Objekterkennung mit LiDAR-Sensor

Autor: SDE Team 2021/2022

Betreuer: Ulrich Schneider

→ zurück zum übergeordneten Artikel: Systemarchitektur

Auswertung der Messdaten

LiDAR Daten

Der Begriff LiDAR setz sich aus „Light Detection And Ranging“ zusammen. Dabei nutzt der LiDAR einen rotierenden Laser, über den die Entfernungen gemessen werden. In Abbildung 1 ist eine beispielhafte Visualisierung des Sensorbilds zu erkennen.

Abbildung 1: UrgBenri Visualisierungssoftware

Gut zu erkennen sind hier die jeweiligen Distanzen, die bei einem Umlauf gemessen wurden. Der hier verwendete Sensor hat einen Messbereich von 240°. In diesem Umkreis kann so die Lage von etwaigen Hindernissen bestimmt werden.

Laden der Messdaten

Mit dem Code der Datei startUBH2MAT.m werden die Messdaten geladen und in einer .mat-Datei gespeichert.

 %****************************************************************
 % Modul	    : startUBH2MAT.m                              *
 %                                                               *
 % Datum           : 24. Juni 2021                               *
 %                                                               *
 % Funktion        : Messdaten der Dateien LiDAR.ubh laden und   *
 %                   verarbeiten                                 *
 %                                                               *
 %                                                               *
 %                                                               * 
 %                                                               *
 % Implementation  : MATLAB R2020a                               *
 %                                                               *
 % Author          : SDE-Team 20/21                              *
 %                                                               *
 % Bemerkung       : -                                           *
 %                                                               *
 %                                                               *
 % Letzte Änderung : 29. Juni 2021                               *
 %                                                               *
 %****************************************************************

 %% MALTAB initisalisieren
 clear all; close all; clc
 %% Dateipfad temporär hinzufügen
 dateiPfad = ['...\MTR_SDE_Praktikum\trunk\...']           
 addpath(dateiPfad);
 dateiName = 'Lidar.ubh'; % Eingangsdatei
 nSamples = 682;            % Anzahl der Messwerte
 %% Datei öffnen
 fileID= fopen(dateiName);
 if fileID == -1
   error("Datei ist nicht vorhanden");
 end
 daten={};
 %% Winkel berechnen
 Aufloesung = (120--120)/(nSamples-1);% Winkelauflösung
 aWinkel= -120:Aufloesung:120 ;   % [-a:Aufloesung:a];
 %% Einmalige Winkelberechnung
 acosdw = cosd(aWinkel);    % Array mit nSamples Einträgen
 asindw = sind(aWinkel);    % Array mit nSamples Einträgen
 %% Schleife solange die Datei nicht abgearbeitet wurde
  % Zeile aus Datei lesen
 while ~feof(fileID)   
   daten=[daten {fgetl(fileID)}];
 end
 % Zeitstempel in s auslesen
 timestamp =  daten(32:6:end);                   %[ms]
 timestamp = cellfun(@str2num,timestamp);
 Zeit = (timestamp(1,:)-timestamp(1,1))./1000;   %[s]
 %Log Time
 logTime = daten(34:6:end);
 %%Schrägentfernungen
 range = daten(36:6:end);
 range= str2num(char(range));
 RangeScan= reshape(range,[682,336])';
 % KOS-Trafo Polar- zu kartesische Koordinaten
 xMesswerte=asindw.*RangeScan./1000;
 yMesswerte=acosdw.*RangeScan./1000;
 %% Daten speichern
 stSaveFileName = 'Messdaten.mat';
 save(stSaveFileName, "Zeit","RangeScan","xMesswerte","yMesswerte");
 disp([stSaveFileName,' wurde gespeichert...'])
 fclose(fileID);
 % .uhb Datei schließen

Darstellung der Messdaten

Über das Skript startDarstellungDerMessdaten.m können die Messdaten dargestellt werden. In Abbildung 2 sind diese Beispielhaft dargestellt.

