｎは１００以下である。一実施形態では、スピン像６８０ベクトルを次元削減し、削減された次元空間内でｋ−ｄツリーＮＮ検索を実行した結果、ステップ７０９がおよそリアルタイムまたはほぼリアルタイムで実行される。

ステップ７１１にて、ステップ７０７の第２分類統計と、Ｎ個のクラスのセットについての第２分類統計のセットとの間の最も近い一致を、およそリアルタイムまたはほぼリアルタイムで特定する。次に、この最も近い一致を用いて、点群６００の生成元の物体が第２クラスであると推定する。いくつかの実施形態では、第２分類統計がＮ個のクラスのいずれとも一致しない可能性がある。例えば、関心対象の物体が車両や路傍の構造物である場合に、点群がテーブルセットのような関心対象でない物体を表すこともある。これらの実施形態では、ステップ７１１にて、点群の生成元の物体がＮ個のクラスのいずれにも該当しないと推定される。これは負の分類（例えば、物体がＮ個のクラスのいずれにも該当しない）ということになるが、しかし、特に関心対象の物体を包含するＮ個のクラスが既知である場合などの様々な用途において有利である。

一実施形態では、ステップ７１１にて、データキャプチャ期間の前に、多数の共分散行列Ｃを組み立て、これを固定数のクラスに関連付けている。この多数の共分散行列Ｃは、Ｓａｌｅｈｉａｎ（２０１３）に開示されているように固定数（Ｎ）のクラスに基づいて固定数（Ｎ）のクラスタ内に配列されている。各クラスタの中心は各クラスタを表すように選択され、クラスタ中心に関連付けられた共分散行列は各クラスを表すように選択されている。一実施形態では、ステップ７１１にて、テストデータ入力からの共分散行列Ｃと各クラスに関連付けられた共分散行列との間の距離を、およそリアルタイムまたはほぼリアルタイムで算定する。例示的な一実施形態では、ｋ−ｄツリーＮＮ検索を用いて共分散行列Ｃへの最近傍をおよそリアルタイムまたはほぼリアルタイムで特定する。物体は、最も近いクラスタ中心に関連した第２クラスに指定される。一実施形態では、既知のクラスのセットの数（Ｎ）と、これに従ったクラスタ中心の数とが最大閾値に制限される。例示的な一実施形態では、Ｎは１０以下である。別の例示的な実施形態では、Ｎは１００以下である。一実施形態では、共分散行列Ｃを固定数のクラスタに削減し、この固定数のクラスタに基づいてｋ−ｄツリーＮＮ検索を実行した結果、ステップ７１１がおよそリアルタイムまたはほぼリアルタイムで実行される。

ステップ７１３にて、ステップ７０９からの第１クラスをステップ７１１からの第２クラスと比較する。第１クラスが第２クラスと同一である場合は、方法はステップ７１５へ進み、ここで、物体を第１クラスに指定する。第１クラスが第２クラスと同一でない場合には、方法はステップ７１７へ進む。他の実施形態では、ステップ７０９で物体がＮ個のクラスのいずれにも該当しないと推定され、ステップ７１１で物体がＮ個のクラスのいずれにも該当しないと推定された場合には、方法は物体にＮ個のクラスのいずれも指定しない。一実施形態では、方法は、物体がＮ個のクラスのいずれにも該当しない旨をディスプレイ上に出力する。別の実施形態では、方法はＮ個のクラスのいずれにも該当しない物体に基づいてデバイスを操作する。

いくつかの実施形態において、ステップ７０９またはステップ７１１のうち一方が、物体がＮ個のクラスのいずれにも該当しないと結論し、また、ステップ７０９またはステップ７１１のうちもう一方が、物体がＮ個のクラスの内の１つに該当すると結論した場合には、ステップ７１３は、ステップ７０９、ステップ７１１での分類が合致しないと結論し、これにより、方法はステップ７１７へ進む。しかし、これらの実施形態では、以降で述べるように、ステップ７１７にて、点群と、物体がＮ個のクラスの内の１つに該当すると識別したステップ７０９またはステップ７１１のうち一方にて識別された１つのクラスのためのモデル点群との間に、最も近いフィットを実行する。

ステップ７１７にて、点群６００と、第１および第２クラスのみのための１つ以上の所定の閉塞したまたは閉塞していないモデル点群との間の最も近いフィットに基づき、各点群６００について第３分類統計をおよそリアルタイムまたはほぼリアルタイムで計算する。他のＮ‐２クラスは考慮しない。一実施形態では、最も近いフィットを第１クラスおよび第２クラスのためのモデル点群のみに規制した結果、ステップ７１７がおよそリアルタイムまたはほぼリアルタイムで実行される。

これは、最も時間を消費する分類子である（例えば、ほとんどの計算が関与する）この方法にかかる貴重な時間を節約できるという利点をもたらす。計算回数は、点群内の点の数×モデルの数、つまり、Ｎ×Ｎ個のクラスの各々を定義するための表面の数に関連する。一実施形態では、第３分類統計は、Ｂｅｓｌ（１９９２）で開示されている反復最近接点（ＩＣＰ）分類統計である。ステップ７１７は、点群６００を生成している物体にどのクラス（例えば、第１クラスまたは第２クラス）がよりフィットするかをおよそリアルタイムまたはほぼリアルタイムで特定するために用いられる。いくつかの実施形態では、ステップ７１７にて、点群６００と第１および第２クラスのための所定のモデル点群との間に最も近いフィットのみを実行する。

