1. 緒論

脈衝飛行時間雷射測距是現代地理空間資料擷取的基石。儘管脈衝定時估算器（Abshire 等人，1994）的進步已實現高精度量測，但在複雜的現實場景中，顯著的系統性誤差仍然存在。本研究旨在解決廣義混合像素效應這一關鍵挑戰，此複合誤差源發生於雷射光斑與不連續表面相互作用或雷射以斜角入射時。此效應涵蓋了傳統的混合像素問題與入射角效應，其根本上是透過在單次量測光斑內引入多重距離資訊來扭曲測距資料，從而損害了測量、自主導航和 3D 建模等應用的資料完整性。

2. 理論背景與問題陳述

2.1 混合像素效應

當雷射光束的光斑橫跨不同距離的多個表面時（例如建築物邊緣與地面），便會發生此效應。若深度差小於儀器的距離解析度（$\Delta R = c \cdot \tau / 2$，其中 $c$ 為光速，$\tau$ 為脈衝寬度），測距儀會接收到一個單一但扭曲的回波脈衝，並錯誤地將其解釋為單一距離（Herbert & Krotkov, 1992; Xiang & Zhang, 2001）。這導致顯著的非線性系統誤差。

2.2 入射角效應

當雷射光束以非垂直角度撞擊表面時，光斑會從圓形拉長為橢圓形。根據朗伯散射，這種變形會削弱訊號並使其在時間上擴散，導致測距儀的定時邏輯錯誤計算距離（Soudarissanane 等人，2009）。誤差隨入射角增加而增大。

2.3 廣義混合像素效應

本研究的核心見解在於將上述兩種效應統一起來。兩者皆源於單一的物理原因：一個包含多個有效距離的變形雷射光斑。作者認為分開處理它們效率低下，並提出了一個整體性的修正框架。

3. 方法論：五步驟工作流程

本研究引入了一個結構化的五步驟工作流程，以建模並修正廣義效應。

3.1 發散角估算與偏心校正

本文提出了一種估算雷射光束發散角的方法。此參數對於理解光斑尺寸至關重要。接著使用「偏心校正」方法，透過計算偏移有效量測點來減輕混合像素效應。

3.2 入射角效應建模

建立了一個物理幾何模型，將測距誤差量化為入射角、光斑變形和表面特性的函數。

3.3 未知入射角之迭代估算

這是針對實地作業實用性的關鍵創新。由於目標點的準確入射角通常未知，作者設計了一個迭代程序，利用初始距離觀測值來估算最佳入射角，並將其回饋至修正模型中。

3.4 透過平差進行參數估算

所有模型參數（例如發散角、模型係數）均使用考量所有觀測不確定性的平差技術（如最小平方法）進行估算，以確保統計上穩健的結果。

3.5 統一偏移修正公式推導

將步驟 3.1 和 3.2 中的個別模型整合成一個單一、全面的修正方程式。此最終模型輸出一個範圍偏移量（$\Delta D_{corr}$），必須將其應用於原始量測值。

4. 技術細節與數學公式

核心修正模型整合了幾何與基於訊號的因素。統一偏移的簡化表示式可表達為：

$\Delta D_{corr} = f(\theta, \phi, \Delta R_{res}, I(t)) + \epsilon$

其中：

  • $\theta$：雷射光束的入射角。
  • $\phi$：光束發散角。
  • $\Delta R_{res}$：儀器的距離解析度。
  • $I(t)$：回波脈衝的時間-強度波形。
  • $\epsilon$：考量觀測雜訊的平差殘差。
函數 $f$ 源自拉長光斑的幾何形狀與脈衝偵測原理。平差程序最小化 $\sum \epsilon^2$ 以求解模型的未知參數。

5. 實驗結果與驗證

5.1 測試配置與儀器

實驗使用兩款商用全站儀進行：Trimble M3 DR 2" 和 Topcon GPT-3002LN。設置目標以創造誘發混合像素（例如在階梯邊緣）和不同入射角的受控情境。

