LiDAR

Introduction à la technologie LiDAR

3 choses à savoir

La télédétection par laser ou LiDAR (acronyme de l'expression « light detection and ranging ») est une technologie de mesure de distance similaire aux radars et aux sonars. Les capteurs LiDAR émettent des impulsions laser qui se réfléchissent sur les objets, ce qui leur permet de percevoir la structure de leur environnement. Les capteurs enregistrent l'énergie lumineuse réfléchie pour déterminer les distances aux objets afin de créer une représentation 2D ou 3D de l'environnement. Les capteurs LiDAR sont en train de devenir l'un des types de capteurs les plus utilisés pour le développement de systèmes de perception dans diverses industries. Ils rendent possibles des workflows de perception 3D tels que la détection d'objets, la segmentation sémantique, et des workflows de navigation tels que la cartographie, la localisation et la cartographie simultanées (SLAM) et la planification de trajectoire.

Importance du LiDAR

Les systèmes autonomes utilisent plusieurs capteurs tels que la caméra, l'IMU et le radar pour la perception de leur environnement. Les capteurs LiDAR peuvent surmonter certains des inconvénients des autres capteurs en fournissant des informations 3D structurelles et extrêmement précises sur leur environnement. Cet avantage a contribué à l'introduction des capteurs LiDAR sur le marché grand public de la perception.

Données en nuages de points d'un scénario de conduite avec quelques voitures.

Nuage de points LiDAR d'une scène de route.

L'adoption des capteurs LiDAR sur le marché est motivée par trois facteurs clés :

  • Des capteurs LiDAR low-cost. L'introduction de capteurs LiDAR low-cost, présentant des caractéristiques améliorées en matière de portée, de taille et de robustesse, a accru la disponibilité de cette technologie dans des applications industrielles relativement peu coûteuses.
  • Des données 3D précises. Les capteurs LiDAR collectent des informations 3D haute densité sur l'environnement sous forme de nuages de points avec une précision supérieure à celle des autres capteurs de distance tels que les radars et les sonars. Cela améliore ainsi la précision de la reconstruction 3D.
  • Des algorithmes de traitement LiDAR. Les récents développements en matière de workflows de traitement LiDAR, notamment la segmentation sémantique, la détection et le pistage d'objets, la fusion des données de caméra LiDAR, et  la localisation et la cartographie simultanées (SLAM) LiDAR , ont permis aux industries d'ajouter des capteurs LiDAR à leurs workflows de développement. Vous pouvez utiliser des outils comme MATLAB pour développer et appliquer des algorithmes de traitement LiDAR.

Applications du LiDAR

Les capteurs LiDAR sont utilisés dans de nombreuses industries, de la conduite autonome aux géosciences. Nous pouvons classer ces applications en trois groupes, en fonction de la plateforme sur laquelle elles sont montées.

  • Capteurs LiDAR aériens
  • Capteurs LiDAR terrestres
  • Capteurs LiDAR intérieurs

Capteurs LiDAR aériens

Les capteurs LiDAR aériens sont montés sur des drones ou des aéronefs. Les capteurs LiDAR aériens permettent de capturer des données sous forme de nuages de points 3D sur des zones très étendues. Ces données peuvent alors être utilisées pour la cartographie LiDAR, l'extraction de caractéristiques, la classification de terrains ou d'autres cas d'utilisation.

Image d'un drone volant avec un LiDAR embarqué.

Capteur LiDAR aérien.

Données en nuages de points aériens avec des bâtiments et des arbres.

Données provenant d'un capteur LiDAR aérien.

Exemples d'applications des capteurs LiDAR aériens :

  • Agriculture : l'usage de la technologie LiDAR est très répandu dans l'agriculture pour cartographier la zone de végétation et identifier exactement le terrain de la ferme ainsi que la zone de captage d'eau.
  • Urbanisme : les capteurs LiDAR sont utilisés pour créer des modèles numériques de terrain (Digital Surface Model, DSM) et même des modèles numériques de ville (Digital City Model, DCM) d'une zone donnée. Ces modèles peuvent aider à concevoir une ville ou construire de nouvelles infrastructures dans une ville existante.
  • Cartographie géologique : les capteurs LiDAR peuvent être utilisés pour créer des cartes 3D de la surface de la Terre, utiles dans des applications comme l'exploitation minière, l'exploitation forestière de précision et l'exploration pétrolière et gazière.
  • Navigation aérienne et planification de trajectoires : les capteurs LiDAR sont désormais utilisés dans des drones pour collecter des données 3D temps réel afin de naviguer de manière autonome dans un environnement.

Voir des exemples d'utilisation de MATLAB® pour le traitement des capteurs LiDAR aériens :

Capteurs LiDAR terrestres

Il existe deux types de capteurs LiDAR terrestres : fixes et mobiles.

