Che cos’è LIDAR?

Che cos’è LIDAR?

3 cose da sapere

I sensori LIDAR (acronimo di Light Detection and Ranging) sono sensori di misurazione della distanza come i radar e i sonar. I sensori emettono impulsi laser che si riflettono sugli oggetti, il che consente loro di percepire la struttura dell’ambiente circostante. I sensori registrano l’energia luminosa riflessa per determinare la distanza dagli oggetti e creare una rappresentazione 2D o 3D dell’ambiente circostante. I LIDAR stanno diventando tra i sensori principali utilizzati per sviluppare sistemi di percezione in settori diversi. Consentono workflow di percezione 3D come il rilevamento oggetti, la segmentazione semantica e i workflow di navigazione compresa la mappatura, la mappatura e localizzazione simultanea (SLAM) e la pianificazione di percorsi.

Perché LIDAR è importante

I sistemi autonomi utilizzano più sensori come fotocamere, IMU e radar nella loro suite di sensori per la percezione dell’ambiente. I LIDAR sono in grado di ovviare ad alcuni degli svantaggi di altri sensori fornendo informazioni altamente accurate, strutturali e 3D dell’ambiente circostante. Questo vantaggio ha contribuito all’introduzione dei sensori LIDAR nel mercato della percezione tradizionale.

Dati di nuvole di punti di uno scenario di guida con alcune automobili.

Nuvola di punti LIDAR di una scena stradale.

L’adozione dei LIDAR da parte del mercato è determinata da tre fattori chiave:

  1. LIDAR low cost

L’introduzione di LIDAR low cost, con caratteristiche migliorate in termini di distanza, dimensioni e robustezza, hanno aumentato la disponibilità della tecnologia per applicazioni industriali a rendimento relativamente basso.

  1. Dati 3D accurati

I LIDAR raccolgono informazioni 3D ad alta densità dell’ambiente circostante come nuvole di punti con una maggiore precisione rispetto ad altri sensori che misurano la distanza come i radar e i sonar. Ciò migliora a sua volta la precisione della ricostruzione 3D.

  1. Algoritmi di elaborazione LIDAR

I recenti sviluppi nei workflow di elaborazione LIDAR, come la segmentazione semantica, il rilevamento e il tracking di oggetti, la fusione dei dati di telecamere LIDAR e la SLAM LIDAR, hanno consentito al settore di aggiungere i LIDAR nei loro workflow di sviluppo. È possibile utilizzare strumenti come MATLAB per sviluppare e applicare algoritmi di elaborazione LIDAR.

Applicazioni dei LIDAR

I LIDAR vengono utilizzati in svariati settori, dalla guida autonoma alle geoscienze. Queste applicazioni possono essere classificate in linea generale in tre gruppi, in base alla piattaforma su cui vengono montati i sensori.

  1. LIDAR aerei
  2. LIDAR terrestri
  3. LIDAR interni

LIDAR aerei

I LIDAR aerei sono sensori LIDAR montati su velivoli o aeromobili a pilotaggio remoto (APR). I LIDAR aerei acquisiscono dati di nuvole di punti 3D di un ampio terreno, da poter utilizzare per la mappatura LIDAR, l’estrazione delle feature, la classificazione del terreno e altri casi d’uso.

Immagine di un drone che vola con un LIDAR montato al di sopra.

Sensore LIDAR aereo.

Dati di una nuvola di punti aerea con edifici e alberi.

 Dati di un LIDAR aereo.

Esempi di applicazioni di LIDAR aerei includono:

  • Agricoltura: la tecnologia LIDAR è ampiamente utilizzata in agricoltura per la mappatura delle aree di vegetazione e per l’identificazione del terreno esatto della coltura e del bacino idrografico.
  • Pianificazione urbana: i LIDAR sono utilizzati nella creazione di modelli digitali di elevazione (DSM) o anche di modelli digitali di città (DCM) di un’area, utili per progettare una città o per costruire nuove infrastrutture in una città esistente.
  • Mappatura geologica: i LIDAR possono essere utilizzati per creare mappe 3D della superficie terrestre, che possono essere ulteriormente utilizzate in applicazioni come l’estrazione mineraria, la selvicoltura di precisione e l’esplorazione di petrolio e gas.
  • Navigazione aerea e pianificazione del percorso: i LIDAR sono ora utilizzati negli APR per raccogliere dati 3D in tempo reale per la navigazione autonoma nell’ambiente circostante.