いくつかの実施形態では、ステップ７１７にて、第１および第２クラスにモデル点群を得る。一実施形態では、点群の各視点からの観察が不能な部分を閉塞させるモデル点群が得られる。図１０Ａは、一実施形態による、図４の物体の３Ｄ点群４００に基づく物体の閉塞モデル１０００の実施例を示すブロック図である。この例示的な実施形態では、カップの取っ手部分の立面図にて閉塞モデル１００２ａが得られた。カップのこれらの部分（例えば、カップの反対側）は観察できないため、閉塞モデル１００２ａの透視画が省略されている。同様に、閉塞モデル１００２ｂ、１００２ｃは、カップの、直径がより大きく取っ手がついている頂部付近の縁部分と、直径が小さく取っ手がないカップの底部付近との平面図にて得られた。カップのこれらの部分（例えば、カップの背面）はこれらの視点からは観察できないため、閉塞モデル１００２ｂ、１００２ｃでは省略されている。類似の方式で、第１および第２クラスの３Ｄ点群を用いて、第１および第２クラスの閉塞モデル点群を得た。いくつかの実施形態では、ランダムに回転させた物体のマスタ点群を用いて閉塞モデル点群を生成し、次に、これを球座標に変換した。この座標系では、全ての占有された角度パッチについて、レンジ内の最近接点が選択された。各角度パッチは、生じ得る閉塞のインスタンスを構成するべくデカルト座標に再び変換された経験的に選択された範囲（例えば、０．００１度×０．００１度）を有する。モデル１０００のこれらのサブモデルは、ステップ７０９、７１１で特定された２つの異なるクラスのうち一方のクラスがカップで、もう一方のクラスがカップ以外のもの（例えば、大皿）である場合に、ステップ７１７で用いられる。

いくつかの実施形態では、物体を第１または第２クラスに分類すべきかどうかを特定するために、ステップ７１７にて、最も近いフィットをテスト入力点群と第１および第２クラスに関連付けられたモデル点群との間で実行する。図１０Ｂは、一実施形態による、物体の２Ｄテスト点群１０１０の実施例を示すブロック図である。２Ｄ点群１０１０は、最も近いフィットを用いて図１０の各モデル点群と比較されるテスト入力点群である。２Ｄ点群は、そのクラスの各モデルとのベストフィットが得られるまで、回転および並進される。図１０Ｃ〜図１０Ｅは、一実施形態による、図１０Ｂの２Ｄ点群１０１０と図１０Ａの閉塞モデル１００２ａ、１００２ｂ、１００２ｃの各々との間の最も近いフィットの実施例を示すブロック図である。各々の最も近いフィットでは、Ｂｅｓｌ（１９９２）で開示されているように、モデル点群上の点とテスト入力点群上の点との間に最小距離が得られるように、テスト入力点群（例えば、１０１０）を回転、並進させ、および／または、これに関連して調整する。最小の距離とのフィットが最も近いフィットとして指定される。最も近いフィットが大きすぎる、例えば、テスト入力点群の点と点群間の最近接点の最小比率のためのモデル点群の点との間の平均平方距離が閾値平方距離を超える場合には、物体はクラスに属さないと考えられる。例示的な一実施形態では、テスト入力点群の点と点群間の最近接点の上位９０％のためのモデル点群の点との間の平均平方距離が２ｃｍ^２を超える場合には、物体はクラスに属さないと考えられる。

図１０Ｃの例示的な実施形態では、モデル点群１００２ａとモデル点１０１０の間のベストフィットにより、点群間に比較的大きな平均距離（または、二乗平均平方距離）が得られる。図１０Ｄの例示的な実施形態では、モデル点群１００２ｂとモデル点１０１０の間のベストフィットにより、点群間の平均距離または二乗平均平方距離（図１０Ｃに関連する）が小さくなる。図１０Ｅの例示的な実施形態では、モデル点群１００２Ｃとモデル点１０１０の間のベストフィットにより、点群間の平均または二乗平均平方距離が最小になる。この距離が許容できる小ささである場合には、２Ｄ点群１０１０のカップとしての分類は成功である。同様に、点群１０１０を、ステップ７１１で特定された物体の第２クラスのモデル（例えば、いくつかの閉塞したサブモデルを有する大皿）と比較する。大皿のサブモデルのベストフィットがより大きな平均あるいは二乗平均平方距離を有する場合には、物体は大皿ではなくカップとして分類される。

いくつかの実施形態では、ステップ７０９またはステップ７１１の一方が、物体がＮ個のクラスのいずれにも該当しないと結論し、ステップ７０９またはステップ７１１の他方が、物体がＮ個のクラスの１つに該当すると結論した場合には、テスト入力点群と、物体がＮ個のクラスの１つに該当すると結論しているステップ７０９またはステップ７１１に関連付けられた１つのクラスのみのモデル点群との間で、ステップ７１７での最も近いフィットを実行する。これらの実施形態では、最小の平均または二乗平均平方距離が許容できる小ささである場合には、物体は、物体がＮ個のクラスの１つに該当すると結論しているステップ７０９もしくはステップ７１１に関連付けられた１つのクラスと同じ分類に分類される。これらの実施形態では、最小の平均または二乗平均平方距離が許容できる小ささでない場合には、物体はＮ個のクラスのいずれにも分類されない。

