LiDAR-pistepilvien käsittely sotilaallisessa reunaympäristössä: 3D-maastokartoitus ja esteiden tunnistus sulautetussa laitteistossa

32-kanavainen pyörivä LiDAR-sensori tuottaa noin 700 000 pistettä sekunnissa. Jokainen piste koodaa tarkan etäisyysmittauksen, atsimuutin ja korotuskulman sekä heijastuksen intensiteettiarvon. Tästä raakavirran datasta sotilaallisen autonomisen alustan on johdettava -- reaaliajassa ja ilman yhteysmahdollisuutta -- navigoitavissa oleva maastokartta, joukko estehavaintoja sekä pakattu esitys, joka soveltuu lähetettäväksi rajoitetun taktisen radiolinkin kautta. Tämä on LiDAR-pistepilvien käsittelyn sotilaallisessa reunaympäristössä insinööriongelma: operatiivisesti hyödyllisen 3D-tilannetietoisuuden erottaminen korkean suorituskyvyn sensorista laitteistolla, jonka tehobudjetti saattaa rajoittua 15 W:iin, ilman pilvipalveluun ulkoistamista ja reaaliaikaisen autonomisen navigoinnin asettamien viivevaatimusten puitteissa.

Miksi LiDAR-pistepilvien käsittely reunassa on tärkeää sotilaalliselle autonomialle

Autonomiset maastoajoneuvot, GPS-varjon alla kaupunkijoissa operoivat miehittämättömät ilma-alukset ja jalkauttautuneet robottialustat jakavat saman perusriippuvuuden: ne tarvitsevat reaaliaikaisen ymmärryksen ympärillään olevasta 3D-geometriasta navigoidakseen turvallisesti ja suorittaakseen tehtävänsä. LiDAR on ensisijainen sensori tähän tarkoitukseen, koska se tuottaa metrisiä tarkkuudeltaan tarkkoja etäisyysmittauksia (tyypillisesti 1–3 cm:n tarkkuus enintään 100 m:n etäisyydellä), jotka ovat riippumattomia valaistusolosuhteista, eivät tarvitse kohtauksen tekstuuria toimiakseen ja heikkenevät hallitusti kevyessä sateessa ja pölyisessä ympäristössä. Kamerapohjainen syvyysarviointi voi täydentää LiDAR:a, mutta ei voi korvata sitä heikentyneissä näkyvyysolosuhteissa, jotka ovat yleisiä sotilaallisissa toimintaympäristöissä.

Reuna-asettelu ei ole valinta -- se on fyysinen ja operatiivinen vaatimus. 32-kanavaisen pyörivän sensorin raaka pistepilvidata 10 Hz:llä tuottaa noin 20–40 MB/s, mikä ylittää huomattavasti minkä tahansa käytännöllisen taktisen radiolinkin kapasiteetin (tyypillisesti 512 kbit/s - 5 Mbit/s MANET-konfiguraatiossa kuormituksen alla). Vaikka linkki olisikin käytettävissä, edestakaisin pilvipalvelimelle kuluva viive kuluttaisi kymmeniä tai satoja millisekunteja -- liian kauan törmäyksen välttämispäätöksille nopeasti liikkuvalla ajoneuvolla. Autonomiselle maastoajoneuvolle, joka liikkuu 20 km/h nopeudella, 100 ms:n lisäviive vastaa 55 cm:n lisämatkan kulkemista ennen kuin järjestelmä voi reagoida -- marginaali, joka on esteläheisyydesssä hyväksymätön. Käsittely alustalla ei ole mukava lisäominaisuus; se on ehdoton viive- ja kaistanleveysvaatimus.

Sotilaalliset reunaympäristön LiDAR-käyttöönotot vaativat siksi algoritmeja, jotka ovat sekä laskennallisesti tehokkaita että kestäviä kenttätoiminnan heikentyneissä olosuhteissa: tärinä, sensorin kaltevuus, kasvillisuuden osittainen peittovaikutus sekä selkeiden rakenteellisten piirteiden (seinät, katot, lattiat) puuttuminen, joista sisätilojen LiDAR SLAM -järjestelmät ovat riippuvaisia. Tässä artikkelissa käsitellyt algoritmit on erityisesti valittu osoitetun suorituskykynsä perusteella ulkotilan jäsentymättömissä ympäristöissä.

