Τίτλος: Ανάπτυξη Physics-aware συστήματος αντίληψης βασισμένου σε ολοκληρωμένο LiDAR για αυτόνομα Physical AI συστήματα
Η αντίληψη (perception) του περιβάλλοντος αποτελεί θεμελιώδη προϋπόθεση για κάθε αυτόνομο σύστημα Physical AI, και ολοένα περισσότερο η έρευνα στρέφεται προς physics-aware προσεγγίσεις, όπου η φυσική συμπεριφορά των αισθητήρων ενσωματώνεται στην ανάλυση ώστε να αποτυπώνονται τα πραγματικά, μη-ιδανικά δεδομένα. Ανάμεσα στους αισθητήρες αυτούς, τα LiDAR κατέχουν κεντρικό ρόλο προσφέροντας άμεση τρισδιάστατη πληροφορία, ενώ η μετάβαση προς ολοκληρωμένες φωτονικές υλοποιήσεις ανοίγει τον δρόμο για συμπαγείς, αξιόπιστους αισθητήρες χωρίς κινητά μέρη. Ωστόσο, τα νέφη σημείων που παράγει ένας τέτοιος αισθητήρας φέρουν τη φυσική υπογραφή της οπτικής κεραίας: γωνιακή απόκλιση δέσμης εξαρτώμενη από το ενεργό μήκος του συζεύκτη, πλευρικούς λοβούς, γωνιακή σάρωση μέσω μεταβολής μήκους κύματος και περιορισμένο οπτικό πεδίο.
Το κρίσιμο ερώτημα που θέτει η εργασία είναι πώς οι σχεδιαστικές αυτές παράμετροι της οπτικής κεραίας καθορίζουν την ποιότητα του παραγόμενου νέφους σημείων, και ποιες προδιαγραφές πρέπει να πληροί ο αισθητήρας ώστε να είναι αξιοποιήσιμος σε εργασίες αντίληψης για Physical AI συστήματα. Για την απάντησή του, το βάρος της εργασίας μοιράζεται σε δύο ισόρροπους άξονες. Ο πρώτος είναι η μοντελοποίηση του αισθητήρα, με αφετηρία τα πειραματικά διαγράμματα ακτινοβολίας εγγύς και μακρινού πεδίου των μεμονωμένων κεραιών που έχουν ήδη χαρακτηριστεί στο Εργαστήριο Φωτονικών Επικοινωνιών και την επέκτασή τους στην πλήρη οπτική συστοιχία φάσης μέσω της θεωρίας στοιχειοκεραιών (array factor), καταλήγοντας σε έναν παραμετρικό προσομοιωτή που παράγει ρεαλιστικά νέφη σημείων του φωτονικού αισθητήρα. Ο δεύτερος άξονας είναι η ποσοτική αξιολόγηση της ποιότητας των νεφών αυτών: καθιερωμένα μοντέλα αντίληψης (ανίχνευσης αντικειμένων και σημασιολογικής κατάτμησης) θα χρησιμοποιηθούν ως μετρικό εργαλείο, εφαρμοζόμενα πάνω σε δημόσια datasets, ώστε να ποσοτικοποιηθεί η επίδραση κάθε φυσικού χαρακτηριστικού της κεραίας στην απόδοση, μέσω συστηματικής σύγκρισης έναντι ιδανικού LiDAR. Απώτερος στόχος και βασικό παραδοτέο της εργασίας είναι η χαρτογράφηση της σχέσης μεταξύ σχεδιαστικών παραμέτρων της κεραίας και ποιότητας αντίληψης, ώστε να προκύψουν συγκεκριμένες κατευθύνσεις για τον σχεδιασμό της επόμενης γενιάς φωτονικών κεραιών LiDAR (sensor–algorithm co-design) για Physical AI συστήματα.
Ελάχιστος χρόνος εκπόνησης της εργασίας: 6 μήνες
Χρήσιμες Γνώσεις:
- Γενικές αρχές φωτονικής τεχνολογίας και συστημάτων LiDAR
- Βασικές αρχές επεξεργασίας σήματος και μηχανικής μάθησης
- Προγραμματισμός σε Python
_______________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
Title: Development of a Physics-aware Perception System Based on Integrated LiDAR for Autonomous Physical AI Systems
Perception of the environment is a fundamental prerequisite for any autonomous Physical AI system, and research is increasingly turning toward physics-aware approaches, in which the physical behavior of the sensors is incorporated into the analysis so that the real, non-ideal data are captured. Among these sensors, LiDAR plays a central role by providing direct three-dimensional information, while the transition toward integrated photonic implementations paves the way for compact, reliable sensors with no moving parts. However, the point clouds produced by such a sensor carry the physical signature of the optical antenna: beam angular divergence depending on the effective length of the coupler, side lobes, angular scanning through wavelength variation, and a limited field of view.
The critical question posed by this work is how these design parameters of the optical antenna determine the quality of the generated point cloud, and what specifications the sensor must meet in order to be usable in perception tasks for Physical AI systems. To answer it, the work is divided into two balanced axes. The first is the modeling of the sensor, starting from the experimental near-field and far-field radiation patterns of the individual antennas that have already been characterized at the Photonic Communications Research Laboratory, and extending them to the full optical phased array through array factor theory, resulting in a parametric simulator that produces realistic point clouds of the photonic sensor. The second axis is the quantitative evaluation of the quality of these point clouds: established perception models (object detection and semantic segmentation) will be used as a measurement tool, applied to public datasets, in order to quantify the impact of each physical characteristic of the antenna on performance, through systematic comparison against an ideal LiDAR. The ultimate goal and main deliverable of the work, is to map the relationship between the antenna’s design parameters and perception quality, so as to derive specific directions for the design of the next generation of photonic LiDAR antennas (sensor–algorithm co-design) for Physical AI systems.
Minimum duration of the work: 6 months
Useful Knowledge:
- General principles of photonic technology and LiDAR systems
- Fundamentals of signal processing and machine learning
- Programming in Python
Επικοινωνία: Δρ. Θένια Προυσαλίδη thenia@mail.ntua.gr