Lidar Sistemlerde Görüntü İşleme: Temeller ve 3D Nokta Bulutu Simülasyonu

Yayınlanma Tarihi: Melda Aslan 15 Ekim 2025 | Kategori: Otonom Sistemler

🌍 Lidar Nedir ve Neden Hayati Önem Taşır?

Lidar (Light Detection and Ranging), lazer ışınları kullanarak çevresindeki nesnelerin ve ortamın mesafesini ölçen bir uzaktan algılama teknolojisidir. Geleneksel kameraların aksine, Lidar'dan elde edilen veriler doğrudan bir 3D Nokta Bulutu (Point Cloud) oluşturur, bu da nesnelerin sadece görsel değil, aynı zamanda geometrik bilgilerini (genişlik, derinlik, yükseklik) milimetrik hassasiyetle sağlar. Otonom araçlar, drone'lar ve hassas endüstriyel robotlar için Lidar, çevreyi algılamanın temelini oluşturur.

Lidar Uygulama Alanları:
  • Otonom Sürüş: Gerçek zamanlı 3D haritalama ve engel tespiti.
  • SLAN (Simultaneous Localization and Mapping): Bir robotun bilmediği bir ortamda hem harita oluşturması hem de kendi konumunu belirlemesi.
  • Endüstriyel Ölçüm: Stok hacmi hesaplama, fabrika ortamında hassas boyut ve konum tespiti.
  • Robotik Navigasyon: Robotun dinamik bir alanda güvenli bir rota çizmesi.
 

☁️ Nokta Bulutundan Anlam Çıkarma: Görüntü İşleme Adımları

Lidar verisi, her biri (X, Y, Z) koordinatlarına sahip milyonlarca noktadan oluşur. Bu ham verinin bir robot tarafından kullanılabilir bilgiye dönüştürülmesi için gelişmiş görüntü işleme teknikleri gereklidir. Bu sürece Nokta Bulutu İşleme (Point Cloud Processing) adı verilir.

Temel İşleme Aşamaları:

  1. Filtreleme ve Gürültü Azaltma: Lazerin yüzeyden sekmeyen veya tozdan etkilenen yanlış noktalarının çıkarılması (Statistical Outlier Removal).
  2. Segmentasyon: Nokta bulutunu mantıksal gruplara ayırma. Örneğin, zemini, duvarları ve ilgilenilen nesneleri birbirinden ayırma (RANSAC, PCL Kütüphanesi).
  3. Nesne Tanıma ve Konumlandırma: Segmentlere ayrılmış gruplar arasından bir silindir, kutu veya özel bir model (template) arayarak hedef nesnenin merkez koordinatlarını ve yönelimini (pose) çıkarma.
  4. Koordinat Dönüşümü (Kalibrasyon): Elde edilen 3D koordinatların (Lidar çerçevesi) robotun veya aracın kendi kontrol sistemine uygun koordinat sistemine dönüştürülmesi.
// Lidar verisinden hedef X koordinatını çıkarma konsepti
function extract_target_coordinate(point_cloud) {
    // 1. Yüzey/Zemin Segmentasyonu
    const objects = segment_ground(point_cloud);
    
    // 2. En yakın nesneyi bul
    const target = find_nearest_object(objects);
    
    // 3. Nesnenin merkez X koordinatını al (örneğin otonom bir robot için)
    return target.center_x;
}
 

⚙️ Lidar Verisine Tepki: PID Kontrol ve Lineer Hareket

Lidar'dan elde edilen bir hedef koordinatı, robotun motor kontrol sistemine bir emir olarak iletilir. Bu emir, tıpkı önceki lineer sistemlerde olduğu gibi, hassas ve dinamik bir kontrol mekanizması gerektirir. Burada devreye PID Kontrolör girer. Lidar'ın sağladığı hassas konum hatası ($e(t)$), PID döngüsünü besler ve robotun titreşimsiz, doğru bir şekilde hedefine ulaşmasını sağlar.

Lidar Algılaması ile Desteklenen Lineer Robot Simülasyonu (PID Kontrol)
Lidar Nokta Bulutu İşleme Verisi

Lidar Tarama Hızı: 10 Hz

Algılanan Nesne Merkezi (X, Y, Z): (400.00, 1.25, 0.05) m

Hedef (X) Koordinatı (mm): 400.00 mm (Lidar'dan gelen mesafe)

Motor_Hiz = PID(X_Hedef - X_Mevcut)

PID Parametreleri (Kontrol Dengesi)

Kp: (Hıza Tepki)

Ki: (Kalıcı Hata)

Kd: (Salınım Önleme)

Lineer Robot Simülasyonu (PID Kontrol)

Pozisyon (mm): 50.00

Hız (mm/s): 0.00

Hata (mm): 350.00

LİDAR HEDEFİ
ROBOT

Simülasyonun Lidar/PID İlişkisi

Bu simülasyon, bir lineer robotun (örneğin otonom bir süpürgenin veya forkliftin X ekseni) Lidar sisteminden 400.00 mm uzakta bir engel/hedef algılaması durumunu temsil eder. Robot, bu mesafeyi hedefine ulaşmak için kullanır. PID kontrolörün amacı, robotun başlangıç konumu ($P_{mevcut}$) ile Lidar'dan gelen hedef konumu ($P_{hedef}$) arasındaki hatayı sıfırlamaktır.

PID Parametrelerinin Lidar'a Etkisi:

  • Kp (Proportional): Lidar hatası ne kadar büyükse, robot o kadar hızlı tepki verir. Yüksek Kp, ani hızlanma demektir.
  • Kd (Derivative): Lidar verisi sürekli değiştiğinde (dinamik bir ortamda), Kd bu değişim oranını (hızı) kontrol altına alarak robotun hedefini aşmasını (overshoot) engeller. Otonom sistemlerde sarsıntısız hareket için kritiktir.
  • Ki (Integral): Lidar'daki küçük kalibrasyon veya ölçüm hatalarından kaynaklanan kalıcı konum hatalarını zamanla düzelterek robotun tam olarak hedefin üzerinde durmasını sağlar.
 

🧭 Gelecek: Lidar ve Derin Öğrenme Entegrasyonu

En yeni gelişmeler, Lidar'ın nokta bulutlarını yorumlamak için derin öğrenme (Deep Learning) modellerini kullanmaktadır. Bu, robotların sadece nesnelerin geometrisini değil, aynı zamanda onların ne olduğunu (insan, araç, ağaç) anlamasını sağlar. Nokta bulutu temelli segmentasyon ağları (PointNet, PointCNN) bu alandaki ilerlemelerin merkezindedir ve robotlara daha karmaşık kararlar alabilme yeteneği kazandırmaktadır.

✅ Sonuç: Lidar ile Üstün Hassasiyet

Lidar sistemler, 3D algılamada sundukları üstün hassasiyet ve doğrudan mesafe bilgisi sayesinde, otonom ve robotik sistemlerin geleceğini şekillendirmektedir. Bu veriyi PID gibi gelişmiş kontrol algoritmalarıyla birleştirmek, sistemlerin sadece hızlı değil, aynı zamanda son derece güvenilir ve kararlı çalışmasını garanti eder.

Kendi Robotik Yazılım Projenizi Hayata Geçirin!

Otonom araçlar, Lidar sistemler ve endüstriyel robotlar için yazılım geliştirmeye hemen başlayın.

Robotik Eğitimlerimizi Keşfedin