ステップ７１９にて、物体は、ステップ７１７でどのクラスが入力点群と最も近いフィットを得るかに応じて、第１または第２クラスに指定される。

ステップ７２１にて、物体にクラスが指定されたら、指定された物体クラスに基づいてデバイスが操作される。いくつかの実施形態では、これには、指定されたクラスあるいは指定されたクラスに基づく情報を示す画像を表示デバイスに表示させることが関与する。いくつかの実施形態では、これには、指定された物体クラスを識別するデータをデバイスに通信することが関与する。別の実施形態では、これには、軌道に沿って物体に強制的に投射を行うことが関与する。例示的な一実施形態では、投射はミサイルである。いくつかの実施形態では、デバイスは制御された車両であり、物体に基づいて、車両は物体との衝突を回避するように制御されるか、物体との衝突を回避しないように制御される。

６．例示的な実施形態
これらの例示的な実施形態では、ＬＩＤＡＲシステムは、上述した構成部品を用いることで、同時に上下するチャープ送信信号を生成する。このシステムは、ボーズマンにあるＢＬＡＣＫＭＯＲＥ ＳＥＮＳＯＲＳ ＡＮＤ ＡＮＡＬＹＴＩＣＳ，ＩＮＣ．（登録商標）からＨＲＳ−３Ｄとして市販されている。

図８Ａは、複数の実施形態による、図２のシステム２００もしくは図３Ａまたは図３Ｂのシステム３００の実験セットアップの実施例を示す写真８００上面斜視図である。一実施形態によれば、物体８０２は試験ラボ８０４内のＬＩＤＡＲシステムからレンジ８０６で離間している。例示的な一実施形態では、レンジ８０６は例えば４００メートル（ｍ）〜２０００メートル（ｍ）である。図８Ｂは、一実施形態による、図８Ａで示した実験セットアップに用いている物体８０２の例を示すブロック図である。これらの物体８０２はコーン８０２ａ、箱８０２ｂ、パイプ８０２ｃ、ピストル８０２ｄ、箱８０２ｅを含み、Ｎ＝５の関心対象の物体クラスを表す。任意の類似性測定および関連する閾値類似度値を用いた結果、これら全ての物体と類似していなかった点群は、関心対象の物体ではない。下記の表１は、図７の方法７００を用いて実際の物体クラス（縦列）を予測される物体クラス（横の行）と比較する行列を示す。行内の全ての値の合計は１００％である。例示的な一実施形態において、方法７００は、コーンの３Ｄ点群が１００％の確率でコーンクラスにあり；立方体の３Ｄ点群が１００％の確率で立方体クラスにあり；パイプの３Ｄ点群が９６％の確率でパイプクラスにあり、４％の確率でピストルクラスにあり；箱の３Ｄ点群が２％の確率で立方体クラスにあり、２％の確率でパイプクラスにあり、９６％の確率で箱クラスにあると予測し；また、ピストルの３Ｄ点群が１％の確率でコーンクラスにあり、１０％の確率でパイプクラスにあり、８９％の確率でピストルクラスにあると予測した。

図９Ａは、一実施形態による、物体のセットの点群セット９００である。図９Ｂは、一実施形態による、図９Ａの点群セット９００を得るために使用された物体のセット９０２の実施例を示すブロック図である。物体９０２は物体８０２よりも形状とサイズが似通っている。例えば、３つのおもちゃの銃９０２ａ、９０２ｃ、９０２ｇは似通って見える。物体９０２はおもちゃの銃９０２ａ（表２中の「Ｓｌｅｄｇｅ」）、箱９０２ｂ、おもちゃの銃９０２ｃ（表２中の「ＭＯＤ」）、コーン９０２ｄ、パイプ９０２ｅ、立方体９０２ｆ、おもちゃの銃９０２ｇ（表２中の「Ｒｏｔｏ」）を含む。

一実施形態では、物体９０２は図８Ａに示したものと類似の実験セットアップ内に配置される。下記の表２は、図７の方法７００に従って、実際の物体クラス（縦列）を予測される物体クラス（横の行）と比較する行列を示す。ここでも、行内の全ての列合計は１００％である。例示的な一実施形態では、方法７００は、コーンの３Ｄ点群が１００％の確率でコーンクラスにあり；立方体の３Ｄ点群が１００％の確率で立法体クラスにあり；パイプの３Ｄ点群が１００％の確率でパイプクラスにあり；おもちゃの銃のＭｏｄが１％の確率で立方体クラスにあり、９２％の確率でＭｏｄクラスにあり、６％の確率でｒｏｔｏクラスにあり、１％の確率でｓｌｅｄｇｅクラスにあり；おもちゃの銃のｒｏｔｏは３％の確率でパイプクラスにあり、９７％の確率でｒｏｔｏクラスにあり；箱の３Ｄ点群が５％の確率でパイプクラスにあり、１％の確率でｍｏｄクラスにあり、９３％の確率で箱クラスにあり、１％の確率でｓｌｅｄｇｅクラスにあり；おもちゃの銃ｓｌｅｄｇｅの３Ｄ点群は３％の確率でパイプクラスにあり、１０％の確率で箱クラスにあり、８７％の確率でｓｌｅｄｇｅクラスにある；と予測した。

