Création de robots avec un meilleur évitement d'obstacles en utilisant le lidar et le radar

Le domaine de la robotique a subi un changement de transformation, passant de machines préprogrammées à des systèmes hautement autonomes capables de prendre des décisions dynamiques. Au cœur de cette évolution réside le défi critique de l'évitement des obstacles. Un robot opérant dans un environnement imprévisible, qu'il s'agisse d'un entrepôt, d'un couloir hospitalier ou d'un champ ouvert, doit percevoir son environnement, identifier les dangers et naviguer en toute sécurité en temps réel.

Comprendre les technologies lidar et radar

Lidar: Précision en trois dimensions

Lidar agit en émettant des impulsions rapides de lumière laser, généralement dans le spectre ultraviolet, visible ou proche infrarouge, et en mesurant le temps nécessaire à chaque impulsion pour réfléchir un objet et revenir au capteur. Cette mesure du temps de vol (ToF) fournit des données extrêmement précises sur la distance. En balayant un champ de vision, Lidar génère un nuage de points denses en trois dimensions qui cartographie chaque surface de l'environnement. Les unités Lidar modernes à l'état solide peuvent produire des millions de points par seconde, offrant une résolution de sous-centimètre à des distances supérieures à 200 mètres. Cette précision rend Lidar idéal pour des tâches nécessitant une prise de conscience spatiale détaillée, comme la cartographie de pièces inconnues, la détection de petits obstacles ou la localisation du robot dans un plan de plancher connu.

Radar : pénétration de la barrière météorologique

Contrairement à Lidar, le radar peut pénétrer le brouillard, la pluie, la neige et la poussière avec une atténuation minimale. Le radar mesure non seulement la distance (via ToF), mais aussi la vitesse à travers l'effet Doppler, ce qui lui confère un avantage unique : il peut déterminer si un obstacle se déplace vers le robot ou s'en éloigne et à quelle vitesse. Ces données de vitesse sont inestimables pour prédire les risques de collision. Bien que le radar ait généralement une résolution angulaire inférieure à Lidar (souvent à quelques degrés), les réseaux radar modernes d'imagerie réduisent cette distance. Radar excelle également à la détection à longue distance et est moins sensible aux interférences de la lumière ambiante.

Avantages de la combinaison du lidar et du radar : fusion de capteurs au travail

Les limites de Lidar en cas de mauvais temps et la résolution plus faible du radar créent un cas convaincant pour les combiner. Cette synergie, connue sous le nom de fusion de capteur, donne un système de perception bien plus grand que la somme de ses parties.

Précision améliorée: Lidar fournit les données spatiales à haute résolution nécessaires pour la forme et la position précises des obstacles, tandis que le radar contribue à des mesures précises de la vitesse. Ensemble, ils permettent au robot de non seulement voir un obstacle, mais aussi de prédire sa trajectoire future.
Reliabilité améliorée dans toutes les conditions: Par temps clair, Lidar prend la tête. Lorsque le brouillard, la pluie ou la poussière se jettent, le système radar maintient la conscience de la situation, empêchant le robot de devenir aveugle.
Détection d'obstacles de bust à travers les échelles: Lidar excelle dans la détection de petits objets stationnaires comme les bordures ou les boîtes. Le radar est particulièrement bon pour détecter des objets plus grands et mobiles comme d'autres véhicules ou piétons, même à distance.
Réduit les faux positifs :[ En comparant les données des deux capteurs, les algorithmes de fusion peuvent filtrer les objets fantômes (par exemple, les réflexions lidar des surfaces humides ou les échos radar multipathes), ce qui permet d'établir des listes d'obstacles plus fiables et de prendre des décisions de navigation plus sûres.

Mise en œuvre de l'évitement des obstacles dans les robots : une approche étape par étape

Pour construire un robot avec un meilleur évitement des obstacles, il faut intégrer soigneusement le matériel, les logiciels et les algorithmes. Le processus consiste généralement à choisir les bons capteurs, à les monter pour un chevauchement optimal, à les calibrer ensemble et à mettre en place des pipelines de traitement en temps réel.

Sélection et montage des capteurs

Pour les robots d'intérieur (par exemple, les AGV d'entrepôt), un Lidar 2D ou 3D plus un radar à courte portée peut suffire. Les robots d'extérieur bénéficient d'unités radar Lidar longue portée et de qualité automobile de 77 GHz. Les capteurs doivent être montés pour maximiser leur chevauchement sur le terrain de vision tout en minimisant l'occlusion du châssis propre au robot.

