Lidar является акронимом для светового обнаружения и определения дальности. Это - активная система обнаружения, которая может использоваться для восприятия, навигации и отображения усовершенствованных ведущих систем помощи (ADAS), роботов и беспилотных воздушных транспортных средств (БПЛА).
Лидар является активной системой дистанционного зондирования. В активной системе датчик генерирует энергию отдельно. Датчики лидара испускают лазерные импульсы, которые отражаются прочь объектов, позволяя им чувствовать структуру их среды. Датчики записывают отраженную энергию света, чтобы определить расстояния до объектов. Расчет расстояния основан на принципе времени рейса (TOF). Датчики лидара сопоставимы с радарными датчиками, которые испускают радиоволны.
Большинство современных автономных или полуавтономных транспортных средств оборудовано наборами датчика, которые содержат несколько датчиков как камера, IMU и радар. Датчики лидара могут разрешить недостатки некоторых из этих других датчиков. Радарные датчики могут обеспечить постоянные измерения расстояния и скорости, но результаты испытывают недостаток в разрешении, и они испытывают затруднения из-за отраженной энергии и точности в более длинных областях значений. Датчики камеры могут быть значительно затронуты экологическим и условиями освещения. Датчики лидара решают эти проблемы путем предусматривания возможностей восприятия глубины по большим расстояниям, даже в сложную погоду и условия освещения.
Существует большое разнообразие датчиков лидара, доступных в промышленности, от компаний, таких как Velodyne, Изгнание, Quanergy и Ibeo. Эти датчики генерируют данные о лидаре в различных форматах. Lidar Toolbox™ в настоящее время поддерживает данные о чтении в PLY, PCAP, PCD, LAS, LAZ и форматах датчика Ibeo. Для получения дополнительной информации смотрите ввод-вывод Лидара и Облака точек. Для получения дополнительной информации о потоковой передаче данных из датчиков Velodyne LiDAR, смотрите Lidar Toolbox Поддерживаемые аппаратные средства.
point cloud является представлением выходных данных от датчика лидара, похожего на то, как изображение является представлением выходных данных от камеры. Это - большое количество точек, которые описывают 3-D карту среды вокруг датчика. Можно использовать pointCloud объект хранить данные об облаке точек. Lidar Toolbox обеспечивает основную обработку для облаков точек, таких как субдискретизация, медианная фильтрация, выравнивание, преобразование и извлечение функций от облаков точек. Для получения дополнительной информации смотрите, что Облако точек Лидара Обрабатывает.
Существует два типа облаков точек: organized и unorganized. Они описывают данные об облаке точек, хранимые произвольным способом или структурированным способом. Организованное облако точек напоминает 2D матрицу, где данные разделены на строки и столбцы. Данные разделены согласно пространственным отношениям между точками. В результате размещение памяти организованного облака точек относится к пространственному размещению, представленному xyz - координаты его точек. В отличие от этого неорганизованные облака точек хранятся как единый поток 3-D координат, каждый представляющий одну точку.
Можно также дифференцировать эти облака точек на основе формы их данных. Организованные облака точек заданы как M-by-N-by-3 массивы. Три канала представляют x, y и координаты z точек. Неорганизованные облака точек заданы как M-by-3 матрицы, где M является общим количеством точек в облаке точек.
Это некоторые главные приложения обработки лидара:
Маркировка данных об облаке точек — Помечающие объекты в облаках точек помогает с организацией и анализом данных. Помеченные облака точек могут использоваться, чтобы обучить объектные модели сегментации и обнаружения. Чтобы узнать больше о маркировке, смотрите Начало работы с Lidar Labeler.
Семантическая сегментация — Семантическая сегментация является процессом маркировки определенных областей облака точек как принадлежащий объекту. Цель процесса состоит в том, чтобы сопоставить каждую точку в облаке точек с его соответствующим классом или меткой, такой как автомобиль, грузовик или растительность в ведущем сценарии. Это не дифференцируется между несколькими экземплярами объектов от того же класса. Модели семантической сегментации могут использоваться в приложениях автономного управления автомобилем, чтобы проанализировать среду транспортного средства. Чтобы узнать больше о рабочем процессе семантической сегментации, смотрите, что Семантическая Сегментация Облака точек Лидара Использует Нейронную сеть для глубокого обучения SqueezeSegV2.
Обнаружение объектов и отслеживающий — Обнаружение объектов и отслеживающий обычно следует за сегментацией облака точек. Объекты в облаке точек могут быть обнаружены и представляли ограничительные рамки кубоида использования. Отслеживание является процессом идентификации обнаруженных объектов в одной системе координат последовательности облака точек в последовательности облаков точек. Для получения дальнейшей информации на полном рабочем процессе сегментации, обнаружение и отслеживание, видят, Обнаруживают, Классифицируют, и Транспортные средства Дорожки Используя Лидар.
Лоцируйте калибровку фотоаппарата — из-за позиционных различий датчиков в наборе датчика, записанные данные из каждого датчика находятся в различной системе координат. Вращательные и поступательные преобразования требуются, чтобы калибровать и объединять данные от этих датчиков друг до друга. Для получения дополнительной информации смотрите то, Что Калибровка фотоаппарата Лидара?.