SLAM maastokartoitukseen: reaaliaikaisten 3D-karttojen rakentaminen liikkuvilta alustoilta

Simultaneous Localization and Mapping (SLAM) on LiDAR-pohjaisen maastokartoituksen algoritminen selkäranka GPS-estetyissä tai GPS-heikentyneissä ympäristöissä. LiDAR SLAM -järjestelmä ylläpitää kahta vuorovaikutteista arviota: alustan nykyinen asento (sijainti ja suuntaus 3D-avaruudessa) sekä ympäristökartta, joka on kertynyt kaikista aiemmista skannauksista. Jokainen uusi LiDAR-skannaus yhdistetään edelliseen skannaukseen tai paikalliseen ala-karttaan alustan inkrementaalisen liikkeen laskemiseksi, mikä päivittää asentoarvion. Aikaleimattu skannaus integroidaan sen jälkeen kasvavaan karttaan, rakentaen 3D-pistepilviesityksen alustaa traversoimasta maastosta.

Laajimmin käytössä olevat LiDAR SLAM -algoritmit sotilaallisille ulkotilan alustoille ovat LOAM (LiDAR Odometry and Mapping), LIO-SAM (LiDAR-Inertial Odometry via Smoothing and Mapping) ja KISS-ICP (Keep it Small and Simple ICP). LOAM poimii särmä- ja tasopintapiirteet jokaisesta skannauksesta ja yhdistää ne kehysten välillä saavuttaen vähäisen ajautumisen jäsentyneellä maastolla, mutta vaatii suhteellisen tehokkaan prosessorin 10 Hz:n suorituskyvyn ylläpitämiseksi. LIO-SAM kytkee LiDAR-skannauksen tiiviisti inertiamittausyksikön (IMU) dataan faktoripohjaisen optimoinnin avulla tarjoten vahvan odometrian tärinälle ja nopeille asennonmuutoksille altistuvilla alustoilla -- olosuhteissa, jotka estävät puhtaan LiDAR-odometrian toiminnan. KISS-ICP pelkistää algoritmin olennaiseen ICP-ytimeen dynaamisella piste-pisteiselle kynnyksellä saavuttaen reaaliaikaisen suorituskyvyn ARM Cortex-A55 -prosessorilla hieman korkeamman ajautumisen kustannuksella piirteettömällä maastolla.

Silmukansulkemishavaitseminen on mekanismi, joka estää SLAM-ajautumisen kerääntymisen rajoittamatta. Kun alusta palaa aiemmin vierailtuun paikkaan, taustaoptimoija havaitsee päällekkäisyyden nykyisen skannauksen ja tallennetun ala-kartan välillä, lisää silmukansulkemisrajoitteen poosigraffiin ja optimoi koko trajektorin uudelleen. Sotilaallisissa tiedustelutehtävissä, joissa UGV tai robotti traversoi reitin ja palaa lähtöpisteeseen, silmukansulkeminen vähentää lopullisen kartan ajautumisen mahdollisista useista metreistä (avoimen silmukan ICP-kerääntyminen 500 m:n traversoinnissa) senttimetreihin. Kompromissina on laskennallinen kustannus: täysi silmukansulkemishavaitseminen skannauskontekstin tai intensiteettihistogrammin kuvaajilla vaatii 50–200 ms yhtä havaitsemisyritystä kohti, ja graafin optimointivaihe skaalautuu super-lineaarisesti suurissa ympäristöissä poosigraffin posit-määrän kasvaessa.