Abbildung 2: Darstellung der Messdaten

Zyklisches Laden der Messdaten

Über die Funktion LadeMessdaten.m werden die Messdaten für ein Frame geladen:

 function [z,dt,aRangeScan] = LadeMessdaten(i)
 % LADEMESSDATEIN läd die Messdaten für ein Frame
 Messwerte = load("Messdaten.mat");
 dt = Messwerte.Zeit(i);
 z = [Messwerte.xMesswerte(i,:); Messwerte.yMesswerte(i,:)];
 aRangeScan = Messwerte.RangeScan;
 end

Mit dem Skript testeLadeMessdaten.m lässt sich die Funktion testen:

 %% MALTAB initisalisieren
 clear all; close all; clc
 %% Figure vorbereiten
 % ROI festlegen
 xROI = [-5; 5];
 yROI = [0; 5];
 fRange = 5.5; % m
 figure('units','normalized','outerposition',[0 0 1 1]);
 h = plot(0,0,'b.');
 %hold on
 set(gca,'XDir','reverse');
 line([-fRange fRange], [0 0])
 line([0 0], [-fRange fRange])
 xlabel('y in m');
 ylabel('x in m');
 ylim manual
 xlim manual
 hAxis = gca;
 hAxis.XLimMode = 'manual';
 hAxis.YLimMode = 'manual';
 xlim(xROI)
 ylim(yROI)
 %% Messdaten darstellen
 nStart = 1; % Startframe;
 nEnde = 336; % Anzahl der Frames
 for nFrame=nStart:nEnde % Zyklusschleife über alle Messzyklen
 %% Messwerte
 [z, dt, aRangeScan] = LadeMessdaten(nFrame);
 X = z(1,:);
 Y = z(2,:);
 set(h, "XData",X );
 set(h, "YData", Y);
 refreshdata
 title(["Frame: ",num2str(nFrame)]);
 pause(0.01);
 end

Spezifikationsübersicht des URG-04LX

Name des Produkts	Laser Entfernungsmesser
Lichtquelle	Halbleiter Laserdiode (Wellenlänge 785 nm)
Versorgungsspannung	5VDC
Maximale Reichweite	0,002 m bis 5,6 m
Messbereich	0,006 m bis 4 m
Messauflösung	0,001 m
Genauigkeit (20mm - 1000mm)	± 0,03 m
Genauigkeit (1000mm - 4000mm)	± 3 %
Horizontaler Scanwinkel	240°
Winkelauflösung	0,36°
Anzahl Scanschritte	683
Scangeschwindigkeit	100 ms/scan
Schnittstelle	RS-232 (seriell)

Bewertung der Messwerte

Um die aus den LiDAR-Daten auszuwerten und mit den im Datenblatt angegebenen Werten zu vergleichen, wurden die spezifischen Messwerte berechnet. Die folgende Tabelle zeigt die jeweiligen Werte im Vergleich.

Name	Datenblatt	berechnete Daten
Maximale Reichweite	5,6 m	5,5 m
Scangeschwindigkeit	100 ms/scan	99,7 ms /scan
Horizontaler Scanwinkel	240°	240°
Winkelauflösung	0,36°	0,35°

Wie zu erkennen, passen die in der Theorie angegebenen Werte mit den in der Praxis gemessenen Werte überein.

Abstand der Messwerte

Ein Kriterium, ob ein Punkt zu einem Segment zugeordnet werden darf, ist der Abstand zu anderen Messpunkten. Je weiter der LiDAR-Sensor von einem Objekt entfernt ist, desto weiter können auch die Messpunkte auseinander liegen, welche zu einem Objekt zugeordnet werden dürfen. Wie groß die minimale Entfernung zwischen zwei Messpunkten ist, hängt von der Winkelauflösung des Sensors ab, sowie von der Entfernung des Sensors zu den jeweiligen Messpunkten.

