Was ist LiDAR?

 

Was ist LiDAR?

3 Dinge, die Sie wissen sollten

LiDAR (ein Akronym für „Light Detection and Ranging“) ist eine Fernerkundungstechnologie, die mithilfe von gepulstem Licht Entfernungsmessungen zu den Objekten in der Umgebung erfasst. LiDAR-Sensoren senden Laserimpulse aus, die von Objekten reflektiert werden, und können so die Struktur ihrer Umgebung wahrnehmen. Die Sensoren erfassen die reflektierte Lichtenergie, um die Abstände zu einem Objekt zu bestimmen und so eine 2D- oder 3D-Darstellung der Umgebung zu erzeugen.

LiDAR-Sensoren gehören zu den wichtigsten Sensoren für autonomes Fahren und Robotikanwendungen. Sie ermöglichen Workflows für die 3D-Wahrnehmung wie beispielsweise die Objekterkennung und Semantische Segmentierung, aber auch Navigations-Workflows wie die Kartenerzeugung, die Simultane Positionsbestimmung und Kartierung (Simultaneous Localization and Mapping, SLAM) oder die Bahnplanung.

Warum LiDAR wichtig ist

Autonome Systeme nutzen eine Vielzahl von Sensoren wie Kamera, IMU und Radar zur Wahrnehmung ihrer Umgebung. LiDARs können einige der Nachteile anderer Sensoren überwinden, indem sie hochgenaue, strukturelle und dreidimensionale Informationen über ihre Umgebung liefern. Dieser Vorteil hat dazu beigetragen, dass LiDAR-Sensoren Einzug in den breiten Markt für Wahrnehmungstechnologien gehalten haben.

LiDAR-Daten von einem LiDAR-Sensor an einem Bodenfahrzeug.

Drei wichtige Faktoren leisten einen Beitrag zur Akzeptanz von LiDARs auf dem Markt:

  1. Kostengünstige LiDARs

Durch die Einführung kostengünstiger LiDARs mit verbesserten Eigenschaften im Hinblick auf ihre Reichweite, Größe und Fehlerresistenz hat die Verfügbarkeit der Technologie für vergleichsweise umsatzschwache industrielle Anwendungen zugenommen.

  1. Genaue 3D-Daten

LiDARs sammeln hochdichte 3D-Informationen über ihre Umgebung in Form von Punktwolken mit einer höheren Genauigkeit als andere Bereichssensoren wie Radare oder Sonare. Dies wiederum erhöht die Genauigkeit der geschaffenen 3D-Abbilder.

  1. LiDAR-Verarbeitungsalgorithmen

Durch jüngste Entwicklungen in Workflows zur LiDAR-Verarbeitung wie der Semantischen Segmentierung, der Objekterkennung und -verfolgung, der Fusion von LiDAR- und Kameradaten sowie LiDAR-SLAM wurde es Ingenieursteams ermöglicht, LiDARs in ihre Entwicklungs-Workflows aufzunehmen. Mit Tools wie MATLAB® können Sie LiDAR-Verarbeitungsalgorithmen entwickeln und anwenden.

Anwendungsbereiche von LiDAR

LiDARs werden in einer Vielzahl von Disziplinen verwendet, von automatisiertem Fahren bis hin zu Geo- und Meereswissenschaften. Die Anwendungsbereiche werden nach den Plattformen gruppiert, auf denen die LiDARs angebracht werden.

  1. Luftgestützte LiDARs
  2. Terrestrische LiDARs
  3. Innen-LiDARs

Luftgestützte LiDARs

Bei luftgestützten LiDARs handelt es sich um LiDAR-Sensoren, die auf unbemannten Luftfahrzeugen (UAV) oder Flugzeugen angebracht werden. Luftgestützte LiDARs erfassen großflächig Daten als Punktewolken, die für die LiDAR-Kartierung, Merkmalsextraktion, Geländeklassifizierung und andere Anwendungen genutzt werden können.

Luft-LiDAR-Sensor.

 Luft-LiDAR-Daten.

