Lidar является акронимом для обнаружения света и диапазона. Это активная система измерения, которая может использоваться для восприятия, навигации и отображения передовых систем помощи вождению (ADAS), роботов и беспилотных летательных транспортных средств (БПЛА).
Лидар является активной системой дистанционного зондирования. В активной системе датчик генерирует энергию сам по себе. Датчики Лидара излучают лазерные импульсы, которые отражаются от объектов, позволяя им воспринимать структуру их окружения. Датчики регистрируют отраженную световую энергию, чтобы определить расстояния до объектов. Расчет расстояния основан на принципе времени рейса (TOF). Датчики Лидара сопоставимы с радарными датчиками, которые излучают радиоволны.
Большинство современных автономных или полуавтономных транспортных средств оснащены сенсорными наборами, которые содержат несколько датчиков, таких как камера, БИНС и радар. Датчики Лидара могут устранить недостатки некоторых из этих других датчиков. Радарные датчики могут обеспечивать постоянные измерения расстояния и скорости, но результаты не имеют разрешения, и у них есть проблемы с отраженной энергией и точностью на больших областях значений. На датчики камеры могут существенно повлиять условия окружающей среды и освещения. Датчики Lidar решают эти проблемы, обеспечивая возможности восприятия глубины в больших областях значений, даже в сложных погодных условиях и условиях освещения.
В индустрии доступны самые разнообразные датчики лидара от таких компаний, как Velodyne, Ouster, Quanergy и Ibeo. Эти датчики генерируют данные лидара в различных форматах. В настоящее время Lidar Toolbox™ поддерживает чтение данных в форматах PLY, PCAP, PCD, LAS, LAZ и датчике Ibeo. Для получения дополнительной информации см. раздел ввода-вывода. Для получения дополнительной информации о потоковой передаче данных от Velodyne® датчики, см. Lidar Toolbox Поддерживаемых аппаратных средств.
А point cloud - представление выхода данных с датчика лидара, подобное тому, как изображение является представлением выхода данных с камеры. Это большой набор точек, которые описывают 3-D карту окружения вокруг датчика. Можно использовать pointCloud объект для хранения данных облака точек. Lidar Toolbox обеспечивает базовую обработку для облаков точек, таких как понижающая дискретизация, медианная фильтрация, выравнивание, преобразование и извлечение функций из облаков точек. Для получения дополнительной информации см. Раздел «Предварительная обработка».
Существует два типа облаков точек: organized и unorganized. Они описывают данные облака точек, сохраненные произвольно или структурированным образом. Организованное облако точек напоминает матрицу 2-D, где данные делятся на строки и столбцы. Данные разделяются согласно пространственному соотношению между точками. В результате размещение памяти организованного облака точек касается пространственного размещения, представленного xyz - координаты его точек. Напротив, неорганизованные облака точек хранятся как один поток 3-D координат, каждый из которых представляет одну точку. Можно преобразовать неорганизованные облака точек в организованные облака точек с помощью рабочего процесса «Неорганизованное в организованное преобразование облаков точек» с помощью сферической проекции.
Можно также дифференцировать эти облака точек на основе формы их данных. Организованные облака точек заданы как M массивов -by- N -by-3. Три канала представляют x, y и z координаты точек. Неорганизованные облака точек заданы как матрицы M -by-3, где M - общее число точек в облаке точек.
Это некоторые из основных приложений обработки лидара:
Маркировка данных облака точек - Маркировка объектов в облаках точек помогает в организации и анализе данных. Маркированные облака точек могут использоваться для обучения моделей сегментации и обнаружения объектов. Дополнительные сведения о маркировке см. в разделе Запуске с Lidar Labeler.
Семантическая сегментация - Семантическая сегментация - процесс маркировки определенных областей облака точек как принадлежащий объекту. Цель процесса состоит в том, чтобы связать каждую точку в облаке точек с соответствующим классом или меткой, таким как автомобиль, грузовик или растительность в сценарии вождения. Он не различает несколько образцы объектов из одного и того же класса. Семантические модели сегментации могут использоваться в автономных ведущих приложениях для анализа окружения транспортного средства. Чтобы узнать больше о рабочем процессе семантической сегментации, смотрите Lidar Point Cloud Semantic Segmentation Using SqueezeSegV2 Deep Learning Network.
Обнаружение и отслеживание объектов - Обнаружение объектов и отслеживание обычно следуют сегментации облака точек. Объекты в облаке точек могут быть обнаружены и представлены с помощью кубоидных ограничивающих рамок. Отслеживание - это процесс идентификации обнаруженных объектов в одной системе координат последовательности облаков точек на протяжении всей последовательности облаков точек. Для получения подробной информации о полном рабочем процессе сегментации, обнаружения и отслеживания, смотрите Обнаружение, Классификация и Отслеживать Транспортные средства Используя Lidar.
Калибровка камеры Лидара - из-за позиционных различий датчиков в наборе датчиков, записанные данные с каждого датчика находятся в другой системе координат. Вращательные и поступательные преобразования требуются для калибровки и сплавления данных от этих датчиков друг к другу. Для получения дополнительной информации смотрите Что такое калибровка камеры Лидара?.
