Diseño e implementación de entorno de modelado de sensor LiDAR utilizando técnicas de computación gráfica para la generación de datos sintéticos aplicado a navegación autónoma

En los últimos años, el área de la investigación y el desarrollo de los vehículos au- tónomos tuvo un gran auge debido a su impacto en los sectores económicos, culturales y ambientales. La detección y el seguimiento de obstáculos en las carreteras es una de las tareas críticas a resolver en el área de la navegación autónoma. Para solucionar esta tarea, los modelos basados en el aprendizaje supervisado, utilizando datos prove- nientes de sensores LiDAR, han sido uno de los enfoques más ampliamente utilizados. Sin embargo, esta solución presenta algunas dificultades en su implementación por la dificultad que conlleva generar enormes cantidades de datos etiquetados para poder entrenar de manera correcta los modelos de aprendizaje automático. Es por ello, que este trabajo tiene como base el interés de investigar y desarrollar aportes para afrontar este problema. En el presente proyecto se desarrolló un modelado de sensor LiDAR utilizando el motor Unreal Engine 4 sobre el simulador CARLA configurable que considera múltiples reflexiones del haz de luz, la divergencia del haz, el ángulo de incidencia en el obstáculo impactado y su material para calcular la intensidad del haz recibido y su retardo temporal en el receptor. Además, el modelado tiene la capacidad de generar datos de tres maneras: nube de puntos etiquetadas, señal temporal y la distancia de los impactos de cada canal del sensor LiDAR. Las nubes de puntos permiten generar base de datos directas para el entrenamiento de redes neuronales o algoritmos de procesamiento. La señal temporal y la distancia de los impactos puede utilizarse para el desarrollo de algoritmos de procesamiento de señales a nivel del receptor del sensor LiDAR. Se evaluó su desempeño a través de dos enfoques: el entrenamiento de modelos de redes neuronales con el agregado de datos sintéticos y la comparación de los datos generados por el modelado respecto a los datos de un LiDAR real. En el primer enfoque, se realizó el entrenamiento de varios modelos diferentes de detección de objetos con nubes de puntos obteniendo mejoras en la detección de hasta 10 %. En el segundo enfoque, se utilizó un LiDAR real Veodyne VLP-16 en un entorno conocido modelado en 3D y el error máximo entre los puntos fue de 2.63 cm, por debajo del error propio del sensor según su fabricante. In recent years, the field of research and development of autonomous vehicles has experienced a significant boom due to its impact on economic, cultural, and environ- mental sectors. The detection and tracking of obstacles on roads is one of the critical tasks to solve in the area of autonomous navigation. To address this task, models based on supervised learning, using data from LiDAR sensors, have been one of the most widely used approaches. However, this solution presents some implementation difficulties due to the challenge of generating large amounts of labeled data needed to properly train machine learning models. Therefore, this work is motivated on the ongoing interest in the research and development contributions to tackle this problem. In the this project, a LiDAR sensor modeling was developed using the Unreal Engine 4 on the configurable CARLA simulator, which considers multiple reflections of the light beam, beam divergence, the angle of incidence on the impacted obstacle, and its material, to calculate the beam’s received intensity and its time delay at the receiver. Additionally, the modeling has the capability to generate data in three ways: labeled point clouds, temporal signal, and the distance of impacts from each channel of the LiDAR sensor. Point clouds allow for the creation of direct databases for training neural networks or processing algorithms. The temporal signal and impact distances can be used for the development of signal processing algorithms at the LiDAR sensor receiver level. Its performance was evaluated through two approaches: the training of neural net- work models with the addition of synthetic data and the comparison of the data gene- rated by the modeling to that of a real LiDAR. In the first approach, the training of various different object detection models with point clouds resulted in improvements in detection of up to 10 %. In the second approach, a real Velodyne VLP-16 LiDAR was used in a known 3D-modeled environment, resulting in a point distance error of 2.63 cm at its maximum, which is below the 3 cm error specified by the sensor manufacturer.