Esteiden tunnistus ja luokittelu sulautetussa LiDAR-laitteistossa

Maastokartoitus ja esteiden tunnistus ovat algoritmisesti erillisiä tehtäviä, jotka suoritetaan samanaikaisesti samalla pistepilvivirralla. Maastokartoitus kerää skannauksia pysyvän 3D-mallin rakentamiseksi; esteiden tunnistus käsittelee jokaisen skannauksen itsenäisesti kohteiden tunnistamiseksi, joita alustan on vältettävä tai joilla on taktista merkitystä. Vakioputkilinja alkaa maantason segmentoinnilla: ajokelpoisen pinnan pisteiden erottamisesta maanpinnan yläpuolisten kohteiden pisteistä. RANSAC (Random Sample Consensus) -tasoitusmenetelmä on klassinen lähestymistapa, joka valitsee satunnaisen pistejoukon, sovittaa tasaisen mallin ja iteroi kunnes suurin sisäjoukko löytyy. Ulkotilan epätasaiselle maastolle progressiiviset morfologiset suodattimet tai etäisyyskuvapohjaiset maanarvioinnit toimivat paremmin, sopeutuen kaltevuuteen ja epätasaisuuteen.

Maanpinnan yläpuolella olevat pisteet ryhmitellään sen jälkeen esteaihion alueisiin euklidisella klusterointimenetelmällä tai tiheyspohjaisen tilaklusteroinnin algoritmilla (DBSCAN). Euklidinen klusterointi ryhmittelee konfiguroitavan etäisyyskynnyksen sisällä olevat pisteet yhtenäisiksi komponenteiksi, joista jokainen edustaa erillistä kohdetta. Tyypillisissä ulkotilan sotilaallisissa skenaarioissa 0,5–1,0 m:n etäisyyskynnysklusterointi ryhmittelee henkilön kehon yhdeksi klusteriksi ja ajoneuvon yhteen tai muutamaan klusteriin samalla kun se erottaa yksittäiset puunrungot ja pensaat. Jokaista klusteria kuvataan sen rajoittavalla suorakulmiolla (mitat ja suuntaus) sekä normalisoidulla pistejakaumalla, joka syötetään luokitusverkkoon. PointNet ja sen seuraaja PointNet++ ovat standardiarkkitehtuureja tähän tehtävään: ne toimivat suoraan klusterin pisteiden raa'oilla (x, y, z) koordinaateilla, soveltavat jaettua MLP:tä jokaiseen pisteeseen per-piste-piirteiden erottamiseksi ja aggregoivat globaalilla max-poolingilla kiinteän kokoisen embedding-esityksen tuottamiseksi, joka on invariantti pistejärjestykselle. Lopullinen MLP-luokitin muuntaa embeddingin kohdelajin todennäköisyyksiksi.

PointNet-tyylisten luokittelijoiden käyttöönotto sulautetussa laitteistossa vaatii saman kvantisoinnin ja optimoinnin työnkulun kuin kuvapohjainen TensorFlow Lite -mallin käyttöönotto sulautetussa sotilaallisessa laitteistossa. INT8-kvantisointi PointNet-mallista vähentää parametrien tallennuksen noin 3,5 MB:sta (FP32) alle 1 MB:iin, ja Jetson Orin NX -alustalla päättelyn viive putoaa 18 ms:sta alle 5 ms:iin klusteria kohti. Koska klusterit käsitellään itsenäisesti, 20–30 maanpinnan yläpuolisella klusterilla varustetun skannauksen kokonaisesteiden tunnistusviive on tyypillisesti 50–100 ms Jetson Orin NX -alustalla -- selvästi 200 ms:n kokonaisbudjetin sisällä 10 Hz:n skannaustiheyden esteiden tunnistuksessa.

Harvennusalgoritmit: vokseliruudukot, kaukaisin piste -otanta ja sotilaalliset kompromissit

32-kanavaisen pyörivän LiDAR-sensorin raakapis­tepilvet sisältävät 50 000–150 000 pistettä skannausta kohti. Jokaisen pisteen käsittely SLAM-algoritmin tai esteiden tunnistusputkilinjan kautta on laskennallisesti tarpeetonta ja usein haitallista: lähietäisyyden pistitiheys on paljon suurempi kuin kumpikaan tehtävä tarvitsee, kun taas pitkän kantaman tiheys on liian pieni lisäämään merkittävää tietoa sen lisäksi, mitä karkeampi esitys tuottaisi. Harvennus vähentää pisteiden määrän käsittelyvaatimusta vastaavalle tasolle, vaihtamalla tilallinen resoluutio laskennalliseen tehokkuuteen.