Guarda degli esempi su come utilizzare MATLAB® per l’elaborazione di LIDAR aerei:

LIDAR terrestri

Esistono due tipi di LIDAR terrestri: quelli terrestri stazionari e quelli mobili.

Più LIDAR montati su un’automobile.

Sensore LIDAR mobile.

Dati di una nuvola di punti di uno scenario stradale con un’automobile e un albero.

Dati di un LIDAR mobile.

  • I LIDAR terrestri stazionari sono LIDAR montati su una piattaforma stazionaria. Sono comunemente utilizzati per rilievi del territorio, rilievi stradali, mappatura topologica, creazione di mappe digitali di elevazione (DEM), agricoltura e altre applicazioni. Sono particolarmente adatti ad applicazioni in cui è necessaria l’acquisizione di dati dettagliati e più da vicino.
  • I LIDAR mobili sono LIDAR terrestri fissati su una piattaforma mobile come un’automobile o un autocarro. L’applicazione di LIDAR mobili più importante è la guida autonoma. I LIDAR montati sui veicoli acquisiscono dati di nuvole di punti 3D dell’ambiente circostante e sono ulteriormente utilizzati nei workflow di percezione e navigazione. Questi workflow saranno descritti nel dettaglio nella prossima sezione. 

Guarda degli esempi su come utilizzare MATLAB per l’elaborazione di LIDAR terrestri:

LIDAR interni

I LIDAR sono ampiamente utilizzati in applicazioni di robotica interna mediante il montaggio su robot mobili. Oltre ai LIDAR 3D, anche i LIDAR 2D o gli scanner laser sono utilizzati in applicazioni di robotica interna come la scansione e la mappatura LIDAR. I LIDAR interni raccolgono informazioni sull’ambiente e le informazioni di profondità vengono poi ulteriormente elaborate in base ai casi d’uso..

Sensore LIDAR interno.

Sensore LIDAR interno.

Screenshot di dati di un LIDAR interno.

Dati di un LIDAR interno.

Gli utilizzi più diffusi dei LIDAR interni includono:

  • Mappatura e SLAM LIDAR: È possibile utilizzare LIDAR 2D o 3D per creare rispettivamente SLAM e mappature 2D o 3D.
  • Rilevamento di ostacoli, avviso di collisione ed evitamento: i LIDAR 2D sono ampiamente utilizzati per rilevare ostacoli. Questi dati possono essere ulteriormente impiegati per creare avvisi di collisione o per evitare gli ostacoli.

Guarda degli esempi su come utilizzare MATLAB per l’elaborazione di LIDAR terrestri:

  1. Allarme di collisione con LIDAR 2D
  2. Creazione di una mappa interna a partire da scansioni LIDAR con SLAM

Elaborazione LIDAR in MATLAB

MATLAB e Lidar Toolbox™ semplificano le attività di elaborazione LIDAR. Grazie a strumenti e funzioni dedicate, MATLAB consente di superare le sfide comuni nell’elaborazione dei dati LIDAR come i tipi di dati 3D, la sparsità dei dati, i punti non validi nei dati e i rumori elevati.

È possibile importare dati LIDAR in tempo reale e registrati in MATLAB, implementare workflow di elaborazione LIDAR e creare codice C/C++ e CUDA® da distribuire in produzione.

Alcune delle principali funzionalità che MATLAB fornisce per l’elaborazione di nuvole di punti LIDAR sono descritte nelle sezioni che seguono.

