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.
Nuvola di punti LiDAR di una scena stradale.
L’adozione dei LiDAR da parte del mercato è determinata da tre fattori chiave:
- 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.
- 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.
- 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 fotocamere LiDAR e lo 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 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:
- LiDAR aerei
- LiDAR terrestri
- 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.
Sensore LiDAR aereo.
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: terrestri stazionari e mobili.
- 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.
Sensore LiDAR mobile.
Dati di un LiDAR mobile.
Guarda degli esempi su come utilizzare MATLAB per l’elaborazione di LiDAR terrestri:
- Tracking dei veicoli con LiDAR: dalla nuvola di punti alla tracklist
- Costruzione di una mappa con odometria e mappatura LiDAR (LOAM) usando la simulazione Unreal Engine
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.
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:
Elaborazione di nuvole di punti LiDAR in MATLAB
MATLAB e Point Cloud Toolbox™ semplificano le attività di elaborazione delle nuvole di punti 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 di nuvole di punti 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. È possibile:
- Eseguire lo streaming dei dati in tempo reale da sensori Velodyne con il Velodyne Lidar Hardware Support Package e da sensori Ouster con l’ Ouster Lidar Hardware Support Package.
- 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 di nuvole di punti 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. Point Cloud Toolbox, UAV Toolbox e Automated Driving Toolbox forniscono modelli di sensori LiDAR per simulare nuvole di punti LiDAR.
Esecuzione dello streaming di dati LiDAR in tempo reale da sensori LiDAR Velodyne®.
Simulazione di dati LiDAR 3D.
Pre-elaborazione di nuvole di punti LiDAR
È possibile pre-elaborare i dati LiDAR per migliorare la qualità dei dati ed estrarne informazioni di base. Point Cloud 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.
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.
- L’app Multi-Sensor Labeler di Point Cloud Toolbox semplifica le attività di etichettatura delle nuvole di punti. È possibile etichettare i dati di verità di base (ground truth) in video, sequenze di immagini e nuvole di punti LiDAR acquisiti da più sensori che riprendono la stessa scena per il rilevamento di oggetti e la segmentazione semantica, applicare algoritmi integrati o personalizzati per automatizzare l’etichettatura e valutare le prestazioni degli algoritmi di automazione.
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 delle nuvole di punti LiDAR, applicare il Deep Learning per rilevare e tracciare oggetti mediante un tracker predefinito e distribuire lo stesso su un hardware target.
Rilevamento e tracking di oggetti.
Registrazione di nuvole di punti e SLAM
La registrazione di nuvole di punti è il processo di allineamento di due nuvole di punti 3D della stessa scena in un sistema di coordinate comune. Le funzioni di Point Cloud Toolbox consentono di registrare le nuvole di punti tra loro utilizzando metodi locali e globali, tra cui Iterative Closest Point (ICP), odometria e mappatura LiDAR (LOAM), Normal-Distributions Transform (NDT), Fast Global Registration (FGR) e Coherent Point Drift (CPD). L’app Point Cloud Registration Analyzer consente di registrare interattivamente le nuvole di punti e confrontare i risultati ottenuti utilizzando diverse tecniche di registrazione.
La localizzazione e mappatura simultanee (SLAM, Simultaneous Localization and Mapping) è il processo mediante il quale si calcolano la posizione e l’orientamento di un veicolo o di un robot rispetto all’ambiente circostante, costruendo contemporaneamente una mappa di tale ambiente. Il toolbox supporta SLAM 3D basato su grafi utilizzando dati di nuvole di punti
Applicazione Point Cloud Registration Analyzer
Per ulteriori informazioni sull’elaborazione di nuvole di punti LiDAR, vedi Point Cloud Toolbox e Computer Vision Toolbox™.
Il LiDAR (Light Detection and Ranging) è un sensore di misurazione della distanza che emette impulsi laser che si riflettono sugli oggetti, consentendo di rilevare la struttura dell’ambiente circostante e creare rappresentazioni 2D o 3D registrando l’energia luminosa riflessa.
Sebbene anche il radar e il sonar siano sensori di misurazione della distanza, il LiDAR utilizza impulsi laser e l’energia luminosa riflessa per determinare le distanze, fornendo informazioni strutturali e 3D altamente accurate, con una precisione superiore a quella degli altri sensori di distanza.
Una nuvola di punti è un insieme di punti dati acquisiti dai sensori LiDAR che rappresenta la struttura 3D dell’ambiente circostante; tali dati possono essere elaborati per applicazioni quali il rilevamento di oggetti, la segmentazione semantica e la mappatura.
I sistemi LiDAR sono classificati in tre gruppi in base alla piattaforma: LiDAR aerei (montati su APR o aeromobili), LiDAR terrestri (terrestri stazionari o mobili) e LiDAR interni (utilizzati nelle applicazioni robotiche).
Il LiDAR viene utilizzato nella guida autonoma, nella mappatura agricola, nella pianificazione urbana, nella mappatura geologica, nella navigazione degli APR, nei rilievi del territorio, nella mappatura topologica e nella robotica indoor per SLAM, nel rilevamento di ostacoli ed nell’evitamento delle collisioni.
L'adozione da parte del mercato è trainata dall’introduzione di LiDAR a basso costo con caratteristiche migliorate e dalla loro capacità di acquisire dati 3D accurati e ad alta densità sotto forma di nuvole di punti, il che consente l’applicazione di algoritmi complessi come la segmentazione semantica e lo SLAM.
La calibrazione fotocamera-LiDAR è il processo che consente di determinare la trasformazione tra le immagini acquisite dalla fotocamera e la nuvola di punti acquisita dai LiDAR. Ciò consente di eseguire la fusione delle informazioni di colore in nuvole di punti LiDAR e stimare i riquadri di delimitazione 3D utilizzando riquadri di delimitazione 2D da fotocamere che si trovano nello stesso luogo.
MATLAB consente di acquisire in streaming e leggere dati LiDAR, eseguire la pre-elaborazione e il filtraggio, eseguire la calibrazione fotocamera-LiDAR, applicare il Deep Learning per il rilevamento di oggetti e la segmentazione semantica ed eseguire il tracking di oggetti, la registrazione delle nuvole di punti e lo SLAM.
Risorse
Amplia le tue conoscenze consultando la documentazione, gli esempi, guardando video e molto altro ancora.
Documentazione
- Point Cloud Toolbox – Documentazione SLAM con LiDAR aereo utilizzando descrittori FPFH
Argomenti correlati
Scopri argomenti simili comunemente utilizzati con i prodotti MATLAB e Simulink.