表２の結果に基づき、方法７００は、サイズと形状がさらに似通ったより困難な物体のセットであるにも拘らず、優れたクラス予測を維持している。

７．コンピュテーショナルハードウェアの概要
図１１は、本発明の一実施形態を実施できるコンピュータシステム１１００を示すブロック図である。コンピュータシステム１１００は、バス１１１０のような通信機構を含み、自己のその他の内部部品および外部部品の間で情報を送受信する。情報は、典型的には電気電圧測定可能な現象の物理信号として呈されるが、他の実施形態では、磁気的、電磁気、圧力的、化学的、分子的、原子的、量子的相互作用のような現象を含む。例えば、南北磁場、あるいはゼロと非ゼロ電圧は、２進数（ビット）の２つの状態（０、１）を表す。その他の現象はより高い基数の数字を表現できる。測定前の複数の同時量子状態の重ね合わせは量子のビット（量子ビット）を表す。一連の１つ以上の数字は、キャラクタのための数またはコードを表すために使用されるデジタルデータを構成する。いくつかの実施例において、アナログデータと呼ばれる情報は、特定の範囲内で、測定可能な値に近い連続体によって表される。コンピュータシステム１１００またはその一部は、本明細書中に記載した１つ以上の方法の１つ以上のステップを実行するための手段を構成する。

一連の２進数は、キャラクタのための数字またはコードを表すために使用されるデジタルデータを構成する。バス１１１０は多数の情報の並行導体を含むため、バス１１１０に接続されたデバイス間で情報を迅速に伝送できる。情報を処理するための１つ以上のプロセッサ１１０２がバス１１１０に接続している。プロセッサ１１０２は情報に操作一式を実行する。この操作一式はバス１１１０から情報を取り入れ、バス１１１０上に情報を置くステップを含む。演算一式はまた、典型的には、２つ以上の情報一式を比較し、情報一式の位置を変え、そして２つ以上の情報一式を加算または乗算などにより結合するステップを含む。プロセッサ１１０２によって実行される一連の操作はコンピュータ命令を構成する。

コンピュータシステム１１００はまた、バス１１１０に接続されたメモリ１１０４を含む。ランダムアクセスメモリ（ＲＡＭ）、あるいは他の動的記憶デバイスのようなメモリ１１０４は、コンピュータ命令を含む情報を格納する。動的メモリは、そこに格納された情報を、コンピュータシステム１１００によって変更できるようにする。ＲＡＭは、メモリアドレスと呼ばれる場所に格納された情報一式を、隣接するアドレスに格納されている情報からは独立して格納および検索できるようにする。メモリ１１０４はまた、コンピュータ命令の実行の間、暫定値を格納するようにプロセッサ１１０２によって使用される。コンピュータシステム１１００はまた、バス１１１０に接続した読み出し専用メモリ（ＲＯＭ）１１０６またはその他の静的記憶装置を含み、それらは、コンピュータシステム１１００によって変更されない、命令を含む静的情報を格納する。バス１１１０にはまた、コンピュータ１１００の電源がオフにされたり、あるいは給電が断たれたりする場合でも存続する命令を含む情報を格納するための、磁気ディスクや光学ディスクといった不揮発性（永続的な）記憶装置１１０８が接続する。

命令を含む情報は、人間のユーザやセンサによって操作される、アルファベットキーを備えたキーボードなどの外部入力装置１１１２を介してプロセッサで使用されるべく、バス１１１０に提供される。センサはその付近の状態を検出し、これらの検出を、コンピュータシステム１１００内の情報を表すために用いられる信号と互換する信号に変換する。バス１１１０に接続され、主に人間と対話するために使用されるその他の外部装置は、画像を表示するための、ブラウン管（ＣＲＴ）あるいは液晶ディスプレイ（ＬＣＤ）のような表示装置１１１４、そして、ディスプレイ１１１４上に提示された小さなカーソル画像の位置を制御するため、また、ディスプレイ１１１４上に提示されたグラフィカル要素に関連したコマンドを発行するための、マウスまたはトラックボールあるいはカーソル指示キーのようなポインティングデバイス１１１６を含む。

例証された実施形態において、特定用途向け集積回路（ＩＣ）１１２０のような専用ハードウェアがバス１１１０に接続される。専用ハードウェアは、プロセッサ１１０２によって実行されない動作を、特定の目的に対する十分なスピードで実行するように構成されている。特定用途向けＩＣの例は、ディスプレイ１１１４に画像を生成するグラフィックアクセラレータカード、ネットワーク上で送信されるメッセージを暗号化および復号化するための暗号処理基板、音声認識、およびハードウェアにおいてより効果的に実行されるいくつかの複雑な動作シーケンスを繰り返し実行するロボットアームおよび医療用走査機器のような、特殊な外部デバイスへのインターフェースを含む。