5.2 Trimble M3 DR 2" 與 Topcon GPT-3002LN 之結果

將提出的修正工作流程應用於兩款儀器的資料。結果證實其有效性：

  • 系統誤差降低： 由混合像素和入射角效應引起的偏差得到顯著緩解。
  • 測距品質保持： 修正後，量測的精密度（重複性）得以維持或改善。
  • 儀器通用方法： 儘管由於專有訊號處理，Trimble 和 Topcon 型號的誤差幅度不同，但相同的建模框架成功應用，展示了其通用性。

5.3 圖表說明

圖 1（參見 PDF）： 說明混合像素效應。(a) 當深度不連續性小於距離解析度時，單一扭曲的脈衝回波會誤導儀器。(b) 當深度差較大時，多重脈衝回波允許儀器區分不同表面。

圖 2（參見 PDF）： 描繪一個常見的實地作業情境，其中目標點（例如在斜屋頂或建築物角落）受到廣義混合像素效應影響，結合了因斜角入射導致的光斑分裂與拉長。

隱含的結果圖表： 研究可能包含圖表，顯示原始與修正後的距離值相對於已知距離或入射角的繪圖，展示修正後的資料明顯趨近於真實值線。

關鍵見解

  • 統一的誤差來源： 混合像素和入射角效應是同一核心問題的兩種表現形式——一個包含多重距離的變形光斑。
  • 實用的迭代： 未知入射角的迭代估算對於實地應用的可行性至關重要。
  • 基於模型而非黑箱： 此方法依賴物理/幾何建模，而非機器學習黑箱，提供了可解釋性和參數穩定性。
  • 廠商中立框架： 提供了一種方法來表徵和修正特定於任何雷射測距儀內部處理的誤差。

6. 分析框架：範例案例

情境： 使用地面儀器量測至垂直牆上一點的距離。雷射光斑同時擊中牆壁（主要目標）和相鄰的地面。

框架應用：

  1. 案例識別： 這是廣義混合像素效應的明確實例（來自牆壁/地面的混合像素 + 牆壁上的入射角效應）。
  2. 資料輸入： 原始量測距離、儀器已知的發散角與脈衝寬度（用於 $\Delta R_{res}$）、儀器與目標的近似位置以進行初始入射角猜測。
  3. 工作流程執行：
    • 應用偏心校正模型以考量光斑內的地面回波。
    • 在入射角效應模型中使用牆壁入射角的初始猜測值。
    • 執行迭代程序：修正距離，使用新距離重新估算更準確的入射角（基於幾何），並重複直到收斂。
    • 平差過程利用此點及其他觀測點來精煉所有模型參數。
  4. 輸出： 一個修正後的距離值，準確反映至牆壁上預定點的距離，不受複合系統誤差影響。

7. 應用展望與未來方向

立即應用：

  • 高精度測量與工程： 對於監測結構變形、竣工驗證和地籍測量至關重要，這些應用中的量測常涉及邊緣和斜面。
  • 自動駕駛車輛 LiDAR 校正： 修正物體邊界（例如路緣石、其他車輛）的測距誤差對於準確感知與定位至關重要。
  • 文化遺產與法證記錄： 實現對複雜建築細節和事故現場更準確的 3D 掃描。

未來研究方向：

  • 與波形 LiDAR 整合： 透過使用完整波形資料（$I(t)$）而非離散回波，可直接增強此模型，允許更精確地分解混合訊號，類似於地形 LiDAR 中的先進全波形分析（例如，Mallet & Bretar, 2009）。
  • AI 輔助參數化： 機器學習可用於學習儀器特定的模型參數，或對混合像素情境的類型進行分類，從而優化修正策略。
  • 即時修正模組： 將迭代演算法實作為商用全站儀和雷射掃描儀的嵌入式韌體或後處理軟體。
  • 擴展至非朗伯表面： 針對金屬或玻璃等表面，納入更複雜的雙向反射分佈函數模型。