Vokseliruudukon harvennus on yleisin lähestymistapa sotilaallisissa reunakäyttöönotoissa. 3D-tila jaetaan säännölliseen kuutiollisten vokseleiden ruudukkoon, ja kaikkien vokselissa olevien pisteiden tilalle asetetaan niiden painopiste. Vokselikoon parametri ohjaa suoraan resoluutio–laskenta-kompromissia: 0,1 m:n vokselikoko vähentää 120 000 pisteen skannauksen noin 5 000–10 000 pisteeseen tyypillisissä ulkotilojen kohtauksissa, 10–20-kertainen vähennys, säilyttäen metrisen geometrian SLAM-käyttöön. 0,2 m:n vokselikoko vähentää 2 000–4 000 pisteeseen vastaavalla kartresoluution alenemisella. Vokseliharvennus on laskennallisesti triviaalia (hajataulun haku pistettä kohti) ja toimii alle 2 ms:ssa ARM-prosessorilla, mikä tekee siitä sopivan reaaliaikaiseen esikäsittelyvaiheeseen, joka syöttää kaikkia jatkoalgoritmeja.

Kaukaisin piste -otanta (FPS) on PointNet-tyylisten luokittelijoiden syötteen valmisteluun käytetty standardiharvennusmenetelmä. N-pisteisestä klusterista FPS valitsee iteratiivisesti pisteen, joka on kauimpana nykyisestä valitusta joukosta, kunnes K pistettä on valittu. Tämä tuottaa tilallisesti tasaisen otoksen, joka säilyttää klusterin geometrisen levinneisyyden -- kriittistä PointNetille, joka luottaa globaaliin muotorakenteeseen. Laskennallinen kustannus on O(N * K), mikä on hyväksyttävää pienille klustereille (50–500 pistettä), jotka syötetään estelisättimelle, mutta olisi kohtuuton täysien raakaSkannausten harvennukseen. Käytännössä vokseliharvennus käsittelee täysiskannauksen esikäsittelyvaiheen ja FPS käsittelee per-klusterin normalisoinnin välittömästi ennen luokitin-päättelyä.

Pistepilvien pakkaus kaistanleveyden rajoittamaan taktiseen siirtoon

Vokseliharvennuksen jälkeenkin täysien käsiteltyjen pistepilvien lähettäminen taktisen radiolinkin kautta on harvoin käytännöllistä. Harvennettu ulkotilan skannaus 0,1 m:n vokseliresoluutiolla 5 000 pisteellä, joista jokainen on koodattu kolmena FP32-koordinaattina ja yhtenä heijastusarvona, vie noin 64 KB. 10 Hz:n skannaustiheydelläraaka virta on 640 KB/s -- ylittää useimpien häiriöiden alla toimivien MANET-konfiguraatioiden käytettävissä olevan kapasiteetin. Käytännöllinen ratkaisu on lähettää johdettuja datatuotteita raakojen tai harvennettujen pistepilvien sijasta: tilavuusruudukot, DEM-levyt ja jäsennellyt estehavainnot.

2,5D-tilavuusruudukko koodaa maaston ruudukkosoluiksi, joista jokainen tallentaa korkeimman LiDAR-palautuksen korkeuden ja traversoitavuuslipun. 100 m × 100 m alueelle 0,25 m:n resoluutiolla ruudukko sisältää 160 000 solua. Jokaisen solun tallentaminen 16-bittisellä etumerkillisenä kokonaisluvulla korkeudelle plus yhdellä bitillä traversoitavuudelle sekä LZ4-pakkauksen soveltaminen pienentää 100 m:n laatan noin 15–30 KB:iin maastokompleksisuudesta riippuen. 1 Hz:n päivitysnopeudella per laatta kartan suoratoistorasitus on 15–30 KB/s -- hallittavissa jopa raskaasti kuormitetussa MANET-linkissä. Vastaanottava alusta voi rekonstruoida reittisuunnittelulaadun maastomallin näistä laatoista ilman yhtäkään raakaa pistepilvipakettia.