コンピュータシステム１１００はまた、バス１１１０に接続した通信インターフェース１１７０の１つ以上のインスタンスを含む。通信インターフェース１１７０は、プリンタ、スキャナ、外部ディスクといった、それら自身のプロセッサとともに動作する多様な外部デバイスに双方向通信接続を提供する。この接続は、一般的に、ネットワークリンク１１７８との間で確立される。ネットワークリンク１１７８は、自身でプロセッサを有する多様な外部デバイスが接続される、ローカルネットワーク１１８０に接続される。例えば、通信インターフェース１１７０は、パーソナルコンピュータ上のパラレルポートもしくはシリアルポート、またはユニバーサルシリアルバス（ＵＳＢ）ポートであってよい。いくつかの実施形態では、通信インターフェース１１７０は、統合サービスデジタルネットワーク（ＩＳＤＮ）カードもしくはデジタル加入者回線（ＤＳＬ）カード、または対応するタイプの電話回線情報通信接続を提供する電話モデムである。いくつかの実施形態では、通信インターフェース１１７０は、バス１１１０上の信号を同軸ケーブル上の通信接続のための信号、または光ファイバケーブル上の通信接続ための光学信号に変換する、ケーブルモデムである。別の実施例として、通信インターフェース１１７０は、イーサネット（登録商標）のような互換性のあるＬＡＮにデータ通信接続を提供する、ローカルエリアネットワーク（ＬＡＮ）カードであってもよい。ワイヤレスリンクが実装されてもよい。無線、光学、および赤外線波を含む、音響波および電磁波のような搬送波は、ワイヤもしくはケーブルを伴わずに空間を通って移動する。信号は、振幅、周波数、位相、極性、または搬送波の他の物理特性における人為的な変動を含む。ワイヤレスリンクに関して、通信インターフェース１１７０は、デジタルデータといった情報ストリームを担持する、赤外線および光学信号を含む、電気、音響、または電磁信号を送受信する。

本明細書において使用される「コンピュータ可読媒体」という用語は、実行のための命令を含む、プロセッサ１１０２への情報の提供に関与するあらゆる媒体を指す。こうした媒体は、不揮発性媒体、揮発性媒体、および伝送媒体を非限定的に含む、多くの形態をとってよい。不揮発性媒体は、例えば、記憶装置１１０８のような、光ディスクまたは磁気ディスクを含む。揮発性媒体は、例えば、動的メモリ１１０４を含む。伝送媒体は、例えば、同軸ケーブル、銅ワイヤ、光ファイバケーブル、および無線、光学、および赤外線波を含む、音波および電磁波といった、ワイヤもしくはケーブルを伴わずに空間を通って移動する電波を含む。本明細書において使用される「コンピュータ可読記憶媒体」という用語は、伝送媒体を除く、プロセッサ１１０２への情報の提供に関与するあらゆる媒体を指す。

一般的な形態のコンピュータ可読媒体としては、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ、もしくは任意の他の磁気媒体、コンパクトディスクＲＯＭ（ＣＤ−ＲＯＭ）、デジタルビデオディスク（ＤＶＤ）、あるいは任意の他の光学媒体、パンチカード、紙テープ、または孔のパターンを有する任意の他の物理媒体、ＲＡＭ、プログラマブルＲＯＭ（ＰＲＯＭ）、消去可能なＰＲＯＭ（ＥＰＲＯＭ）、ＦＬＡＳＨ−ＥＰＲＯＭ、任意の他のメモリチップもしくはカートリッジ、搬送波、またはコンピュータが読み取ることができる任意の他の媒体が挙げられる。本明細書において使用される「非一時的コンピュータ可読記憶媒体」という用語は、搬送波ならびにその他の信号を除く、プロセッサ１１０２への情報提供に関与する任意の媒体を指す。

１つ以上の有形媒体に符号化された論理は、コンピュータ可読記憶媒体、およびＡＳＩＣ１１２０といった専用ハードウェア上のプロセッサ命令のうち一方または両方を含む。

ネットワークリンク１１７８は、典型的に、情報を使用または処理する他のデバイスに、１つ以上のネットワークを介して、情報通信を提供する。例えば、ネットワークリンク１１７８、ローカルネットワーク１１８０を介してホストコンピュータ１１８２へ、またはインターネットサービスプロバイダ（ＩＳＰ）によって動作される機器１１８４へ、接続を提供してもよい。ＩＳＰ機器１１８４は、次に、現在では一般的にインターネット１１９０と称されるネットワークの公的でグローバルなパケット交換通信ネットワークを介して、データ通信サービスを提供する。インターネットに接続される、サーバ１１９２と呼ばれるコンピュータは、インターネット上で受信される情報に応答して、サービスを提供する。例えば、サーバ１１９２は、ディスプレイ１１１４での提示のためにビデオデータを表す情報を提供する。

本発明は、本明細書において説明される技術を実施するための、コンピュータシステム１１００の使用に関する。本発明の一実施形態によれば、それらの技術は、メモリ１１０４に格納された、１つ以上の命令の１つ以上のシーケンスを実行する、プロセッサ１１０２に応答して、コンピュータシステム１１００によって遂行される。このような命令は、ソフトウェアおよびプログラムコードとも呼ばれ、記憶デバイス１１０８のような別のコンピュータ可読媒体から、メモリ１１０４に読み込むことができる。メモリ１１０４に格納された命令シーケンスの実行は、プロセッサ１１０２に、本明細書において説明された方法ステップを遂行させる。代替的な実施形態において、特殊用途向け集積回路１１２０といったハードウェアは、本発明を実施するために、ソフトウェアの代わりに、またはそれと組み合わせて使用されてもよい。このため、本発明の実施形態は、ハードウェアおよびソフトウェアの任意の特定の組み合わせに限定されない。

