Dans les applications de conduite autonome, le type de LiDAR utilisé est principalement un LiDAR 3D. Ces capteurs utilisent plusieurs faisceaux laser rotatifs se propageant à partir du capteur avec différents angles d'inclinaison afin de fournir une représentation en nuage de points 3D de l'environnement.
Filtrage
Le filtrage des données peut être effectué à l'aide de nombreuses méthodes différentes, en fonction des effets recherchés. Voici quelques exemples : filtrage dirigé d'un point, d'un plan ou d'une région spécifique du nuage de points en utilisant des connaissances préalables à l'aide d'un filtre conditionnel ou, si une forme est connue a priori, d'un filtre paramétrique modélisé. Suppression des données bruyantes autour des objets à l'aide d'une suppression statistique des valeurs aberrantes, réduction de l'échantillonnage d'un nuage de points LiDAR 3D à haute densité en voxels à l'aide de l'approche Voxel Grid, et suppression du plan du sol à l'aide de l'algorithme RANSAC.
Segmentation
L'œil humain a naturellement évolué pour détecter efficacement des objets et des formes sur des arrière-plans bruyants. Il peut regarder une image bruyante de nuages de points et y repérer des objets ou des formes. Toutefois, il n'est pas facile de programmer une machine pour qu'elle réalise ce processus. Voici quelques exemples d'algorithmes de segmentation de nuages de points.
Nous pouvons trouver un plan de surface qui correspond au nuage de points (par exemple, le sol par rapport à la face d'un bâtiment voisin) à l'aide de l'algorithme RANSAC. Le processus de segmentation peut également être utilisé à partir d'une connaissance préalable d'une forme différente (par exemple, un cylindre).
L'algorithme de croissance des régions fusionne les points suffisamment proches en termes de contrainte de lissage, créant ainsi des groupes qui appartiennent à la surface d'un objet.
Pour améliorer la vitesse de traitement des nuages de points par une stratégie de division et de conquête, nous pouvons segmenter les points du nuage de points en fonction de leur distance par rapport à certains emplacements centraux (regroupement euclidien).
Utilisation de la voxelisation pour identifier les caractéristiques d'un objet
De la même manière que le flou améliore la capacité d'un algorithme à détecter des objets dans une image bruyante, notre système peut être construit pour identifier les caractéristiques saillantes dans les données des nuages de points. Dans l'analyse d'images 2D, la sur-segmentation d'une image et le regroupement de régions ayant des pixels similaires (appelés superpixels) réduisent le nombre de régions qui doivent être prises en compte ultérieurement par des algorithmes plus coûteux en termes de calcul. Pour les données LiDAR 3D, les données de nuages de points 3D suréchantillonnées et bruitées sont regroupées en supervoxels (l'analogue 3D des superpixels).
Conclusion
Le traitement des données des nuages de points est un aspect crucial de tout système de capteur LiDAR. L4B Software propose une gestion complète du cycle de vie des produits pour le développement et l'intégration de systèmes automobiles, y compris des caméras, des capteurs LiDAR et des radars.
