Bei autonomen Fahranwendungen werden meist 3D-LiDARs eingesetzt. Solche Sensoren verwenden mehrere rotierende Laserstrahlen, die mit unterschiedlichen Neigungswinkeln vom Sensor ausgehen, um eine 3D-Punktwolke der Umgebung zu erstellen.
Filtern
Die Filterung von Daten kann je nach den gewünschten Effekten mit vielen verschiedenen Methoden durchgeführt werden. Einige Beispiele sind die gezielte Filterung eines bestimmten Punktes/einer bestimmten Ebene/Region in der Punktwolke unter Verwendung von Vorwissen mit einem bedingten Filter oder, wenn eine Form a priori bekannt ist, ein parametrischer Modellfilter. Entfernung verrauschter Daten um Objekte mit Hilfe einer statistischen Ausreißerentfernung, Unterteilung einer hochdichten 3D-LiDAR-Punktwolke in Voxel mit Hilfe des Voxel-Grid-Ansatzes und Entfernung der Bodenebene mit Hilfe des RANSAC-Algorithmus.
Segmentierung
Das menschliche Auge hat sich von Natur aus so entwickelt, dass es Objekte und Formen vor einem verrauschten Hintergrund effizient erkennen kann. Es kann ein verrauschtes Punktwolkenbild betrachten und alle Objekte oder Formen erkennen. Es ist jedoch nicht trivial, eine Maschine für diesen Vorgang zu programmieren. Im Folgenden finden Sie einige Beispiele für Algorithmen zur Segmentierung von Punktwolken.
Mit Hilfe des RANSAC-Algorithmus können wir eine Oberflächenebene finden, die zur Punktwolke passt (z. B. der Boden im Vergleich zur Fassade eines nahe gelegenen Gebäudes). Der Segmentierungsprozess kann auch bei Vorwissen über eine andere Form (z. B. einen Zylinder) verwendet werden.
Der Region Growing-Algorithmus fasst Punkte zusammen, die in Bezug auf eine Glättungsbedingung nahe genug beieinander liegen, wodurch Cluster entstehen, die zu einer Objektoberfläche gehören.
Um die Verarbeitungsgeschwindigkeit der Punktwolke durch eine "Teile-und-herrsche"-Strategie zu verbessern, können wir Punkte in der Punktwolke auf der Grundlage ihres Abstands zu einigen zentralen Orten segmentieren (euklidisches Clustering).
Verwendung der Voxelisierung zur Identifizierung von Objektmerkmalen
Ähnlich wie die Unschärfe die Fähigkeit eines Algorithmus verbessert, Objekte in einem verrauschten Bild zu erkennen, kann unser System so aufgebaut werden, dass es die hervorstechenden Merkmale in Punktwolkendaten erkennt. Bei der 2D-Bildanalyse reduziert die Übersegmentierung eines Bildes und die Gruppierung von Regionen mit ähnlichen Pixeln (sogenannte Superpixel) die Anzahl der Regionen, die später von rechenintensiveren Algorithmen berücksichtigt werden müssen. Bei 3D-LiDAR-Daten werden überabgetastete und verrauschte 3D-Punktwolkendaten in Supervoxel (das 3D-Analogon zu Superpixeln) geclustert.
Schlussfolgerung
Die Verarbeitung von Punktwolkendaten ist ein entscheidender Aspekt eines jeden LiDAR-Sensorsystems. Die Entwicklung eines LiDAR-Produkts für die Automobilindustrie umfasst jedoch noch viel mehr. L4B Software bietet ein umfassendes Produktlebenszyklus-Management für die Entwicklung und Integration von Automobilsystemen, einschließlich Kameras, LiDAR und Radar.