通信インターフェース１１７０を通って、ネットワークリンク１１７８、および他のネットワーク上で伝送された信号は、コンピュータシステム１１００へ、およびコンピュータシステム１１００から、情報を搬送する。コンピュータシステム１１００は、とりわけネットワーク１１８０、１１９０を介して、ネットワークリンク１１７８および通信インターフェース１１７０を通って、プログラムコードを含む情報を送信及び受信することができる。インターネット１１９０を使用する実施例において、サーバ１１９２は、インターネット１１９０、ＩＳＰ機器１１８４、ローカルネットワーク１１８０、および通信インターフェース１１７０を介して、コンピュータ１１００から送信されたメッセージによって要求される、特定の用途に対するプログラムコードを伝送する。受信されたコードは、受信された際に、プロセッサ１１０２によって実行されてもよく、または、後の実行のために、記憶デバイス１１０８もしくは他の不揮発性記憶装置、あるいは両方に記憶されてもよい。このようにして、コンピュータシステム１１００は、搬送波上の信号の形態で、アプリケーションプログラムコードを得ることができる。

様々な形態のコンピュータ可読媒体は、命令もしくはデータまたは両方の１つ以上のシーケンスを、実行のためにプロセッサ１１０２に搬送することに関与してもよい。例えば、命令およびデータは、最初、ホスト１１８２といったリモートコンピュータの磁気ディスク上に担持されてもよい。リモートコンピュータは、命令およびデータを動的メモリ内にロードし、モデムを使用して、電話回線上で命令およびデータを送信する。コンピュータシステム１１００のローカルにあるモデムは、電話回線上で命令およびデータを受信すると、赤外線トランシーバを使用して、命令及びデータを、ネットワークリンク１１７８として機能する赤外線搬送波上の信号に変換する。通信インターフェース１１７０として機能する赤外線検出器が、赤外線信号に担持された命令およびデータを受信し、その命令およびデータを表す情報をバス１１１０上に配置する。バス１１１０は情報をメモリ１１０４へ搬送し、プロセッサ１１０２は、メモリ１１０４からこの情報を読み出し、命令とともに送信されたデータのうちの一部を使用して命令を実行する。メモリ１１０４に受信された命令およびデータは、オプションで、プロセッサ１１０２によって実行される前または後のいずれかに、記憶デバイス１１０８に格納されてもよい。

図１２は、本発明の一実施形態が実施され得るチップセット１２００を示す。チップセット１２００は、本明細書で説明された方法の１つ以上のステップを遂行するようにプログラムされ、また、例えば、図１１に関連して説明され、１つ以上の物理パッケージ（例えばチップ）に組み込まれる、プロセッサとメモリ構成要素を含む。例として、物理パッケージは、物理強度、サイズの保存、および／または電気的相互作用の制限といった、１つ以上の特徴を提供するために、構造アセンブリ（例えば、ベース基板）上の１つ以上の材料、構成部品、および／またはワイヤを含む。ある実施形態では、チップセットは単一のチップにて実施できると考えられる。チップセット１２００、またはその一部は、本明細書中で説明された方法の１つ以上のステップを遂行するための手段を構成する。

一実施形態において、チップセット１２００は、チップセット１２００の構成部品間で情報を送るためのバス１２０１といった通信機構を含む。プロセッサ１２０３は、命令を実行し、例えばメモリ１２０５に記憶されている情報を処理するために、バス１２０１への接続を有する。プロセッサ１２０３は、各々が独立して実行するように構成された１つ以上の処理コアを含んでもよい。マルチコアプロセッサは、単一の物理パッケージ内での多重処理を可能にする。マルチコアプロセッサの例は、２つ、４つ、８つ以上の数の処理コアを含む。あるいは、またはこれに加えて、プロセッサ１２０３は、命令の独立した実行、パイプライン化、およびマルチスレッド化を可能にするように、バス１２０１を介して縦列に構成された１つ以上のマイクロプロセッサを含んでもよい。プロセッサ１２０３はまた、１つ以上のデジタル信号プロセッサ（ＤＳＰ）１２０７、または１つ以上の特定用途向け集積回路（ＡＳＩＣ）１２０９といった、ある処理機能およびタスクを遂行するための１つ以上の特殊化された構成要素を伴ってもよい。ＤＳＰ１２０７は、典型的に、プロセッサ１２０３とは独立して、現実世界の信号（例えば、音）をリアルタイムで処理するように構成されている。同様に、ＡＳＩＣ１２０９は、汎用プロセッサでは容易に実行できない特殊化した機能を実行するように構成することができる。本明細書において説明される本発明の機能を実行する上で支援するための他の特殊化された構成要素として、１つ以上のフィールドプログラマブルゲートアレイ（ＦＰＧＡ）（図示せず）、１つ以上のコントローラ（図示せず）、または１つ以上の他の専用コンピュータチップが挙げられる。