Architecture du système : des données brutes à l'action

Le flux de données suit un pipeline standard : chaque capteur capture les images périodiquement (par exemple Lidar à 10 Hz, radar à 20 Hz). Les données brutes sont prétraitées pour corriger les distorsions et le bruit. Ensuite, un moteur de fusion synchronise le temps et aligne spatialement les données à l'aide de l'odométrie robotisée et des paramètres d'étalonnage extrinsèque connus entre les capteurs. La sortie fondue est alimentée en algorithmes de détection des obstacles qui génèrent une liste d'objets avec des attributs (position, taille, vitesse). Cette liste est remise à un planificateur de trajectoire, qui calcule une trajectoire sûre. Enfin, un contrôleur de mouvement exécute les commandes.

Techniques de fusion des capteurs

La fusion des capteurs est l'épine dorsale du système combiné Lidar-radar. Les techniques les plus utilisées sont les suivantes:

Kalman Filtering:[ Un algorithme récursif qui évalue l'état d'un système dynamique (p. ex., la position et la vitesse d'un obstacle) à partir de mesures de capteurs bruyants. Le filtre Kalman équilibre mathématiquement la contribution de chaque capteur en fonction de son incertitude connue.
Filtrage des particules: Aussi connu sous le nom de méthodes séquentielles Monte Carlo, les filtres à particules représentent la distribution de probabilité de l'état du robot (ou état d'obstacle) avec un ensemble d'échantillons pondérés (particules). Ils peuvent gérer le bruit hautement non gaussien et les distributions multimodales, ce qui les rend adaptés aux scénarios où la croyance du robot à propos d'un obstacle a plusieurs hypothèses plausibles (par exemple, après un arrêt du capteur).
Bayesian Fusion: À un niveau plus élevé, les méthodes bayésiennes combinent les cartes de probabilité générées par chaque capteur.Par exemple, Lidar et radar peuvent chacun produire des cartes de grille d'occupation – une grille de cellules où chaque cellule a une probabilité d'être occupée. Le système de fusion combine ces grilles en utilisant une règle de mise à jour bayésienne pour produire une carte unique et plus précise.
Deep Learning Fusion:[ Les progrès récents utilisent des réseaux neuronaux convolutionnels (RCN) ou des architectures de transformateurs pour traiter directement les données brutes ou prétraitées Lidar et radar. Ces modèles apprennent à extraire les caractéristiques et à les fusionner de manière à obtenir des données, souvent de meilleures performances dans des scènes complexes, mais nécessitant de vastes ensembles de données d'entraînement et des ressources informatiques importantes.

Dans la pratique, de nombreuses plateformes robotiques utilisent une approche en couches : un filtre Kalman pour suivre les obstacles connus, un filtre à particules pour la localisation mondiale (par exemple, la localisation de Monte Carlo) et une grille bayésienne pour la cartographie des obstacles à courte portée.

Une fois que la perception fondue donne une image claire de l'environnement, le robot doit décider où aller. L'évitement d'obstacles est fondamentalement un problème de planification de chemin, et plusieurs algorithmes sont couramment utilisés:

A* (A-Star):[ Un algorithme de recherche graphié classique qui trouve le chemin le plus court du début au but en explorant des nœuds avec le coût cumulatif le plus bas et le coût restant estimé (heuristique). Il fonctionne bien sur une carte de grille discrétée dérivée de la grille d'occupation. A* est déterministe et garantit l'optimalité pour une résolution de grille donnée, mais il peut être calculablement cher pour les cartes grandes et ne gère pas les obstacles dynamiques nativement.
RRT explore rapidement les arbres aléatoires (RRT) et RRT*: RRT explore rapidement un espace continu en échantillonnant au hasard des points et en construisant un arbre de chemins réalisables. Il est bien adapté pour les espaces de configuration haute dimension et peut intégrer des contraintes non holonomiques (p. ex., rayon de virage du robot). RRT* est une version optimisée qui converge vers une solution optimale à mesure que l'échantillonnage augmente.
Approche dynamique de la fenêtre (DWA):[ Un planificateur local réactif qui calcule les vitesses (linéaire et angulaire) que le robot peut atteindre dans un court horizon de temps (la fenêtre -Dynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynynyn
Machine Learning Approachs: Le renforcement profond de l'apprentissage (DRL) est apparu comme une méthode prometteuse pour éviter les obstacles. Le robot apprend une politique par l'essai et l'erreur, en prenant les données brutes ou fondues de capteur comme commandes d'entrée et de sortie de mouvement.

