Vad är iToF? Så mäter Indirect Time-of-Flight djup

En djupkamera kan verka exakt inomhus men bli brusig bredvid ett ljust fönster eller på en blank yta. Förändringen beror ofta på hur sensorn tolkar det återvändande infraröda ljuset och inte bara på en enkel gräns för ”räckvidd”. iToF är vanligt i kompakta 3D-sensorsystem eftersom djupet kan uppskattas över många pixlar samtidigt. Den här guiden går igenom mätprocessen, de viktigaste begränsningarna för noggrannhet, skillnaden mot dToF och de användningsområden där fasbaserad djupmätning är särskilt användbar.

Vad är iToF?

iToF är enklast att förstå som en fasbaserad metod för djupmätning och inte bara som en allmän beteckning för time-of-flight. Grundprincipen blir tydlig när det utsända och det återvändande ljussignalen betraktas tillsammans.

Indirect Time-of-Flight, eller iToF, är en aktiv djupsensorteknik som uppskattar avstånd utifrån fasfördröjningen mellan utsänt och reflekterat modulerat infrarött ljus. Till skillnad från en vanlig RGB-kamera, som registrerar färg och ljusstyrka, är en iToF-sensor utformad för att uppskatta hur långt ytor befinner sig från kameran. Benämningen ”indirect” skiljer fasbaserad tidsmätning från direkta ToF-system som mäter tiden för enskilda ljuspulser eller fotonankomster. iToF är särskilt användbart när en tillämpning behöver en tät djupbild över ett synfält, till exempel i en 3D-kamera, en gestsensor eller en modul för robotperception.

Hur mäter iToF avstånd?

iToF omvandlar en fasförskjutning i modulerat ljus till en avståndsuppskattning. Genom att följa mätkedjan blir den underliggande logiken för avståndsmätningen lättare att förstå.

Modulerat infrarött ljus

En iToF-sensor belyser en scen med infrarött ljus vars intensitet moduleras med en känd frekvens. Ljuset reflekteras från objekt och återvänder till mottagaren med samma övergripande modulationsmönster, men fasförskjutet eftersom det har färdats till objektet och tillbaka. Sensorn behöver inte identifiera en enskild utsänd puls. I stället jämför den de sända och mottagna vågformerna över många cykler. Det gör mätningen väl lämpad för kompakta djupkameror som behöver ett tätt fält av avståndsvärden i stället för en enda långdistansmätning i en punkt.

Fasförskjutning och avståndsberäkning

Den viktigaste mätningen i iToF är fasskillnaden. Om den återvändande moduleringen är fördröjd med en del av en cykel omvandlar elektroniken fasförskjutningen till en tur-och-retur-tid och därefter till avstånd med hjälp av ljusets hastighet. Eftersom fasen upprepas efter varje hel cykel har en enda modulationsfrekvens en gräns för entydigt avstånd. Praktiska sensorer kan använda flera frekvenser eller kodad modulering för att öka det användbara området och minska tvetydighet. Beräkningen görs för många pixlar samtidigt, vilket gör att iToF kan leverera djupdata med bildfrekvenser som liknar video.

Skapande av djupkarta

Varje ljuskänslig pixel eller pixelgrupp uppskattar ett avstånd och skapar därmed en uppsättning djupvärden som är anpassade till scenen. Efter kalibrering, filtrering, konfidenskontroller och hantering av ogiltiga pixlar omvandlar enheten mätningarna till en djupkarta. En djupkarta kan visas som en gråskalebild, omvandlas till ett 3D-punktmoln eller kombineras med bilden från en vanlig kamera. Den viktiga skillnaden är att den representerar geometri: närliggande ytor får mindre avståndsvärden och ytor längre bort större värden, vilket ger programvaran ett direkt sätt att resonera om form och separation.

Vad påverkar iToF-noggrannheten?

Prestandan i verkliga miljöer beror på kvaliteten hos signalen som når sensorn och på hur väl systemet kan tolka den. Följande faktorer är de viktigaste för tillförlitliga mätningar.

Flervägsinterferens

Flervägsinterferens uppstår när utsänt ljus når en pixel efter att ha reflekterats längs mer än en väg. En vägg nära ett blankt golv, ett hörn eller ett delvis reflekterande objekt kan blanda en tidig retur med en fördröjd retur. Den uppmätta fasen blir då en blandning i stället för att representera ett enda rent avstånd, vilket kan göra att kanter och konkava utrymmen ser förvrängda ut. Bättre optik, modulationsmetoder, konfidensmått, scenfiltrering och flerfrekvensbehandling kan minska felet, men systemkonstruktörer behöver ändå testa sensorn med den geometri och de material som förväntas i den slutliga tillämpningen.

Omgivningsljus och signal-brusförhållande

Solljus och stark inomhusbelysning tillför fotoner som inte kommer från sensorns sändare. Den bakgrunden ökar bruset och kan minska kontrasten i den modulerade retursignalen, särskilt på längre avstånd eller mörka ytor. Resultatet kan bli mer brusiga djupdata, lägre konfidens eller saknade pixlar. Optiska filter centrerade kring sändarens våglängd, högre modulationskontrast, lämplig exponering och tidsmässig medelvärdesbildning kan hjälpa. Utomhussystem bör utvärderas i direkt solljus och inte bara i laboratorium, eftersom signal-brusförhållandet kan förändras kraftigt mellan miljöerna.

Reflekterande ytor och ytor med låg reflektivitet

Mycket mörka material returnerar lite infraröd energi, medan blanka eller speglande material kan rikta energin bort från mottagaren eller skapa starka spegelreflektioner. Båda fallen kan förvränga en djupbild. Svart tyg kan ge svaga eller ogiltiga pixlar, medan polerad metall eller glas kan ge instabila avstånd beroende på vinkeln. Ett robust system använder konfidensgränser och kombinerar ofta djup med andra sensorledtrådar. Den mekaniska placeringen spelar också roll: en ändrad kameravinkel kan göra en svår reflektion till en användbar diffus retur utan att själva sensorn behöver ändras.