Luftgestützte LiDARs werden etwa in folgenden Bereichen eingesetzt:

  • Landwirtschaft: Die LiDAR-Technologie wird in der Landwirtschaft intensiv zur Kartierung der Vegetationsfläche sowie zur Identifizierung des genauen Geländes landwirtschaftlicher Betriebe und des Wassereinzugsgebiets eingesetzt.
  • Stadtplanung: LiDARs werden bei der Erstellung digitaler Oberflächenmodelle (DSMs) oder sogar digitaler Stadtmodelle (DCMs) eines Gebiets verwendet. Diese werden für die Planung einer Stadt oder für den Aufbau neuer Infrastrukturen in bestehenden Städten eingesetzt.
  • Geologische Kartenerstellung: LiDARs können zur Erstellung von 3D-Karten der Erdoberfläche verwendet werden, die in Anwendungen wie Berg- und Tagebau, präziser Forstwirtschaft sowie Erdöl- und Erdgasexploration eingesetzt werden können.
  • Luftnavigation und Bahnplanung: LiDARs werden heute in UAVs zur Erfassung von Live-3D-Daten für die autonome Nahfeld-Navigation verwendet.

Terrestrische LiDARs

Terrestrische LiDARs können sowohl stationär als auch mobil sein.

Mobiler LiDAR-Sensor.

Mobile LiDAR-Daten.

  • Stationäre terrestrische LiDARs sind LiDARs, die auf einer stationären Plattform angebracht sind. Sie werden häufig für die Land- und Straßenvermessung, die topologische Kartierung, die Erstellung digitaler Höhenkarten (DEMs), die Landwirtschaft und weitere Anwendungen eingesetzt. Stationäre terrestrische LiDARs eignen sich für Bereiche, die eine detaillierte und engmaschige Datenerfassung erfordern.
  • Mobile LiDARs sind Terrestrische LiDARs, die auf einer mobilen Plattform wie einem Pkw oder Lkw angebracht werden. Das häufigste Einsatzgebiet für mobile LiDARs ist autonomes Fahren. Auf den Fahrzeugen angebrachte LiDARs erfassen 3D-Punktwolkendaten der Umgebung und werden ferner in Wahrnehmungs- und Navigations-Workflows eingesetzt.

Innen-LiDARs

LiDARs werden häufig in Robotikanwendungen in Innenräumen eingesetzt. Hierzu werden sie auf mobile Roboter montiert. Neben 3D-LiDARs werden 2D-LiDARs oder Laserscanner ebenfalls in Robotikanwendungen in Innenräumen eingesetzt, etwa für das LiDAR-Scanning und die LiDAR-Kartierung. Sie erfassen Tiefeninformationen der Umgebung und werden anschließend je nach Anwendungsfall weiterverarbeitet.

Innen-LiDAR-Sensor.

Innen-LiDAR-Daten.

Zu den typischen Anwendungsbereichen für Innen-LiDARs gehören:

  • LiDAR-Kartierung und -SLAM: 2D- oder 3D-LiDARs können zur Erzeugung von 2D- bzw. 3D-SLAMs und -Karten genutzt werden.
  • Hinderniserkennung, Kollisionswarnung und Ausweichen: 2D-LiDARs werden häufig zur Erkennung von Hindernissen verwendet. Mithilfe der von ihnen erfassten Daten lassen sich entweder Kollisionswarnungen ausgeben oder es kann Hindernissen aktiv ausgewichen werden.

LiDAR-Verarbeitung in MATLAB

MATLAB und die Lidar Toolbox™ vereinfachen Aufgaben der LiDAR-Verarbeitung. MATLAB hilft Ihnen mit speziellen Tools und Funktionen, typische Herausforderungen bei der Verarbeitung von LiDAR-Daten wie 3D-Datentypen, geringe Datendichten, ungültige Datenpunkte oder starkes Rauschen zu bewältigen.

So können Sie etwa Live- und aufgezeichnete LiDAR-Daten in MATLAB importieren, Workflows zur LiDAR-Verarbeitung implementieren und C/C++- oder CUDA-Code generieren, der direkt zur Produktion eingesetzt werden kann.

