LiDAR

LiDAR (Lichtdetektion und Entfernungsmessung) ist eine aktive Sensortechnologie, die Laserlicht nutzt, um Entfernungen zu messen und die Geometrie einer Umgebung zu erfassen. Ein LiDAR-Scanner erzeugt seine eigene Beleuchtung und kann daher auch im Dunkeln Oberflächen vermessen. In der Computer Vision liefern diese Messungen Maschinen räumliche Informationen, mit denen sie Objekte lokalisieren, sich in Umgebungen orientieren und dreidimensionale Karten erstellen können.

So funktionieren LiDAR-Scanner#

Ein gepulster LiDAR-Sensor sendet Laserlicht aus und misst, wie lange das reflektierte Licht bis zu seiner Rückkehr benötigt. Die Entfernung ergibt sich aus der Lichtgeschwindigkeit multipliziert mit der Laufzeit für Hin- und Rückweg und geteilt durch zwei. Kombiniert man jede Entfernung mit der Strahlrichtung, erhält man die Position eines Oberflächenpunkts. Wiederholte Messungen ergeben eine Punktwolke: eine Ansammlung von Punkten mit x-, y- und z-Koordinaten, oft ergänzt um die Rücklaufintensität, also die Stärke des reflektierten Signals.

Die laserbasierte LiDAR-Technik entwickelte sich aus frühen Experimenten mit optischem Radar. Giorgio Fiocco und Louis Smullin führten 1963 atmosphärische Lasermessungen durch und wiesen Streuschichten in 60 bis 140 Kilometern Höhe über der Erde nach. Ihr Experiment begründete eine frühe Anwendung von Laserechos für die Fernmessung.

Ein 2D-Scanner tastet eine Ebene um einen Roboter herum ab; ein 3D-Scanner misst in mehreren Höhen. Luftgestützte Systeme kombinieren die Laserentfernungen zusätzlich mit Positions- und Orientierungsmessungen, um Punkte geografischen Koordinaten zuzuordnen. Topografisches und bathymetrisches LiDAR werden in unterschiedlichen Umgebungen eingesetzt: Topografische Geräte verwenden für die Kartierung von Land meist nahinfrarotes Licht, während bathymetrische Geräte grünes Licht nutzen, um Unterwasserrelief zu vermessen.

LiDAR-Messungen für die KI-Wahrnehmung nutzbar machen#

Punktwolken beschreiben die Geometrie. Maschinelles Lernen ermöglicht die Interpretation, etwa durch die 3D-Objekterkennung, die Position, Abmessungen und Ausrichtung eines Objekts schätzt. PointPillars, 2018 von Alex H. Lang und Kollegen vorgestellt, gruppiert Punkte in vertikale Säulen, lernt Merkmale für diese Säulen und verarbeitet die resultierende Vogelperspektivdarstellung mit einem Erkennungsnetzwerk. Dadurch werden unregelmäßige Messungen in eine Struktur umgewandelt, die sich für eine effiziente Faltungsverarbeitung eignet.

Bei der Sensorfusion werden LiDAR-Geometrie und Kamerabilder kombiniert. Bilder liefern Farbe, Textur und erkennbare Details; LiDAR liefert gemessene Entfernungen und Formen. Durch die Kalibrierung werden Drehung und Verschiebung zwischen den Sensoren bestimmt, während die Synchronisierung ihre Zeitstempel aufeinander abstimmt. Fehler bei einem der beiden Schritte können dazu führen, dass eine Kameraerkennung Punkten zugeordnet wird, die zu einem anderen Objekt gehören.

Ultralytics YOLO unterstützt diesen Arbeitsablauf von Bildern zu Geometriedaten durch seine ROS-Integration: YOLO26-Segmentierungsmasken aus ausgerichteten RGB-Bildern können entsprechende Punkte in einer organisierten, farbigen Punktwolke auswählen und so Objekte in 3D isolieren.

LiDAR, Radar und kamerabasierte Tiefenmessung#

Diese Technologien liefern einander ergänzende Messdaten:

• Tiefenschätzung: Kamerabasierte Verfahren leiten Entfernungen aus Bildern ab. LiDAR misst Entfernungen mithilfe ausgesandten Laserlichts; eine Tiefenkarte ist eine mögliche Darstellung von Entfernungsinformationen.
• Radar: Nutzt Radiowellen und misst üblicherweise Entfernung und Radialgeschwindigkeit – also die Geschwindigkeit in Richtung des Sensors oder von ihm weg. Radar bleibt bei Regen und Nebel nützlich, die optische Sensorik beeinträchtigen.
• 3D-Rekonstruktion: Erstellt ein geometrisches Modell einer Szene. LiDAR liefert Messdaten, die Rekonstruktionssysteme zu Karten oder Oberflächen zusammenfügen.

LiDAR-Punktwolken werden mit zunehmender Entfernung dünner, sodass weit entfernte Fußgänger und andere kleine Objekte durch weniger Messpunkte dargestellt werden. Auch Nebel und Schnee streuen Laserlicht, erzeugen Rückstreuung, die Punktwolken verzerrt und die Erkennung beeinträchtigt. Diese Effekte treten bei der Fahrzeugwahrnehmung auf, wo fehlende Geometriedaten oder wetterbedingte Rückläufe die Hindernisse verändern können, die ein Erkennungssystem identifiziert.

Anwendungen beim Fahren, in der Robotik und bei der Kartierung#

• Autonomes Fahren: Der Waymo Driver kombiniert LiDAR, Kameras und Radar, um Fahrzeuge, Fußgänger und Radfahrer wahrzunehmen. LiDAR liefert Informationen über die Geometrie der Umgebung, während das Wahrnehmungssystem Sensordaten interpretiert, um Verkehrsteilnehmende und deren Positionen zu erkennen.
• Mobile Robotik: Der SLAM-Arbeitsablauf von TurtleBot3 nutzt Laserscans, um eine Karte zu erstellen und gleichzeitig den Standort des Roboters zu schätzen. SLAM steht für gleichzeitige Lokalisierung und Kartierung; wiederholte Beobachtungen verknüpfen die sich verändernde Position des Roboters mit dauerhaften Merkmalen der Umgebung.
• Luftgestützte Kartierung und Umweltüberwachung: Das luftgestützte LiDAR des National Ecological Observatory Network misst die Waldstruktur, einschließlich Kronenhöhe und Vegetationsdichte. Ein einzelner Impuls kann mehrere Rückläufe von Baumkronen, Ästen, Unterwuchs und Boden erzeugen, da Teile des Lichts durch Lücken in der Vegetation dringen.