  • Les capteurs LiDAR terrestres fixes sont montés sur des plateformes fixes. Ils sont couramment utilisés pour les relevés cadastraux, les relevés routiers, la cartographie topologique, la création de cartes numériques d'élévation (Digital Elevation Map, DEM), l'agriculture et d'autres applications. Ils sont plus adaptés aux applications nécessitant une saisie précise et détaillée des données.
  • Les capteurs LiDAR terrestres mobiles sont fixés sur une plateforme mobile comme une voiture ou un camion. L'application LiDAR mobile la plus répandue est la conduite autonome. Les capteurs LiDAR montés sur des véhicules capturent les données de l'environnement sous forme de nuages de points 3D, utilisés ensuite dans des workflows de perception et de navigation. Ces workflows seront décrits en détail dans la section suivante.
Plusieurs capteurs LiDAR montés sur le toit d'une voiture.

Capteur LiDAR mobile.

Données en nuages de points d'un scénario de conduite avec voiture et arbre.

Données provenant d'un capteur LiDAR mobile.

Voir des exemples d'utilisation de MATLAB pour le traitement des capteurs LiDAR terrestres :

Capteurs LiDAR intérieurs

Les capteurs LiDAR sont largement utilisés dans les applications de robotique d'intérieur et montés sur des robots mobiles. Outre les capteurs LiDAR 3D, les capteurs LiDAR 2D ou les capteurs laser sont également utilisés dans des applications de robotique d'intérieur, telles que le balayage et la cartographie LiDAR. Ils collectent des informations approfondies sur l'environnement, qui sont ensuite traitées en fonction des cas d'utilisation.

Capteur LiDAR intérieur.

Capteur LiDAR intérieur.

Une capture d'écran de données LiDAR intérieures.

Données provenant d'un capteur LiDAR intérieur

Exemples d'utilisations courantes des capteurs LiDAR intérieurs :

  • Cartographie et SLAM LiDAR : vous pouvez utiliser des capteurs LiDAR 2D ou 3D pour créer respectivement des algorithmes de cartographie et SLAM 2D et 3D.
  • Détection d'obstacles, avertissement et évitement de collision : les capteurs LiDAR 2D sont fréquemment utilisés pour détecter des obstacles. Ces données peuvent également être utilisées pour créer des avertissements de collision ou éviter des obstacles.

Voir des exemples d'utilisation de MATLAB pour le traitement des capteurs LiDAR terrestres :

Traitement LiDAR dans MATLAB

MATLAB et Lidar Toolbox™ simplifient les tâches de traitement LiDAR. Grâce à des fonctions et des outils dédiés, MATLAB vous aide à relever les défis courants dans le traitement des données LiDAR, concernant notamment les types de données 3D, la parcimonie des données, les points non valides dans les données et les niveaux de bruit élevés.

Vous pouvez importer des données LiDAR enregistrées et temps réel dans MATLAB, implémenter des workflows de traitement LiDAR et créer le code C/C++ et CUDA® à déployer en production.

Quelques fonctionnalités importantes offertes par MATLAB pour le traitement des nuages de points LiDAR sont décrites dans les sections suivantes.

Le streaming, la lecture et l'écriture de données LiDAR

La première étape du traitement des données de capteur dans MATLAB consiste à les récupérer dans l'espace de travail MATLAB. Vous pouvez :

  • Streamer des données temps réel à partir des capteurs Velodyne avec le Hardware Support Package Velodyne Lidar et à partir des capteurs Ouster avec le Hardware Support Package Ouster Lidar.
  • Lire des nuages de points stockés dans différents formats de fichiers comme PCD, PLY, PCAP (Velodyne, Ouster et Hesai Pandar), Ibeo Data container, LAS et LAZ.
  • Écrire des nuages de points dans différents formats de fichiers comme PCD, PLY, LAS et LAZ.
  • Simuler des données LiDAR, ce qui vous permet de tester vos algorithmes et vos workflows avant de les déployer sur un système réel. MATLAB vous permet de synthétiser des données LiDAR 3D ou 2D dans des environnements de simulation en définissant les paramètres du capteur pour tester vos algorithmes de traitement. Lidar Toolbox, UAV Toolbox et Automated Driving Toolbox proposent des modèles de capteur LiDAR pour simuler des nuages de points LiDAR.
Modèle de capteur LiDAR.

Streamer un flux de données temps réel à partir des capteurs LiDAR Velodyne®.

Simulation de données LiDAR 3D.

Traitement de données LiDAR

Vous pouvez prétraiter les données LiDAR pour améliorer la qualité des données et en extraire des informations de base. Lidar Toolbox™ offre des fonctionnalités pour le sous-échantillonnage, le filtrage médian, l'alignement, la transformation et l'extraction de caractéristiques à partir de nuages de points.

Calibrage de caméra LiDAR

MATLAB permet de calibrer des caméras LiDAR pour estimer les transformées LiDAR-caméra afin de fusionner des données LiDAR et des données de caméra. Vous pouvez également fusionner des informations de couleur dans des nuages de points LiDAR et estimer les boîtes englobantes 3D dans un signal LiDAR en utilisant des boîtes englobantes 2D créées à partir d'une caméra située au même endroit.