Estehavainnot ovat vielä kompaktimpia. Jäsennelty viesti, joka koodaa sijainnin (3 FP32), luokan (1 tavu), rajoittavan suorakulmion (3 FP32 mittaa plus 1 FP32 yaw), luotettavuuspisteet (1 FP32), seurausnumeron (4 tavua) ja nopeusarvion (3 FP32) vie noin 60 tavua estettä kohti. 30 esteen lähettäminen 10 Hz:llä tuottaa 18 KB/s:n havaintovirran -- merkityksetöntä millä tahansa käytännöllisellä linkillä. Alle 64 kbit/s:n linkkibudjeteilla pelkän havainnon tapahtumavirran lähettäminen (karttalaattojen päivitysten täydellinen estäminen) tarjoaa vastaanottaville operaattoreille reaaliaikaisen estetilannetietoisuuden käyttäen alle 25 % käytettävissä olevasta linkkikaistanleveydestä.

Laitteistoalustat: GPU-rajoitteinen käyttöönotto Jetsonilla, FPGA:lla ja sotilaallisilla yhden kortin tietokoneilla

NVIDIA Jetson AGX Orin on nykyinen suorituskykyviite sotilaallisille reunaympäristön LiDAR-työkuormille. Sen 2048-ytiminen Ampere GPU 64 Tensor Core -yksiköllä tarjoaa 275 TOPS INT8-suorituskyvyn 15–60 W:n TDP-konfiguraatiossa. Täydellisen LiDAR-käsittelyputkilinjan -- vokseliharvennus, LIO-SAM SLAM, maansegmentointi, euklidinen klusterointi ja INT8 PointNet -luokittelu -- suorittaminen 32-kanavaisella sensorilla 10 Hz:llä kuluttaa noin 8–12 W Jetson AGX Orin -alustalla jättäen tilaa viestintäajureille, tehtäväohjelmistolle ja järjestelmäylikuormalle 20 W:n alustan tehobudjetin puitteissa. Alustoille, joilla on vähemmän anteliaat tehotiloitukset, Jetson Orin NX (10–25 W) käsittelee saman putkilinjan 10 Hz:llä jos SLAM-taustaoptimointi on rajoitettu 5 Hz:iin, ja Orin Nano (5–15 W) riittää yksinkertaisemmille työkuormille, jotka ohittavat täyden SLAM:in hyväksi skannauksesta-skannaukseen odometrialle.

FPGA-alustat palvelevat eri roolia LiDAR-käsittelyketjussa. Etualan operaatioille -- pistepilven sisääntulo sensorin Ethernet-portista, vokseliruudukon hajautus, maantason RANSAC ja etäisyyskuvan luonti -- on deterministiset viivevaatimukset ja ne hyötyvät FPGA:iden tarjoamasta putkitetusta rinnakkaisuudesta. Xilinx Zynq UltraScale+ MPSoC, joka suorittaa vokseliharvennuksen ja maansegmentoinnin ohjelmoitavassa logiikassa, voi tarjota alle millisekunnin viiveen taatulla kapasiteetilla syöttäen harvennetun, maanpoiston läpikäyneen pilven ARM CPU -alajärjestelmälle SLAM:lle ja GPU:lle luokitukseen. Tämä heterogeeninen arkkitehtuuri -- FPGA etualan esikäsittelyyn, GPU oppimispohjaiselle luokitukselle, CPU SLAM-taustaoptimointiin -- on yhä standardimpi korkean suorituskyvyn sotilaallisissa UGV-ohjelmissa. Sotilasluokan yhden kortin tietokoneet, jotka on luokiteltu MIL-STD-810G-standardille tärinälle ja iskuille sekä TEMPEST-standardille sähkömagneettisten vuotojen hallintaan, integroivat tyypillisesti moniydinprosessori-ARM-suorittimen PCIe-slottiin, johon sopii joko Jetson-järjestelmämoduuli tai Xilinx FPGA -moduuli ohjelman viive- ja sertifiointivaatimusten mukaan.