Streaming, lettura e scrittura di dati LIDAR

Il primo passo nell’elaborazione dei dati di qualsiasi sensore in MATLAB è l’inserimento dei dati nell’area di lavoro MATLAB. Sarà possibile:

  • Eseguire lo streaming dei dati in tempo reale da sensori Velodyne con il pacchetto di supporto hardware per LIDAR Velodyne e da sensori Ouster con il pacchetto di supporto hardware per LIDAR Ouster.
  • Leggere le nuvole di punti archiviate in diversi formati di file come PCD, PLY, PCAP (Velodyne, Ouster e Hesai Pandar), Ibeo data container, LAS e LAZ.
  • Scrivere nuvole di punti in diversi formati file come PCD, PLY, LAS e LAZ.
  • Simulare dati LIDAR, per poter testare i propri algoritmi e workflow prima della distribuzione su un sistema nel mondo reale. In MATLAB è possibile sintetizzare dati LIDAR 3D o 2D in ambienti di simulazione definendo i parametri dei sensori per testare gli algoritmi di elaborazione. Lidar Toolbox, UAV Toolbox e Automated Driving Toolbox forniscono modelli di sensori LIDAR per simulare nuvole di punti LIDAR.
Modello di sensore LIDAR.

Esecuzione dello streaming di dati LIDAR in tempo reale da sensori LIDAR Velodyne®.

Simulazione di dati LIDAR 3D.

Elaborazione dati LIDAR

È possibile pre-elaborare i dati LIDAR per migliorare la qualità dei dati ed estrarne informazioni di base. Lidar Toolbox™ fornisce funzionalità per il downsampling, il filtraggio mediano, l’allineamento, la trasformazione e l’estrazione delle feature da nuvole di punti.

Calibrazione fotocamera LIDAR

MATLAB consente la calibrazione di fotocamere LIDAR per stimare le trasformazioni fotocamere-LIDAR ed eseguire la fusione dei dati provenienti da fotocamere e LIDAR. È inoltre possibile eseguire la fusione delle informazioni di colore nelle nuvole di punti LIDAR e stimare i riquadri di delimitazione 3D nel LIDAR utilizzando riquadri di delimitazione 2D da una fotocamera che si trova nello stesso luogo.

Screenshot dell’app Lidar Camera Calibrator.

App Lidar Camera Calibrator.

Deep Learning per LIDAR

Con MATLAB è possibile applicare algoritmi di Deep Learning per il rilevamento di oggetti e la segmentazione semantica sui dati LIDAR.

  • Con poche righe di codice in MATLAB è possibile importare modelli di segmentazione semantica pre-addestrati, tra cui PointSeg e SqueezeSegV2, sui dati LIDAR. È inoltre possibile addestrare, valutare e distribuire i propri modelli di Deep Learning.
  • MATLAB consente di progettare, addestrare e valutare rilevatori robusti come le reti PointPillars e ComplexYolo-V4. È possibile rilevare ed eseguire il fitting di riquadri di delimitazione orientati attorno agli oggetti nelle nuvole di punti LIDAR.
  • La app Lidar Labeler in Lidar Toolbox semplifica le attività di etichettatura delle nuvole di punti. È possibile etichettare manualmente le nuvole di punti per il rilevamento oggetti e la segmentazione semantica, applicare algoritmi integrati o personalizzati per automatizzare l’etichettatura delle nuvole di punti LIDAR e valutare le prestazioni degli algoritmi autonomi.
Vista in prima persona di una nuvola di punti con un autocarro e un’automobile etichettati.

Segmentazione semantica di nuvole di punti.

Tracking di oggetti su nuvole di punti

MATLAB è in grado di unificare più domini in un workflow di tracking di oggetti end-to-end. Ciò consente di leggere e pre-elaborare i dati LIDAR, applicare il Deep Learning per rilevare e tracciare oggetti mediante un tracker predefinito e distribuire lo stesso su un hardware target.

Screenshot di veicoli sottoposti a tracking da dati sequenziali di nuvole di punti.

Rilevamento e tracking di oggetti.

Registrazione di nuvole di punti e SLAM

MATLAB offre funzioni per registrare nuvole di punti LIDAR e realizzare mappe 3D a partire da dati di LIDAR aerei e terrestri utilizzando algoritmi SLAM. Ciò include:

Creazione di una mappa a partire da dati sequenziali di nuvole di punti LIDAR.

Per ulteriori informazioni sull’elaborazione LIDAR, vedi Lidar Toolbox e Computer Vision Toolbox™.


Esempi e consigli pratici


Riferimenti software