Introducción a LiDAR
3 cosas que debe saber
Los sensores LiDAR (detección y medición de distancias por luz) son sensores de medición de distancia, como el radar y el sonar. Estos sensores emiten pulsos de láser que se reflejan en los objetos y, de este modo, pueden percibir la estructura del entorno. Además, registran la energía de la luz reflejada para determinar la distancia hasta objetos y crear una representación en 2D o 3D del entorno. Los sensores LiDAR se utilizan principalmente para desarrollar sistemas de percepción en múltiples sectores. Permiten flujos de trabajo de percepción en 3D, como detección de objetos y segmentación semántica, y flujos de trabajo de navegación, como mapeo, localización y mapeo simultáneos (SLAM) y planificación de rutas.
Relevancia de LiDAR
Los sistemas autónomos incluyen diversos sensores, como cámaras, IMU y radares, dentro de su conjunto de sensores para la percepción del entorno. LiDAR puede superar algunos de los inconvenientes de otros sensores, ya que proporciona información sumamente precisa, estructural y en 3D del entorno. Esta ventaja ha contribuido a la incorporación de sensores LiDAR en el mercado general de la percepción.
Nube de puntos de LiDAR de una escena vial.
La adopción de LiDAR en el mercado se debe a tres motivos principales:
- LiDAR de bajo coste. La introducción de LiDAR de bajo coste, con mejoras en características como alcance, tamaño y solidez, ha aumentado la disponibilidad de la tecnología para aplicaciones industriales de ingresos comparativamente bajos.
- Datos en 3D precisos. Los LiDAR pueden recopilar información en 3D de alta densidad del entorno en forma de nubes de puntos con una mayor precisión que otros sensores de distancia, como el radar y el sonar. Esto, a su vez, mejora la precisión de la reconstrucción en 3D.
- Algoritmos de procesamiento de datos de LiDAR. Los recientes avances en flujos de trabajo de procesamiento de datos de LiDAR como segmentación semántica, detección y seguimiento de objetos, fusión de datos de LiDAR y cámaras, y SLAM de LiDAR han facilitado la incorporación de LiDAR en flujos de trabajo de desarrollo típicos de la industria. Puede utilizar herramientas como MATLAB para desarrollar y aplicar algoritmos de procesamiento de datos de LiDAR.
Aplicaciones de LiDAR
Los LiDAR se utilizan en una amplia variedad de sectores, desde la conducción autónoma hasta las geociencias. En términos generales, podemos clasificar estas aplicaciones en tres grupos, en base a la plataforma en la que se montan los LiDAR:
- LiDAR aéreos
- LiDAR terrestres
- LiDAR de interiores
LiDAR aéreos
Los sensores LiDAR aéreos están montados en aeronaves o vehículos aéreos no tripulados (UAV). Capturan datos de nubes de puntos 3D de un espacio extenso que se pueden utilizar para mapeo con LiDAR, extracción de características, clasificación de terreno y otros casos prácticos.
Sensor LiDAR aéreo.
Datos de LiDAR aéreos.
Algunos ejemplos de aplicación de LiDAR aéreo son:
- Agricultura: La tecnología de LiDAR se utiliza ampliamente en agricultura para mapear el área de vegetación e identificar el terreno exacto de una granja y la zona de captación de agua.
- Planificación urbana: Los LiDAR permiten crear modelos digitales de superficie (DSM) o incluso modelos digitales urbanos (DCM) de un área, que pueden ayudar a diseñar una ciudad o construir nuevas infraestructuras en una ciudad existente.
- Cartografía geológica: Los LiDAR permiten crear mapas en 3D de la superficie terrestre, que se pueden utilizar en aplicaciones como minería, silvicultura de precisión, y prospección de petróleo y gas.
- Navegación aérea y planificación de rutas: En la actualidad, los LiDAR se utilizan en UAV para recopilar datos 3D en tiempo real a fin de navegar de forma autónoma a través del entorno.
Vea ejemplos del uso de MATLAB® para procesamiento de datos de LiDAR aéreo:
LiDAR terrestres
Los LiDAR terrestres pueden ser estacionarios o móviles:
- Los LiDAR estacionarios están montados sobre una plataforma estacionaria. Se suelen utilizar para levantamiento topográfico, levantamiento vial, cartografía topográfica, creación de modelos digitales de elevación (DEM), agricultura y otras aplicaciones. Son más adecuados para aplicaciones en las que se necesita capturar datos detallados y más próximos.
- Los LiDAR móviles son lidars terrestres instalados en una plataforma móvil, como un automóvil o un camión. La aplicación más importante del LiDAR móvil es la conducción autónoma. Los LiDAR montados en vehículos capturan datos de nubes de puntos en 3D del entorno, y se utilizan en flujos de trabajo de percepción y navegación. Estos flujos de trabajo se describen en detalle en la siguiente sección.