プロセッサ１２０３および付属構成要素は、バス１２０１を介して、メモリ１２０５への接続を有する。メモリ１２０５は、実行されると、本明細書において説明される方法の１つ以上のステップを実行することができる実行可能な命令を格納するための、動的メモリ（例えば、ＲＡＭ，磁気ディスク、書き込み可能な光学ディスクなど）、および静的メモリ（例えば、ＲＯＭ、ＣＤ−ＲＯＭなど）の両方を含む。メモリ１２０５はまた、本明細書において説明される方法の１つ以上のステップに関連付けられる、またはこれらによって生成されるデータを格納する。

８．変更、拡張および改造
前述の明細書において、本発明をその特定の実施形態を参照しながら記述した。しかし、本発明のより幅広い主旨および範囲から逸脱せずに、様々な改造および変更を加えられることが明らかになるだろう。したがって、本明細書および図面は、限定の意味ではなくむしろ例証の意味で考慮されるべきである。本明細書および特許請求の範囲をとおして、文脈上他の意味に解釈すべき場合を除き、用語「備える（ｃｏｍｐｒｉｓｅ）」、および「備える（ｃｏｍｐｒｉｓｅｓ）」「備える（ｃｏｍｐｒｉｓｉｎｇ）」といったその応用形は、記載された物品、要素、またはステップ、あるいは物品、要素、またはステップのグループを含むが、任意の他の物品、要素、またはステップ、あるいは物品、要素、またはステップのグループを除外しないことを意味するものであると理解されるだろう。さらに、不定冠詞「ａ」または「ａｎ」は、その冠詞によって修飾された物品、要素、またはステップのうち１つ以上を示すことを意味する。本明細書で用いられているように、文脈から明白である場合を除き、或る値は、それが他の値の２の倍数以内（２倍または半分）であるなら、その値は「およそ」別の値である。例示的な範囲を提示したが、文脈から明白である場合を除き、あらゆる含有される範囲も様々な実施形態において意図される。したがって、０〜１０の範囲は、いくつかの実施形態では１〜４の範囲を含む。

９．参照
Adany, P., C. Allen, and R. Hui, “Chirped Lidar Using Simplified Homodyne Detection,” Jour. Lightwave Tech., v. 27 (16), 15 August, 2009.
P.J. Besl and N.D. McKay, “Method for registration of 3-D shapes,” 1992, vol. 1611, pp. 586-606.
D. Fehr, A. Cherian, R. Sivalingam, S. Nickolay, V. Moreallas, and N. Papanikolopoulos, “Compact Covariance descriptors in 3D point clouds for object recognition,” presented at the Robotics and Automation (ICRA), 2012 IEEE International Conference, pp. 1793-1798.
Hui, R., C. Allen, and P. Adany, “Coherent detection scheme for FM Chirped laser RADAR,” US patent 7,742,152, 22 June 2010.
Andrew Johnson, “Spin-Images: A Representation for 3-D Surface Matching,” doctoral dissertation, tech. report CMU-RI-TR-97-47, Robotics Institute, Carnegie Mellon University, August, 1997.
Kachelmyer, A.L., “Range-Doppler Imaging with a Laser Radar,” The Lincoln Laboratory Journal, v. 3. (1), 1990.
K. Klasing, D. Althoff, D. Wollher and M. Buss, “Comparison of Surface Normal Estimation Methods for Range Sensing Applications,” in Proceedings of the 2009 IEEE International Conference on Robotics and Automation, Piscataway, NJ, USA, 2009, p. 1977-1982.
H. Salehian, G. Cheng, B.C. Vemuri and J. Ho, “Recursive Estimation of the Stein Center of SPD Matrices and Its Applications,” in 2013 IEEE International Conference on Computer Vision (ICCV), 2013, pp. 1793-1800.
J. Ye, “Least Squares Linear Discriminant Analysis,” Proceedings of the 24^th International Conference on Machine Learning, p. 1087-1093.

Claims (15)