Les meilleurs robots combinent un planificateur global (A* ou RRT) pour la planification de parcours à long terme avec un planificateur local (DWA ou une politique apprise) pour éviter les obstacles en temps réel, en utilisant les données de Lidar-radar fusionnées pour tenir les deux couches informées.

Défis et orientations futures

Malgré les progrès considérables, la construction d'un robot prêt à la production avec la fusion Lidar et radar présente encore des obstacles importants.L'étalonnage du capteur demeure un point de douleur : la relation spatiale entre Lidar et radar (traduction et rotation) doit être mesurée avec une grande précision, nécessitant souvent des objectifs et des procédures d'étalonnage spécifiques.

La vitesse de traitement des données est un autre défi. La fusion de deux flux de capteurs à haut débit, la détection d'obstacles, la planification du parcours et la fermeture de la boucle de commande en millisecondes exigent un calcul embarqué puissant, repoussant souvent les limites des plates-formes intégrées.

La consommation d'énergie est une contrainte critique pour les robots alimentés par batterie. Les unités Lidar haut de gamme peuvent dessiner des dizaines de watts, et le traitement ajoute un égout.

Le coût a toujours limité Lidar aux robots haut de gamme, mais le Lidar à l'état solide et flash font baisser les prix. Le radar reste relativement abordable, rendant la solution combinée de plus en plus accessible.

En regardant vers l'avenir, plusieurs tendances façonneront la prochaine génération de robots d'évitement des obstacles. Le radar d'imagerie 4D (mesure de l'élévation de l'intensité) rivalisera avec le radar de Lidar en résolution tout en conservant la résilience météorologique. L'apprentissage de bout en bout des données brutes des capteurs peut contourner les pipelines de fusion fabriqués à la main, permettant d'obtenir des performances plus robustes dans les cas de bord. La communication V2X (Vehicle-to-Everthing)[ pourrait permettre aux robots de partager des informations sur les obstacles entre eux, créant une conscience collective qui s'étend au-delà de chaque gamme de capteurs de robots. Les normes éthiques et de sécurité évolueront également, surtout pour les robots opérant près des humains, nécessitant des architectures et des processus de certification qui ne sont pas sûrs.

Applications du monde réel

L'évitement accru des obstacles rendu possible par la fusion Lidar-radar transforme déjà les industries :

Véhicules autonomes: Les voitures autoconduites de compagnies comme Waymo et Cruise utilisent une combinaison de Lidar, radar et caméras pour naviguer dans les rues de la ville. La redondance assure un fonctionnement sûr dans la pluie ou le brouillard.

Warehouse Robotics: Véhicules guidés automatisés (AGV) et robots mobiles autonomes (AMR) dans les centres logistiques évitent les collisions avec des palettes, des travailleurs et d'autres machines, en maintenant un débit élevé même dans les environnements poussiéreux.

Robots agricoles: Les robots de terrain utilisent la fusion Lidar-radar pour naviguer autour des arbres, des roches et du matériel d'irrigation tout en opérant dans le terrain poussiéreux et inégal des fermes.

Recherche et sauvetage:[ Les robots déployés dans des zones de catastrophe remplies de fumée ou de débris dépendent de la capacité des radars à voir à travers les particules tandis que Lidar fournit des cartes détaillées de l'environnement.

Dernière livraison:[ Les robots de distribution de trottoirs utilisent des capteurs plus petits et moins chers pour éviter les piétons, les trottoirs et les autres obstacles urbains.

Pour plus de détails sur les principes qui sous-tendent ces technologies, voir Lidar sur Wikipedia, Radar sur Wikipedia[, et un aperçu des techniques de fusion de capteurs .Pour une mise en œuvre pratique pratique, le Robot Operating System (ROS) fournit des paquets tels que robot localization (Kalman filters) et move base (la pile de navigation).

Conclusion

La création de robots avec un meilleur évitement des obstacles n'est plus une question de choix entre Lidar ou radar, les plates-formes les plus capables en utilisant la fusion intelligente des capteurs pour surmonter les faiblesses individuelles. Les filtres Kalman, les filtres à particules et les méthodes d'apprentissage profond tissent les données disparates en une image cohérente du monde, tandis que les planificateurs de trajectoires comme A* et RRT* tracent des parcours sûrs à travers elle. Les défis de l'étalonnage, de la puissance de traitement et des coûts sont constamment relevés par les progrès matériels et les algorithmes optimisés.