Zu den zentralen Fähigkeiten, die MATLAB für die Verarbeitung von LiDAR-Punktwolken bereitstellt, gehören:

Streamen, Lesen und Schreiben von LiDAR-Daten

Der erste Schritt bei der Verarbeitung aller Sensordaten in MATLAB ist das Laden der Daten in den MATLAB-Workspace. Dabei haben Sie folgende Optionen:

  • Live-Daten von Velodyne-Sensoren mithilfe des Velodyne Lidar Hardware-Unterstützungspakets streamen.
  • Gespeicherte Punktwolken in diversen Dateiformaten lesen, z. B. PCD, PLY, PCAP, Ibeo-Datencontainer, LAS und LAZ.
  • LiDAR-Daten zum Testen Ihrer Verarbeitungsalgorithmen in Simulationsumgebungen synthetisieren. Die UAV Toolbox und die Automated Driving Toolbox™ stellen LiDAR-Sensormodelle zur Simulation von LiDAR-Punktwolken bereit.

Streamen von Live-LiDAR-Daten von Velodyne-LiDAR-Sensoren

Verarbeitung von LiDAR-Daten

Sie können LiDAR-Daten vorverarbeiten, um die Qualität der Daten zu verbessern und grundlegende Informationen daraus zu extrahieren. Die Lidar Toolbox bietet Funktionen für Downsampling, Medianfilterung, Angleichung, Transformation und Extraktion von Merkmalen aus Punktwolken.

LiDAR-zu-Kamera-Kalibrierung

MATLAB ermöglicht die Kalibrierung von Kamerabildern auf LiDAR-Daten und damit die Schätzung der zur Fusion von Kamera- und LiDAR-Daten erforderlichen Transformationsmatrix.  Darüber hinaus können Sie Farbinformationen in LiDAR-Punktwolken fusionieren und 3D-Begrenzungsboxen für LiDAR mithilfe von 2D-Begrenzungsboxen einer an der gleichen Position angebrachten Kamera schätzen.

Lidar Camera Calibrator-App.

Deep Learning für LiDAR

Mit MATLAB können Sie Deep-Learning-Algorithmen zur Objekterkennung und semantischen Segmentierung auf LiDAR-Daten anwenden.

  • Mit nur wenigen Codezeilen in MATLAB können Sie vortrainierte semantische Segmentierungsmodelle wie PointSeg und SqueezeSegV2 zur Segmentierung von LiDAR-Daten importieren. Ferner können Sie auch Ihre eigenen Deep-Learning-Modelle trainieren, bewerten und bereitstellen.
  • MATLAB ermöglicht den Entwurf, das Training und die Bewertung fehlerresistenter Detektoren wie PointPillars-Netzwerken. Damit lassen sich orientierte Begrenzungsboxen um Objekte in LiDAR-Punktwolken erkennen und anpassen.
  • Die Lidar Labeler App in der Lidar Toolbox vereinfacht das Labeling von Punktwolken. Sie können damit manuell Begrenzungsboxen um Objekte hinzufügen sowie mithilfe integrierter oder selbst geschriebener Algorithmen das Labeling von LiDAR-Punktwolken automatisieren und die Leistung dieser Automatisierungs-Algorithmen bewerten.

Semantische Segmentierung von Punktwolken

Objektverfolgung in Punktwolken

MATLAB kann die verschiedenen Domänen, aus denen ein vollständiger Workflow zur Objektverfolgung besteht, unter einem Dach vereinen. Dies ermöglicht es Ihnen, LiDAR-Daten einzulesen, sie vorzuverarbeiten, Deep Learning zur Objekterkennung anzuwenden, diese Objekte mithilfe vorab definierter Tracker zu verfolgen und schließlich all das zusammen auf der Zielhardware bereitzustellen.

Objekterkennung und -verfolgung.

Registrierung von Punktwolken und SLAM

MATLAB bietet Funktionen zur Registrierung von LiDAR-Punktwolken und Erstellung von 3D-Karten mithilfe von SLAM-Algorithmen. Damit können Sie FPFH-Deskriptoren (Punktmerkmals-Histogramme) aus LiDAR-Punktwolken extrahieren und abgleichen und anschließend die Punktwolken anhand der abgeglichenen Merkmale registrieren.

Außerdem können Sie 3D-SLAM-Algorithmen durch Aneinanderfügen von LiDAR-Punktwolkensequenzen aus terrestrischen und luftgestützten LiDAR-Daten implementieren.

Aus sequenziellen LiDAR-Punktwolkendaten erstellte Karte.

Weitere Informationen zur LiDAR-Verarbeitung finden Sie unter Lidar Toolbox und Computer Vision Toolbox™.


Beispiele und Erläuterungen


Software-Referenz