Capture d'écran de l'application Lidar Camera Calibrator.

Application Lidar Camera Calibrator.

Deep Learning pour LiDAR

Avec MATLAB, vous pouvez appliquer des algorithmes de Deep Learning pour la détection d'objets et la segmentation sémantique sur des données LiDAR.

  • Avec seulement quelques lignes de code dans MATLAB, vous pouvez importer des modèles de segmentation sémantique pré-entraînés, notamment PointSeg et SqueezeSegV2 sur des données LiDAR. Vous pouvez également entraîner, évaluer et déployer vos propres modèles de Deep Learning.
  • MATLAB permet de concevoir, d'entraîner et d'évaluer des détecteurs robustes tels que les réseaux PointPillars et ComplexYolo-V4. Vous pouvez détecter et ajuster des boîtes englobantes autour d'objets dans des nuages de points LiDAR.
  • L'application Lidar Labeler, dans Lidar Toolbox, simplifie les tâches de labellisation des nuages de points. Vous pouvez labelliser manuellement les nuages de points pour la détection d'objets et la segmentation sémantique, appliquer des algorithmes prédéfinis ou personnalisés pour automatiser la labellisation des nuages de points LiDAR, et évaluer les performances des algorithmes d'automatisation.
Vue d'un véhicule Ego d'un nuage de points avec un camion et une voiture labellisée.

Segmentation sémantique de nuages de points.

Pistage d'objets dans des nuages de points

MATLAB peut unifier plusieurs domaines qui alimentent un workflow de pistage d'objets de bout en bout. Cela vous permet de lire des données LiDAR, de les prétraiter, d'appliquer des algorithmes de Deep Learning pour détecter des objets, de pister ces objets avec un tracker prédéfini et de les déployer sur un hardware cible.

Capture d'écran de véhicules pistés à partir de données séquentielles de nuages de points.

Détection et pistage d'objets

Recalage des nuages de points et SLAM

MATLAB propose des fonctions permettant de recaler des nuages de points LiDAR et de créer des cartes 3D à partir de données LiDAR terrestres et aériennes avec des algorithmes SLAM. Cette offre est utile pour :

Simulation de données LiDAR 3D.

Pour plus d'informations sur le traitement LiDAR, découvrez Lidar Toolbox et Computer Vision Toolbox™.

FAQ sur la technologie LiDAR

LiDAR (Light Detection and Ranging) est un capteur de mesure de distance qui émet des impulsions laser se réfléchissant sur les objets environnants. En enregistrant l’énergie lumineuse réfléchie, il peut percevoir la structure de son environnement et générer des représentations 2D ou 3D.

Bien que le radar et le sonar soient également des capteurs de mesure de distance, LiDAR utilise des impulsions laser et l’énergie lumineuse réfléchie pour déterminer les distances. Il fournit ainsi des informations structurelles et tridimensionnelles très précises, avec une résolution généralement supérieure à celle des autres capteurs de distance.

Un nuage de points est un ensemble de points de données capturés par des capteurs LiDAR représentant la structure 3D de l’environnement. Ces données peuvent être exploitées pour des applications telles que la détection d’objets, la segmentation sémantique et la cartographie.

Les systèmes LiDAR se répartissent en trois catégories selon leur plateforme : les LiDAR aéroportés (montés sur des UAV ou des aéronefs), les LiDAR terrestres (fixes ou mobiles) et les LiDAR d’intérieur utilisés dans des applications de robotique.

LiDAR est utilisé dans la conduite automatisée, la cartographie agricole, l’urbanisme, la cartographie géologique, la navigation de UAV, les levés topographiques, la cartographie du territoire et la robotique d’intérieur pour le SLAM, la détection d’obstacles et l’évitement de collisions.

L’adoption de LiDAR a été favorisée par l’apparition de capteurs plus abordables et plus performants. Sa capacité à acquérir des données 3D précises et à haute densité sous forme de nuages de points permet également de mettre en œuvre des algorithmes avancés tels que la segmentation sémantique et le SLAM.

L’étalonnage caméra-LiDAR consiste à déterminer la transformation géométrique entre les images acquises par une caméra et les nuages de points capturés par LiDAR. Cela permet d’intégrer les informations de couleur dans les nuages de points et d’estimer des boîtes englobantes 3D à partir de boîtes englobantes 2D issues de caméras co-localisées.

MATLAB permet l’acquisition et la lecture de données LiDAR, le prétraitement et le filtrage des données, l’étalonnage caméra-LiDAR, l’utilisation du Deep Learning pour la détection d’objets et la segmentation sémantique, le suivi d’objets ainsi que l’enregistrement de nuages de points et le SLAM.

Sujets connexes

Explorez des sujets similaires pour lesquels on utilise couramment les produits MATLAB et Simulink.

Multibody Simulation Onramp

Commencer