Nelle applicazioni di guida autonoma, il tipo di LiDAR utilizzato è principalmente quello 3D. Tali sensori utilizzano più fasci laser rotanti che si propagano dal sensore con diversi angoli di inclinazione per fornire una rappresentazione 3D della nuvola di punti dell'ambiente circostante.
Filtraggio
Il filtraggio dei dati può essere effettuato con molti metodi diversi, a seconda degli effetti richiesti. Alcuni esempi sono il filtraggio diretto di un punto/piano/regione specifico nella nuvola di punti utilizzando le conoscenze pregresse con un filtro condizionale o, se la forma è nota a priori, un filtro modello parametrico. Rimozione dei dati rumorosi intorno agli oggetti utilizzando una rimozione statistica degli outlier, il down-sampling di una nuvola di punti LiDAR 3D ad alta densità in voxel utilizzando l'approccio Voxel Grid e la rimozione del piano di campagna utilizzando l'algoritmo RANSAC.
Segmentazione
L'occhio umano si è naturalmente evoluto per rilevare in modo efficiente oggetti e forme da sfondi rumorosi. È in grado di osservare un'immagine rumorosa a nuvola di punti e di individuare qualsiasi oggetto o forma. Tuttavia, questo processo non è banale da programmare per una macchina. Di seguito sono riportati alcuni esempi di algoritmi di segmentazione delle nuvole di punti.
Possiamo trovare un piano di superficie che si adatti alla nuvola di punti (ad esempio, il terreno rispetto alla facciata di un edificio vicino) utilizzando l'algoritmo RANSAC. Il processo di segmentazione può essere utilizzato anche in base alla conoscenza preliminare di una forma diversa (ad esempio, un cilindro).
L'algoritmo Region Growing unisce i punti sufficientemente vicini in termini di vincolo di levigatezza, creando così cluster che appartengono a una superficie dell'oggetto.
Per migliorare la velocità di elaborazione delle nuvole di punti con una strategia divide et impera, possiamo segmentare i punti nella nuvola di punti in base alla loro distanza da alcune posizioni centrali (clustering euclideo).
Utilizzo della voxelizzazione per identificare le caratteristiche degli oggetti
Proprio come la sfocatura migliora la capacità di un algoritmo di rilevare gli oggetti in un'immagine rumorosa, il nostro sistema può essere costruito per identificare le caratteristiche salienti nei dati delle nuvole di punti. Nell'analisi delle immagini 2D, la sovrasegmentazione di un'immagine e il raggruppamento di regioni con pixel simili (note come superpixel) riducono il numero di regioni che devono essere considerate successivamente da algoritmi più costosi dal punto di vista computazionale. Per i dati LiDAR 3D, i dati delle nuvole di punti 3D sovracampionati e rumorosi vengono raggruppati in supervoxel (l'analogo 3D dei superpixel).
Conclusione
L'elaborazione dei dati delle nuvole di punti è un aspetto cruciale di qualsiasi sistema di sensori LiDAR. Tuttavia, nella costruzione di un prodotto LiDAR per autoveicoli c'è molto di più, e L4B Software fornisce una gestione completa del ciclo di vita del prodotto per lo sviluppo e l'integrazione di sistemi per autoveicoli, tra cui telecamere, LiDAR e radar.