Lämmönhallinta on käytännöllinen rajoite, jonka ohjelmistotiimit aliarvioivat usein integroidessaan LiDAR-käsittelyä sotilaalliseen alustaan. Jetson AGX Orin 60 W:n TDP:llä tuottaa 60 W lämpöä, joka on johdettava pois moduulista sinetöidyssä MIL-spec-kotelossa. Passiiviset jäähdytysratkaisut lämpöputkilla ja ulkoisilla siipien pinnoilla ovat toteutettavissa enintään noin 30 W:n jatkuvalle kuormalle; sen yläpuolella tarvitaan tyypillisesti pumpattu nestejäähdytyssilmukka. Jetsonin TDP-asettaminen 15–20 W:iin nvpmodel-virranhallintakonfiguraatiolla täyttää useimmat passiivijäähdytysbudjetit tarjoten silti riittävän suorituskyvyn 32-kanavaisen LiDAR-putkilinjan käsittelyyn. Lämpörajoitteet vaikuttavat kaikkiin sotilaallisiin reunaympäristön päättelykäyttöönottoihin, ei vain LiDAR-käsittelyyn, ja lämpöbudjetointi tulee olla osa alustasuunnittelua jo ensimmäisestä laitteistoiterraatiosta lähtien eikä kohdella myöhäisenä integrointiongelmana.

Integraatio autonomisten järjestelmien kanssa ja sinisen voiman seuranta tilannetietoisuuteen

LiDAR-käsittelyputkilinja, joka toimii eristyksissä -- tuottaen maastokarttoja ja estehavaintoja, joita kuluttaa vain alustan oma navigointipino -- tarjoaa paikallisen autonomian, mutta ei jaettua tilannetietoisuutta. Operatiivinen arvo moninkertaistuu, kun jokaisen autonomisen alustan johdetut datatuotteet jaetaan taktisessa verkossa ja sulautetaan yhteiseen operatiiviseen kuvaan, johon jokaisella operaattorilla, komentajalla ja kytketyllä järjestelmällä on pääsy. Tämän integraatioarkkitehtuurin kolme elementtiä: georeferoitu datamuoto karttaproduteille, jäsennelty viestimuoto havainnointitapahtumille ja julkaisija-tilaaja-väliohjelmisto, joka toimittaa molemmat kuluttajille sopivalla päivitysnopeudella ja prioriteetilla.

Jokaisen autonomisen alustan maastokarttalaatat georeferoidaan käyttäen alustan nykyistä SLAM-arvioitua sijaintia ja suuntausta, jotka on yhdistetty mahdollisiin saatavilla oleviin GPS-korjauksiin. Laatta projisoidaan globaaliin koordinaattiviitekehykseen (UTM tai MGRS-ruudukko) ja merkitään luovan alustan sinisen voiman seurantamerkinnällä ja aikaleimalla. TAK Server -sovelluksen paikkatietodatakerros hyväksyy nämä laatat Mission Package -liitteinä tai vektorigeometrian päällekkäisyyksinä, tehden ne näkyviksi jokaiselle kytketylle ATAK-asiakkaalle live-karttakerroksena, joka päivittyy autonomisen alustan edetessä. Operaattorit näkevät autonomisten järjestelmien tiedustelemien alueiden maastorakenteen, kun nämä järjestelmät traversoivat sitä, sen sijaan että odottaisivat tehtävän jälkeistä datansiirtoa.

LiDAR-luokittelijalta tulevat estehavainnot julkaistaan CoT-tapahtumina TAK Serverille seuraten samaa integraatiokaavaa kuin akustinen laukauksen tunnistus tekoälyn avulla ja muut reunasensorijärjestelmät. CoT-tapahtuma kantaa esteluokan (ajoneuvo, henkilö, rakenne), rajoittavan suorakulmion mitat ja suuntauksen, luotettavuuspisteet sekä nopeusarvion seurantasuodattimelta. Keskenään viestintäetäisyyden sisällä olevat autonomiset alustat voivat jakaa havainnot myös vertaisverkkona, mahdollistaen jaetun estekartan ylläpitämisen koko laivastossa ilman keskuspalvelinta. Tämä vertaisverkkoesteiden jakaminen on erityisen arvokasta kaupunkioperaatioissa, joissa useita autonomisia järjestelmiä tyhjennetään rakennuksesta ja niiden on ylläpidettävä jaettu kuva tyhjennyttyistä huoneista ja havaituista uhista ilman potentiaalisesti heikentynyttä paluulinkkiä komentopaikalle.