Objekterkennung mit LiDAR-Sensor

Autor: SDE Team 2021/2022

Betreuer: Ulrich Schneider

→ zurück zum übergeordneten Artikel: Systemarchitektur

Einleitung

In diesem Artikel wird auf die Auswertung von LiDAR-Messdaten eingegangen. Es wird beschrieben, wie die Messdaten umgewandelt werden können, sodass diese in Matlab verwendet und dargestellt werden können. Des Weiteren werden die Spezifikationen das Datenblatts mit der Testmessung vergleichen. Abschließend wird beschrieben, wie eine Auswertung der Messdaten mit Hilfe von Segmentierung erfolgen kann.

Auswertung der Messdaten

Nachfolgend wird die Auswertung der Messdaten genauer beschrieben. Zunächst wird der Begriff der LiDAR Daten genauer erläutert. Es folgt die Beschreibung der Lade- und Darstellungsfunktion sowie des zyklischen Ladens von LiDAR Daten. Zuletzt wird auf die Spezifikationsübersicht des URG-04LX eingegangen.

LiDAR Daten

Der Begriff LiDAR setzt 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. Besonders gut erkennbar 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.

Abbildung 1: UrgBenri Visualisierungssoftware

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 ist eine beispielshafte Darstellung von Messdaten abgebildet.

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 ausgewerteten Daten 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 Werten überein.

Für die Bewertung der Messunsicherheit wurde eine Reihe von Messdaten ausgewertet, die aufgenommen wurden, während sich ein reales Objekt mit bekannter Breite bewegt. Dafür wurden die Messungen als einzelne Frames dargestellt und aneinandergereiht, um anschließend die vom LiDAR gemessene Breite des Objektes bei unterschiedlichen Entfernungen abzulesen.

Die Ergebnisse werden folgend tabellarisch dargestellt.

Entfernung [m]	Objektbreite [mm]	Gemessene Breite [mm]	Messunsicherheit [mm]	Angegebene Genauigkeit [mm]
0,2	134	132	2	+/- 30
1	134	122	12	+/- 30
2	134	103	31	+/- 60
3	134	93	41	+/- 90
4	134	96	38	+/- 120

Somit sind auch die vom Hersteller angegebenen Genauigkeiten eingehalten.

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 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

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

Abbildung 3: Minimaler Abstand zwischen Messpunkten

Segmentierung

Eine 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 dargestellten Codes konnte das Objekt aus der Funktion gelesen werden und es werden die 3 Punkte aus der Funktion miteinander verbunden. Dies dient im Wesentlichen zur Datenreduktion, da so anstatt zahlreicher Punkte des LiDARs nur noch 3 Punkte pro Segment 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

In der Abbildung 4 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.

Abbildung 4: Segmentierung mit dem Succesive Edge Following Algorithmus

Die Funktion und das kurze Auswertungsscript liegen 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 Edge Following Algorithmus verbessert werden, sodass weniger Segmente gefunden werden, da der Suchwinkel mit größer werdendem X ebenfalls größer wird. In der folgenden Abbildung 5 ist das verbesserte Segmentierungsergebnis zu sehen.

Abbildung 5: Verbesserte Segmentierung mit dem Succesive Edge Following Algorithmus