Semana 3. Simulación del LiDAR en Carla y Detección por parches planos

En la tercera semana he comenzado a investigar el funcionamiento y la simulación del sensor LiDAR en CARLA. EL simulador proporciona un conjunto de blueprints de sensores que permiten integrar fácilmente diferentes tipos de percepción para los vehículos virtuales sin necesidad de crear el hardware desde cero.

Sensores disponibles en CARLA

El simulador ofrece múltiples sensores listos para usar, entre los que destacan:

• Cámara RGB (sensor.camera.rgb): simula una cámara normal.
• Cámara de profundidad (sensor.camera.depth): genera mapas de profundidad.
• Cámara semántica (sensor.camera.semantic_segmentation): asigna una clase de objeto a cada píxel.
• Cámara de flujo óptico (sensor.camera.optical_flow): calcula el movimiento entre cuadros consecutivos.
• LiDAR (sensor.lidar.ray_cast): simula un sensor LiDAR 3D clásico.
• GNSS (sensor.other.gnss): proporciona coordenadas GPS (latitud, longitud, altitud).
• IMU (sensor.other.imu): entrega aceleraciones y velocidades angulares.
• Radar (sensor.other.radar): mide distancia y velocidad relativa.
• Velocímetro (sensor.speedometer): informa de la velocidad del vehículo.

Simulación del LiDAR en CARLA

El LiDAR en CARLA se basa en el principio de Ray Casting, que consiste en lanzar rayos desde la posición del sensor hacia el entorno y registrar los puntos de impacto.
Este proceso se desarrolla en varias etapas:

1. Configuración de parámetros
   Se definen propiedades como el número de canales, rango y frecuencia de rotación. Con estos valores se determina cuántos rayos se lanzan por cada tick de simulación.

2. Generación de rayos
   Cada rayo se orienta según una distribución angular, simulando el barrido del sensor real.

3. Ray Casting (detección de impactos)
   Mediante funciones del motor Unreal Engine, cada rayo detecta colisiones con el entorno.
   Si se produce un impacto, se almacena la coordenada 3D del punto de colisión.

4. Construcción de la nube de puntos
   Los puntos detectados se transforman al marco de referencia del sensor.
   Además, se añade información complementaria como intensidad del retorno y etiqueta semántica.
   Finalmente, los datos se empaquetan en una estructura binaria denominada Lidar Measurement.

5. Transmisión al cliente Python
   La nube de puntos se envía al cliente mediante la API de streaming de CARLA, permitiendo su procesamiento en tiempo real.

Realismo del modelo LiDAR

Aunque CARLA no simula la óptica real del sensor, reproduce de forma precisa los parámetros geométricos y temporales del LiDAR.
En particular:

• Se simulan correctamente distancias, ángulos y frecuencias de muestreo.
• Sin embargo, la intensidad del retorno es una versión simplificada que no depende del material ni del color de las superficies.
• El ruido se introduce de manera artificial para aumentar la variabilidad y realismo de los datos.

Conclusión

El estudio del LiDAR en CARLA me ha permitido comprender cómo se genera y transmite la nube de puntos simulada, así como las limitaciones del modelo físico respecto a sensores reales.
Este conocimiento servirá como base para futuras tareas dónde se pueda mejorar su uso y hacerlo más eficiente.

---

Detección de Parches Planos

La detección de parches planos consiste en identificar y agrupar regiones conectadas dentro de una imagen o de una nube de puntos 3D que pertenecen a una misma superficie geométricamente plana.
Este proceso es fundamental en áreas como la visión por computador, la robótica, la reconstrucción 3D y el análisis de escenas.

---

Concepto de Parche Plano

Un parche plano se define como un grupo contiguo de:

• Píxeles en una imagen 2D, o
• Puntos en una nube 3D,

que pueden ser modelados con precisión mediante un plano matemático, normalmente expresado como:

[ ax + by + cz + d = 0 ]

donde ((a, b, c)) representa la normal del plano y (d) es el término independiente.

---

Principales Desafíos

1. Ruido en los datos
   • Las mediciones obtenidas por sensores (como cámaras RGB-D o LIDAR) suelen contener ruido.
   • Este ruido afecta el cálculo de las normales locales, generando errores al estimar los planos.
   • Como consecuencia, los parches pueden aparecer fragmentados o mal agrupados.
2. Superficies curvas
   • Las regiones curvas no pueden representarse por un solo plano.
   • En estos casos, se modelan como una serie de pequeños planos, lo que incrementa la complejidad del modelo y la fragmentación del resultado.
3. Dependencia de los umbrales
   • El proceso de agrupamiento depende fuertemente de umbrales (por ejemplo, ángulo máximo entre normales o distancia máxima al plano).
   • Una mala elección de estos parámetros puede producir sobresegmentación o subsegmentación.

---

Ventajas del Método

• Alta eficiencia computacional:
  Los algoritmos de detección de planos, como RANSAC o el ajuste por mínimos cuadrados, pueden ejecutarse rápidamente incluso sobre grandes conjuntos de datos.

• Robustez ante texturas:
  A diferencia de los métodos basados en color o textura, la detección de parches planos se apoya en la geometría, por lo que es robusta ante variaciones de iluminación o textura superficial.

---