Semana 2. Degradación del LiDAR por basura y niebla

En la segunda semana he comenzado a investigar los problemas asociados a la degradación de los datos LiDAR causados por ruido (basura) y condiciones atmosféricas adversas como la niebla. Estos factores afectan directamente al rendimiento de los modelos de segmentación semántica aplicados para la conducción autónoma.

Detección y filtrado de basura en LiDAR

El sensor LiDAR genera una nube de puntos tridimensional que es representativa del entorno. Sin embargo, en entornos reales aparecen numerosos puntos espurios debidos a reflexiones no deseadas, interferencias o errores de medición. Estos puntos constituyen lo que se denomina “basura” en LiDAR.

Las principales causas de esta basura son:

• Reflexiones en superficies brillantes o húmedas.
• Múltiples rebotes del haz láser.
• Partículas suspendidas en el aire (polvo, lluvia, niebla).
• Errores electrónicos o eco interno del sensor.

Esta información errónea puede confundir al modelo de segmentación, generando bordes falsos o clasificando regiones vacías como objetos.

Un reto importante que deberé abordar es lograr un equilibrio entre eliminar ruido sin eliminar datos útiles, ya que un filtrado excesivo puede borrar información relevante para la segmentación.

Degradación del LiDAR por niebla y baja visibilidad

Aunque el LiDAR es un sensor activo, su rendimiento se ve afectado en condiciones meteorológicas adversas como niebla, lluvia o nieve.
La niebla provoca dispersión y absorción del haz láser, reduciendo la cantidad de puntos detectados y la intensidad del retorno. En consecuencia:

• Disminuye el alcance efectivo del sensor.
• Aumenta el ruido de fondo por retrodispersión en las partículas de agua.
• Se degradan los bordes y contornos de los objetos.
• Se reduce la precisión de la segmentación semántica.

Posibles soluciones y mitigaciones

Para mejorar la robustez ante estas condiciones, se investigan varias estrategias:

• Simulación de niebla en datasets (data augmentation) para entrenar redes más resilientes.
• Uso de LiDAR polarizado o multirretorno, capaz de discriminar entre ecos reales y dispersos.
• Algoritmos de adaptación dinámica del umbral de detección según la visibilidad.

Conclusión

Tanto la basura como la degradación por niebla representan desafíos críticos en el desarrolo del proyecto de los de vehículos autónomos.