Sensor LiDAR móvil.
Datos de LiDAR móvil.
Ejemplos del uso de MATLAB para procesamiento de datos de LiDAR terrestre:
- Seguimiento de vehículos con LiDAR: De la nube de puntos a la lista de seguimiento
- Creación de un mapa con odometría y mapeo de LiDAR (LOAM) utilizando simulación de Unreal Engine
LiDAR de interiores
Los LiDAR se utilizan ampliamente en aplicaciones de robótica de interiores, montados en robots móviles. Aparte de los LiDAR en 3D, también se utilizan LiDAR en 2D o escáneres láser en aplicaciones de robótica de interiores, como barrido y mapeo con LiDAR. Capturan información de profundidad del entorno que luego se procesa en base a los casos prácticos.
Sensor LiDAR de interiores.
Datos de LiDAR de interiores.
Algunos usos frecuentes del LiDAR de interiores son:
- Mapeo con LiDAR y SLAM: Puede utilizar LiDAR en 2D o 3D para crear SLAM y mapeo en 2D o 3D, respectivamente.
- Detección de obstáculos, advertencia de colisión y evitación de colisiones: Los LiDAR en 2D se utilizan ampliamente para detectar obstáculos. Estos datos se pueden utilizar posteriormente para crear advertencias de colisión o evadir obstáculos.
Ejemplos del uso de MATLAB para procesamiento de datos de LiDAR terrestre:
Procesamiento de nubes de puntos de LiDAR en MATLAB
MATLAB y Point Cloud Toolbox™ simplifican las tareas de procesamiento de nubes de puntos de LiDAR. Con herramientas y funciones específicas, MATLAB ayuda a superar los desafíos frecuentes del procesamiento de datos de LiDAR, como los tipos de datos 3D, la dispersión de los datos, los puntos no válidos en los datos y el alto nivel de ruido.
Puede importar datos registrados de LiDAR en tiempo real a MATLAB, implementar flujos de trabajo de procesamiento de nubes de puntos de LiDAR, y crear código C/C++ y CUDA® para desplegarlo en producción.
En las siguientes secciones se describen algunas de las principales prestaciones de MATLAB para el procesamiento de nubes de puntos de LiDAR.
Streaming, lectura y escritura de datos de LiDAR
El primer paso para procesar datos de sensores en MATLAB consiste en introducir los datos en el área de trabajo de MATLAB. Puede hacer lo siguiente:
- Transmitir datos en tiempo real desde sensores de Velodyne con Velodyne Lidar Hardware Support Package y desde sensores de Ouster con Ouster Lidar Hardware Support Package.
- Leer nubes de puntos almacenadas en diferentes formatos de archivo, como PCD, PLY, PCAP (Velodyne, Ouster y Hesai Pandar), Ibeo Data Container, LAS y LAZ.
- Escribir nubes de puntos en diferentes formatos de archivo, como PCD, PLY, LAS y LAZ.
- Simular datos de nubes de puntos de LiDAR para probar algoritmos y flujos de trabajo antes de desplegarlos en un sistema del mundo real. En MATLAB, puede sintetizar datos de LiDAR en 3D o 2D en entornos de simulación definiendo parámetros de sensores para probar algoritmos de procesamiento. Point Cloud Toolbox, UAV Toolbox y Automated Driving Toolbox proporcionan modelos de sensores LiDAR para simular nubes de puntos de LiDAR.
Transmita datos de LiDAR en tiempo real a partir de sensores LiDAR Velodyne®.
Simulación de datos de LiDAR en 3D.
Preprocesamiento de nube de puntos de LiDAR
Puede preprocesar datos de LiDAR para mejorar la calidad de los datos y extraer información básica de ellos. Point Cloud Toolbox ofrece funcionalidades de submuestreo, filtrado de mediana, alineación, transformación y extracción de características de nubes de puntos.
Calibración entre LiDAR y cámaras
MATLAB permite la calibración entre LiDAR y cámara para estimar las transformaciones de LiDAR a cámaras, y fusionar los datos de ambos. También puede fusionar información de color en nubes de puntos de LiDAR y estimar cuadros delimitadores en 3D en LiDAR utilizando cuadros delimitadores en 2D de una cámara ubicada en el mismo lugar.
App Lidar Camera Calibrator.
Deep Learning para LiDAR
Con MATLAB, puede aplicar algoritmos de Deep Learning para detección de objetos y segmentación semántica en datos de LiDAR.
- Con unas pocas líneas de código de MATLAB, puede importar modelos de segmentación semántica previamente entrenados, como PointSeg y SqueezeSegV2, con datos de LiDAR. También puede entrenar, evaluar y desplegar sus propios modelos de Deep Learning.