Mithilfe des Skripts "berechneMinimalAbstand.m" und der inneliegenden Funktion "minAbstand" kann diese minimale Entfernung berechnet werden:

   clear all
   close all
   clc
   alpha = 0.36; % in °
   x = (0:0.1:5.6); % Reichweite des Sensors von 0 - 5.6m in 0.1m Abständen
   sMin = zeros(length(x), 1);
   for k = 1:length(x)
       p1 = [x(k), 0];
       sMin(k) = minAbstand(p1, alpha); % Anwenden der untenstehenden Funktion. Ergebnis: Array mit Mindestabständen
   end
   plot(x, sMin);
   grid on
   title('Minimaler Abstand zwischen zwei Messpunkten')
   xlabel('Entfernung Sensor zu Messpunkten in [m]')
   ylabel('Minimaler Abstand zwischen Messpunkten in [m]')
   function sMin = minAbstand(p1, alpha) % Funktionsdeklaration berechneMinimalAbstand Input: p1, alpha
   sMin = tand(alpha) * norm(p1); % Berechnung des Mindestabstands zwischen zwei Messpunkten
   end

Abbildung x: Minimaler Abstand zwischen Messpunkten

Abbildung 3 zeigt die lineare Abhängigkeit des minimalen Abstands von der Entfernung des Sensors zu den Messpunkten.

Segmentierung

Als weitere Aufgabe, die typisch für die Auswertung von LiDAR Messdaten ist, ist die Segmentierung. Dabei werden unterschiedliche Algorithmen verwendet. Wir haben uns im Praktikum mit dem sogenannten Succesive Edge Following beschäftigt. Dabei konnten wir auf eine fertige Funktion zurückgreifen, die aus den RangeScan Messwerten Segmentierungen bildet und diese in einem Struct mit vielen weiteren Daten ablegt.
Das Struct, das der SuccesiveEdgeFollowing Algorithmus zurückgibt besteht aus der Objekt ID, sowie den linken, den nächsten und den rechten Punkt des Segments. Zusätzlich werden diese Punkt in Polar- und Kartesischen Koordinaten angegeben.
Mithilfe des im Folgenden drárgestellten Code, konnte das Objekt aus der Funktion gelesen werden und es werden die 3 Puknt aus der Funktion miteinander verbunden. Dies dient im wesentlichen zur Datenreduktion, da dann anstatt zahlreicher Punkt des LiDARs nur noch 3 Punkt pro Segent ausgewertet werden müssen.

segment=SucessiveEdgeFollowing(RangeScan(1,:));
plot(xMesswerte(1,:), yMesswerte(1,:),'r.');
hold on
for i=1: length(segment)
   
   x=[segment(i).LeftCartesian(1) segment(i).NearbyCartesian(1) segment(i).RightCartesian(1)];
   y=[segment(i).LeftCartesian(2) segment(i).NearbyCartesian(2) segment(i).RightCartesian(2)];
   plot(y,x, '-');
   set(gca, 'XDir', 'reverse');
end

Abbildung 3: Segmentierung mit dem Succesive Edge Following Algorithmus

In der Abbildung 3 sieht man, dass bei kleineren Objekten die Reduktion auf die 3 Punkt gut funktioniert jedoch kommt diese Vereinfachung bei großen und anders gedrehten Objekten, wie dem auf der linken Seite an seine Grenzen, sodass da die blaue Linie nicht ganz zum Objekt passt.

Die Funktion und das kurze Auswertescript liegt unter folgendem Pfad: https://svn.hshl.de/svn/MTR_SDE_Praktikum/trunk/Workshops/Abgaben/Teamabgaben/Workshop10

Mithilfe der oben erläuterten Funktion des kleinsten Abstands konnte der Successive Edeg Following Algorithmus verbessert werden, sodass weniger Segmente gefunden werden, da der Suchwinkel mit größer werdendem X ebenfalls größer wird. In der folgenden Abbildung ist das verbesserte Segmentierungsergebnis zu sehen.

Abbildung 4: Verbesserte Segmentierung mit dem Succesive Edge Following Algorithmus