[论文解读] Adaptive Optics Predictive Control with Empirical Orthogonal Functions (EOFs)

Olivier Guyon, Jared R. Males|arXiv (Cornell University)|Jul 3, 2017

Adaptive optics and wavefront sensing被引用 41

一句话总结

本文提出一种基于经验正交函数（EOFs）的自适应光学预测控制方法，通过历史测量数据建模与预测波前畸变。通过将波前数据分解为时空模式，并利用历史数据的线性组合，EOF方法实现了鲁棒的实时预测，在高对比度成像中显著提升性能，减少残余光斑晕影，并改善时间与空间去相关性。

ABSTRACT

Atmospheric wavefront prediction based on previous wavefront sensor measurements can greatly enhance the performance of adaptive optics systems. We propose an optimal linear approach based on the Empirical Orthogonal Functions (EOF) framework commonly employed for atmospheric predictions. The approach offers increased robustness and significant performance advantages over previously proposed wavefront prediction algorithms. It can be implemented as a linear pattern matching algorithm, which decomposes in real time the input (most recent wavefront sensor measurements) into a linear sum of previously encountered patterns, and uses the coefficients of this linear expansion to predict the future state. The process is robust against evolving conditions, unknown spatio-temporal correlations and non-periodic transient events, and enables multiple sensors (for example accelerometers) to contribute to the wavefront estimation. We illustrate the EOFs advantages through numerical simulations, and demonstrate filter convergence within 1 minute on a 1 kHz rate system. We show that the EOFs approach provides significant gains in high contrast imaging by simultaneously reducing residual speckle halo and producing a residual speckle halo that is spatially and temporally uncorrelated.

研究动机与目标

• 解决在非平稳大气条件下自适应光学系统中波前预测的挑战。
• 通过最小化残余光斑晕影并去相关光斑噪声，提升高对比度成像性能。
• 开发一种对未知时空相关性和瞬态扰动不敏感的鲁棒、实时预测控制框架。
• 通过整合来自多种传感器（如加速度计）的数据，实现传感器融合。
• 提供一种可扩展的、无需模型的替代方案，以替代基于物理的LQG预测滤波器，具备更优的收敛性与稳定性。

提出的方法

• 使用经验正交函数（EOFs）将波前传感器测量数据分解为一组正交的时空模式。
• 将当前波前状态表示为训练数据集中先前观测到的模式的线性组合。
• 通过将近期测量值投影到EOF基上并利用学习到的系数进行外推，预测未来的波前状态。
• 将算法实现为实时线性模式匹配系统，通过基于主成分分析（PCA）的分解避免复杂的矩阵求逆。
• 在闭环控制架构中集成EOF预测器，利用来自波前传感器和变形镜的伪开环遥测数据。
• 通过平均掉不相关的噪声并最小化对校准误差和非周期性扰动的敏感性，确保鲁棒性。

实验结果

研究问题

• RQ1 EOF-based波前预测在残余波前误差和光斑去相关性方面是否优于传统的LQG和傅里叶模态预测器？
• RQ2 EOF方法如何处理非平稳大气条件、瞬态事件以及未知的时空相关性？
• RQ3 传感器融合（例如结合加速度计）在多大程度上能提升波前估计与预测的准确性？
• RQ4 EOF滤波器在不同视宁条件下收敛并维持性能所需的训练时长是多少？
• RQ5 与基于模型的预测器相比，EOF方法在计算效率和对校准误差的鲁棒性方面表现如何？

主要发现

• 在1 kHz自适应光学系统上，EOF预测控制器在约一分钟内完成收敛，证明了其具备实时可行性。
• 该方法通过生成在空间和时间上均不相关的光斑晕影，显著减少了高对比度成像中的残余光斑晕影。
• 通过同时抑制波前传感器噪声并校正校正延迟，实现了性能提升。
• EOF框架对不断变化的大气条件、未知相关性以及非周期性扰动具有鲁棒性。
• 该方法实现了有效的传感器融合，使额外测量（如加速度计）能够贡献于波前估计。
• 在非平稳条件或训练数据不足时，滤波性能会下降，凸显了频繁更新滤波器和足够训练时长的必要性。