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.

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.

2. 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.

3. 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.

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.

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:

• SLAM di LIDAR aerei
• Classificazione dei terreni
• Navigazione aerea e pianificazione del percorso:

LIDAR terrestri

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

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..

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

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.

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.

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.

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.

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:

• Realizzazione di mappe in base alle feature
• Realizzazione di mappe con il nuovo metodo di odometria e mappatura LIDAR (LOAM)
• Corrispondenza dei segmenti

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

Esempi e consigli pratici

Riferimenti software

Vedi anche: Automated Driving Toolbox™, Navigation Toolbox™, Robotics System Toolbox™, MATLAB e Simulink per sistemi di guida autonoma, MATLAB e Simulink per robotica e sistemi autonomi, Computer Vision, mappatura con drone