8. 參考文獻

  1. Abshire, J. B., et al. (1994). Laser pulse timing estimators. Applied Optics.
  2. Adams, M. D. (1993). Laser Rangefinder Technology.
  3. Herbert, M., & Krotkov, E. (1992). 3D measurements from imaging laser radars. Image and Vision Computing.
  4. Mallet, C., & Bretar, F. (2009). Full-waveform topographic lidar: State-of-the-art. ISPRS Journal of Photogrammetry and Remote Sensing, 64(1), 1-16.
  5. Soudarissanane, S., et al. (2009). Incidence angle influence on the quality of terrestrial laser scanning points. ISPRS Workshop.
  6. Typiak, A. (2008). Methods of eliminating the mixed pixel phenomenon in laser rangefinders. Metrology and Measurement Systems.
  7. Xiang, L., & Zhang, Y. (2001). Analysis of mixed pixel in laser rangefinder. Proceedings of SPIE.
  8. Zhu, J., et al. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV). （用於類比領域轉換的 CycleGAN 參考文獻）。

9. 原創分析與專家評論

核心見解

Chang 和 Jaw 的研究是一個重要的轉向，從將雷射測距誤差視為孤立的麻煩，轉變為將其建模為統一幾何病理學的症狀。真正的突破並非新演算法，而是對問題的重新定義。透過識別出混合像素和入射角誤差皆源自「包含各種距離的變形光斑」，他們為修正提供了一個與廠商無關的第一性原理基礎。這類似於 CycleGAN（Zhu 等人，2017）如何透過專注於領域間的循環一致性而非配對資料來重新定義影像轉換；在此，焦點轉移到量測交互作用的幾何，而非特定硬體的黑箱輸出。

邏輯流程

五步驟工作流程在邏輯上很優雅，但暴露了一個關鍵依賴性：它需要準確知道或能夠估算光束發散角（$\phi$）。此參數通常被視為固定規格，但實際上它可能隨溫度和雷射二極體老化而變化。論文的偏心校正方法依賴於此。迭代角度估算是針對實地資料的巧妙解決方案，但其在高雜訊條件下的收斂穩定性並未完全探討。從物理模型到平差的流程是穩健的，反映了測地學的最佳實踐，但此轉換假設模型 $f$ 完美捕捉了商業儀器內部的複雜訊號處理——這是一個非平凡的假設。

優點與缺陷

優點： 1) 通用性： 該框架在兩種不同儀器（Trimble 和 Topcon）上的成功是其最有力的驗證。2) 可解釋性： 與神經網路修正不同，每個參數都有物理意義，有助於診斷和建立信任。3) 實用設計： 迭代角度求解器直接解決了困擾實地測量員的「未知角度」問題。

缺陷與不足： 1) 表面模型過於簡化： 依賴朗伯散射是一個主要限制。正如美國國家標準與技術研究院關於光學散射的資源所指出的，大多數真實世界表面（例如瀝青、拉絲金屬）是非朗伯的。這可能會引入殘餘誤差。2) 驗證廣度不足： 僅在兩款全站儀上測試，雖然有前景，但不足夠。該方法需要在相位式掃描儀、長距離 LiDAR 以及多樣材料條件下進行壓力測試。3) 計算負擔： 對於自動駕駛等即時應用，未經顯著優化的迭代平差可能過於緩慢。

可行動的見解

對於儀器製造商：本文是開發下一代「自我修正」測距儀的藍圖。將此模型嵌入韌體，並附帶針對 $\phi$ 和模型係數的工廠校準參數，可能成為高精度市場的關鍵差異化因素。

對於測量專業人員：在此類儀器出現之前，對於任何涉及邊緣或斜面目標的關鍵任務量測，應將此視為必要的後處理步驟。開發內部校準程序以估算您儀器的特定模型參數。

對於研究人員：立即的下一步是將此與全波形分析整合。IEEE Xplore 等資料庫顯示了大量關於機載 LiDAR 波形分解的研究；將這些技術應用於此地面模型，可能產生一種能夠處理甚至次解析度混合像素的「超級修正」。此外，探索使用輕量級神經網路來估算入射角或分類光斑變形類型的混合模型，可以同時提升速度和準確性。

總而言之，這項研究將該領域從誤差描述推進到系統性修正。當其原理被嵌入量測標準和儀器設計時，其真正價值將得以實現，最終讓我們能夠在最常需要的邊界處信任雷射測距資料。