1. コヒーレント検出に基づくＬＩＤＡＲシステムであって、前記システムは：
   センサであって、
   レーザ源を使用して送信信号を生成し、
   前記送信信号を出力し、
   前記送信信号に応答する戻り信号を受信し、
   前記戻り信号に対応する物体を表す少なくとも１つの点群データ点を表すデータ信号を出力する、ように構成されたセンサと；
   処理回路であって、
   前記少なくとも１つの点群データ点に基づいて少なくとも１つの特徴変数を特定し、
   前記少なくとも１つの特徴変数に基づいて第１の分類統計を特定し、
   前記少なくとも１つの特徴変数に基づいて第２の分類統計を特定し、
   前記第１の分類統計または前記第２の分類統計における複数の物体クラスから最も近い一致を特定することによって、前記物体が属すると判断される所定の物体クラスを前記物体に指定し、
   前記所定の物体クラスに基づいて車両の操作を制御するために制御信号を生成する、ように構成された処理回路と、
   を含む、ＬＩＤＡＲシステム。
2. 前記センサは光周波数帯域に光パルスを含む光信号として送信信号を提供するように構成される、請求項１に記載のＬＩＤＡＲシステム。
3. 前記処理回路は、
   前記第１の分類統計を用いて、前記複数の物体クラスの第１の物体クラスと前記物体との間の第１の最も近い一致候補を特定し、
   前記第２の分類統計を用いて、前記複数の物体クラスの第２の物体クラスと前記物体との間の第２の最も近い一致候補を特定し、
   前記第２の物体クラスと同じ前記第１の物体クラスに応答して、前記物体に、前記所定の物体クラスとして前記第１の物体クラスを指定する、ことによって前記所定の物体クラスとして、前記第１の物体クラスを指定するように構成される、請求項２に記載のＬＩＤＡＲシステム。
4. 前記処理回路は、
   前記第２の物体クラスと同じではない前記第１の物体クラスに応答して、３Ｄ点群と、前記第１の物体クラスの第１のモデル点群または前記第２の物体クラスの第２のモデル点群の１つとの間の最も近いフィットを特定し、
   前記最も近いフィットに対応する前記第１の物体クラスまたは前記第２の物体クラスの１つに基づいて、前記所定の物体クラスとして前記第１の物体クラスまたは前記第２の物体クラスの１つを、前記物体に指定する、ことによって前記所定の物体クラスとして、前記第１の物体クラスを指定するように構成される、請求項３に記載のＬＩＤＡＲシステム。
5. 前記処理回路は、
   前記少なくとも１つの特徴変数の範囲に対応する複数のビンの各々における前記少なくとも１つの点群データ点の少なくともサブセットのヒストグラムに基づいて、前記第１の分類統計を特定し、
   前記少なくとも１つの特徴変数に基づく共分散行列に基づいて前記第２の分類統計を特定する、ように構成される、請求項１〜請求項４の何れか１つに記載のＬＩＤＡＲシステム。
6. 前記複数の物体クラスの数Ｎは１００未満である、請求項１〜請求項５の何れか１つに記載のＬＩＤＡＲシステム。
7. 前記所定の物体クラスに基づいて情報を表示するように構成されたディスプレイ装置をさらに含む、請求項１〜請求項６の何れか１つに記載のＬＩＤＡＲシステム。
8. 前記センサは前記送信信号を生成するために、周波数変調または位相変調の少なくとも１つを実行するように構成される、請求項１〜請求項７の何れか１つに記載のＬＩＤＡＲシステム。
9. 請求項１〜請求項８の何れか１つに記載のＬＩＤＡＲシステムを操作する方法であって、前記方法は、
   複数の点群データ点を含む、物体を表す３次元（３Ｄ）点群を読み出すステップと、
   ３Ｄ点群の少なくとも１つの点群データ点に基づいて、少なくとも１つの特徴変数を特定するステップと、
   前記少なくとも１つの特徴変数に基づいて、第１の分類統計を特定するステップと、
   前記少なくとも１つの特徴変数に基づいて、第２の分類統計を特定するステップと、前記第１の分類統計または前記第２の分類統計における複数の物体クラスから最も近い一致を特定することによって、前記物体が属すると判断される所定の物体クラスを前記物体に指定するステップと、
   前記所定の物体クラスに基づいて車両の操作を制御するために制御信号を生成するステップと、
   を含む、方法。
10. 前記所定の物体クラスを指定するステップは、
    前記第１の分類統計を用いて、前記複数の物体クラスの第１の物体クラスと前記物体との間の第１の最も近い一致候補を特定するステップと、
    前記第２の分類統計を用いて、前記複数の物体クラスの第２の物体クラスと前記物体との間の第２の最も近い一致候補を特定するステップと、
    前記第２の物体クラスと同じ前記第１の物体クラスにして、前記物体に、前記所定の物体クラスとして前記第１の物体クラスを指定するステップと、を含む、請求項９に記載の方法。
11. 前記所定の物体クラスを前記物体に指定するステップは、
    前記第２の物体クラスと同じではない前記第１の物体クラスに応答して、３Ｄ点群と、前記第１の物体クラスの第１のモデル点群または前記第２の物体クラスの第２のモデル点群の１つとの間の最も近いフィットを特定するステップと、
    前記最も近いフィットに対応する前記第１の物体クラスまたは前記第２の物体クラスの１つに基づいて、前記所定の物体クラスとして前記第１の物体クラスまたは前記第２の物体クラスの１つを、前記物体に指定するステップと、を含む、請求項１０に記載の方法。
12. 前記第１のモデル点群または前記第２のモデル点群の少なくとも１つが、前記第１のモデル点群または前記第２のモデル点群に対応するモデル物体の第１の部分を表し、かつ、前記第１の部分とは異なる前記モデル物体の第２の部分を表さないように、前記第１のモデル点群または前記第２のモデル点群の少なくとも１つは閉塞される、請求項１１に記載の方法。
13. 前記第１の分類統計を特定するステップは、前記少なくとも１つの特徴変数の値の範囲に対応する複数のビンの各々における前記少なくとも１つの点群データ点の少なくともサブセットのヒストグラムに基づいて、前記第１の分類統計を特定するステップを含み、および、前記第２の分類統計を特定するステップは、前記少なくとも１つの特徴変数に基づく共分散行列に基づいて前記第２の分類統計を特定するステップを含む、請求項９〜請求項１２の何れか１つに記載の方法。
14. 前記複数の物体クラスのいずれにも一致しない前記３Ｄ点群に応答して、対応する前記３Ｄ点群を用いて前記複数の物体クラスに対応するトレーニングデータベースを更新するステップをさらに含む、請求項９〜請求項１３の何れか１つに記載の方法。
15. 前記所定の物体クラスに基づいて情報を、ディスプレイ装置によって表示するステップをさらに含む、請求項９〜請求項１４の何れか１つに記載の方法。

Images