- MATLAB permite diseñar, entrenar y evaluar detectores robustos, como redes PointPillars y ComplexYolo-V4. Puede detectar y ajustar cuadros delimitadores orientados alrededor de objetos en nubes de puntos de LiDAR.
- La app Multi-Sensor Labeler de Point Cloud Toolbox simplifica las tareas de etiquetado de nubes de puntos. Puede etiquetar datos de ground-truth en vídeos, secuencias de imágenes y nubes de puntos de LiDAR de múltiples sensores que capturan la misma escena para detectar objetos y realizar segmentación semántica, aplicar algoritmos integrados o personalizados para automatizar el etiquetado, y evaluar el rendimiento de algoritmos de automatización.
Segmentación semántica de nubes de puntos.
Seguimiento de objetos en nubes de puntos
MATLAB puede unificar múltiples dominios que alimentan un flujo de trabajo de seguimiento de objetos de extremo a extremo. Esto permite leer datos de nubes de puntos de LiDAR, preprocesarlos, aplicar Deep Learning para detectar objetos, realizar un seguimiento de estos objetos con un seguidor predefinido, y desplegar en hardware objetivo.
Detección y seguimiento de objetos.
Registro de nubes de puntos y SLAM
El registro de nubes de puntos es el proceso de alinear dos nubes de puntos en 3D de la misma escena en un sistema de coordenadas común. Las funciones de Point Cloud Toolbox permiten registrar nubes de puntos entre sí con métodos locales y globales, como punto más cercano iterativo (ICP), odometría y mapeo de LiDAR (LOAM), transformada de distribuciones normales (NDT), registro global rápido (FGR) y deriva coherente de puntos (CPD). La app Point Cloud Registration Analyzer permite registrar nubes de puntos de manera interactiva y comparar los resultados obtenidos con diferentes técnicas de registro.
Localización y mapeo simultáneos (SLAM) es el proceso de calcular la posición y orientación de un vehículo o robot con respecto a su entorno, al tiempo que se construye un mapa de dicho entorno. La toolbox admite SLAM 3D basado en grafos utilizando datos de nube de puntos
App Point Cloud Registration Analyzer
Para obtener más información sobre el procesamiento de nubes de puntos de LiDAR, consulte Point Cloud Toolbox y Computer Vision Toolbox™.
LiDAR (detección y medición de distancias por luz) es un sensor de medición de distancia que emite pulsos de láser que se reflejan en los objetos, lo que permite percibir la estructura del entorno y crear representaciones en 2D o 3D a partir de la energía de la luz reflejada que registra.
Aunque el radar y el sonar también son sensores de medición de distancia, LiDAR utiliza pulsos de láser y la energía de la luz reflejada para determinar distancias, y proporciona información estructural y en 3D sumamente precisa, con mayor precisión que otros sensores de distancia.
Una nube de puntos es un conjunto de puntos de datos capturados por sensores LiDAR que representa la estructura en 3D del entorno y que se puede procesar para aplicaciones como detección de objetos, segmentación semántica y mapeo.
Los sistemas LiDAR se clasifican en tres grupos según la plataforma: LiDAR aéreos (montados en UAV o aeronaves), LiDAR terrestres (estacionarios o móviles) y LiDAR de interiores (utilizados en aplicaciones de robótica).
LiDAR se utiliza en conducción autónoma, mapeo agrícola, planificación urbana, cartografía geológica, navegación de UAV, levantamiento topográfico, cartografía topográfica y robótica de interiores para SLAM, detección de obstáculos y evitación de colisiones.
La adopción de LiDAR en el mercado se debe a la aparición de sensores de bajo coste con características mejoradas y a su capacidad para recopilar datos en 3D precisos y de alta densidad en forma de nubes de puntos, lo que permite aplicar algoritmos complejos como segmentación semántica y SLAM.
La calibración entre LiDAR y cámara es el proceso de determinar la transformación entre las imágenes capturadas por una cámara y la nube de puntos capturada por sensores de LiDAR. Esto permite fusionar información de color en nubes de puntos de LiDAR y estimar cuadros delimitadores en 3D utilizando cuadros delimitadores en 2D de cámaras ubicadas en el mismo lugar.
MATLAB permite transmisión y lectura de datos de LiDAR, preprocesamiento y filtrado, calibración entre LiDAR y cámara, uso de Deep Learning para detección de objetos y segmentación semántica, seguimiento de objetos, y registro de nubes de puntos y SLAM.
Recursos
Amplíe sus conocimientos con documentación, ejemplos, vídeos y mucho más.
Documentación
- Point Cloud Toolbox - Documentación SLAM de LiDAR aéreo con descriptores FPFH
Temas relacionados
Explore áreas temáticas similares comúnmente asociadas con productos de MATLAB y Simulink.