Rörelseartefakter och kalibrering

Djupdata är bara användbara när optik, timing och geometri är kalibrerade. Temperaturförändringar, linsdistorsion, tidsförskjutningar mellan pixlar och inriktningen mellan sändare och mottagare kan orsaka systematiska fel om de inte kompenseras. Rörelse skapar ytterligare en utmaning eftersom scenen kan förändras under den sekvens av fasprov som används för en djupbild. Snabbrörliga kanter kan därför visa tillfälliga artefakter. Fabrikskalibrering ger en grund, medan validering i den faktiska tillämpningen kontrollerar om monteringsvibrationer, temperaturområde, exponeringsinställningar och bildfrekvens passar den förväntade rörelsen.

Hur skiljer sig iToF från dToF?

De två metoderna löser närliggande problem på olika sätt. De praktiska avvägningarna blir tydligare när samma prestandafaktorer jämförs sida vid sida.

Var används iToF?

Tekniken blir lättare att förstå när den kopplas till de uppgifter den utför i verkliga system. Exemplen visar hur samma mätprincip kan stödja olika typer av automatisering.

Djupkameror och 3D-avkänning

I en djupkamera kan iToF registrera en tät avståndsbild utan att vara beroende av synlig textur. Det stödjer rumsgeometri, personsegmentering, volymuppskattning, bakgrundsseparering och 3D-rekonstruktion. Sensorn kan arbeta tillsammans med en RGB-kamera när både färg och geometri behövs. Det användbara området beror på modulering, optik, sändareffekt, ytors reflektivitet och omgivningsljus, så beteckningen ”3D-kamera” garanterar inte samma prestanda i varje scen. Att matcha synfält och djupområde med uppgiften är viktigare än enbart ett högt pixelantal.

Robotik och hinderdetektering

En robot kan använda en djupkarta för att identifiera fri yta, uppskatta objektavstånd och avgöra om en passage är tillräckligt bred. Till skillnad från en enskild närhetssensor ger en djupkamera rumslig struktur över många pixlar, vilket hjälper till att skilja marken från hinder och uppskatta deras form. Utomhusrobotar kombinerar ofta djup med bildseende, tröghetssensorer, hjulodometri eller satellitpositionering eftersom ingen enskild sensor är idealisk i alla förhållanden. För automatiserad gräsklippning kan denna lagerbaserade metod ge säkrare ruttplanering runt möbler, träd, kanter, husdjur och objekt som förändras i trädgården.

Ett aktuellt exempel från Sunseeker är Sunseeker Elite X9, som kombinerar binokulärt seende, iToF- och dToF-sensorer samt infraröd avkänning för 360-graders hinderdetektering.

För ett praktiskt exempel inom utomhusrobotik finns Sunseekers kollektion av robotgräsklippare, där navigering och hinderdetektering kombineras med autonom klippning.

AR-, gest- och närhetsavkänning

Djupdata på korta och medellånga avstånd är användbara där programvara måste förstå hur långt en hand, ett ansikte eller en yta befinner sig från en enhet. Gestsystem kan skilja händer från bakgrunden och följa rörelser i 3D. AR-system kan förbättra ocklusion, scenmeshing och objektplacering när tillförlitliga djupdata finns. Närhetsfunktioner kan upptäcka att någon närmar sig eller finns i närheten utan att kräva detaljerad färgbild. Den tekniska avvägningen gäller vanligtvis djupområde, synfält, effektförbrukning, bildfrekvens, paketstorlek och mängden omgivningsljus i den avsedda miljön.

Slutsats

iToF omvandlar fasfördröjningen i modulerat infrarött ljus till tät djupinformation, men den användbara noggrannheten beror på signalkvalitet, reflektivitet, rörelse, flervägsreflektioner och kalibrering. När dessa begränsningar bedöms tillsammans med räckvidd och upplösning blir bilden betydligt tydligare än om alla time-of-flight-sensorer betraktas som likvärdiga. Inom robotik fungerar djupavkänning bäst när den kompletterar navigeringssystemet och tar hänsyn till driftmiljön.

FAQs

Vad är 3D iToF och hur fungerar en 3D iToF-sensor?

3D iToF använder modulerad infraröd belysning och mäter fasfördröjningen hos den reflekterade signalen över många sensorpixlar. Varje pixel omvandlar fasskillnaden till en avståndsuppskattning, och kameran sammanför mätningarna till en djupkarta. Kalibrering, modulationsfrekvens, reflektivitet, omgivningsljus och rörelse påverkar den slutliga konfidensen i djupdata.

Vad är en 3D iToF-kamera?

En 3D iToF-kamera integrerar en infraröd sändare, en faskänslig bildsensor, optik, timingelektronik, kalibreringsdata och djupbearbetning. I stället för att bara återge färg skapar den ett djupvärde för många punkter i scenen. Vissa moduler kan även ge amplitud, konfidens eller synkroniserade RGB-data för att kombinera utseende och geometri.

Vad är fördelen med en 3D iToF-sensor?

Den främsta fördelen är tät djupmätning i ett kompakt kameraformat med praktiska bildfrekvenser. Det kan förenkla 3D-segmentering, närhetsavkänning, gestspårning, robotperception och scenrekonstruktion. Tillämpningen behöver ändå rätt räckvidds- och ljusmarginal eftersom solljus, flervägsreflektioner, låg reflektivitet och rörelse kan minska mätningens tillförlitlighet.