La colisión de un robot autónomo de reparto contra un peatón en condiciones de niebla densa ha puesto en jaque los sistemas de percepción actuales. La reconstrucción 3D de la escena integra datos climáticos y sensoriales para determinar si el fallo fue algorítmico o ambiental. Este análisis forense combina nubes de puntos LiDAR, trayectorias y simulación para replicar el accidente.
Flujo de trabajo técnico: de la nube de puntos a la simulación climática 🛠️
El proceso inicia con la importación de datos de sensores LiDAR y cámaras estéreo en CloudCompare, donde se alinean las nubes de puntos del robot y el peatón para establecer la geometría exacta de la escena. Luego, en Trimble RealWorks se miden distancias de frenado, ángulos de aproximación y trayectorias previas al impacto. El siguiente paso es exportar estos datos a Carla Simulator, donde se recrea la niebla con parámetros de densidad y reflectancia para simular el fallo de percepción del LIDAR. Finalmente, Blender se utiliza para generar una visualización divulgativa que muestra cómo el haz del sensor se degrada en la niebla, ocultando al peatón en el momento crítico.
Lecciones de ingeniería para la movilidad autónoma urbana 🚦
La reconstrucción revela que el robot no detectó al peatón debido a la atenuación del LiDAR por las partículas de agua, un fallo previsible pero no mitigado. El flujo de trabajo demuestra que la integración de datos meteorológicos en tiempo real es crítica para los sistemas de navegación. Sin una redundancia sensorial que funcione en niebla, estos bots seguirán siendo un riesgo en aceras peatonales.
Cómo puede la reconstrucción 3D forense a partir de datos LiDAR y cámaras térmicas superar las limitaciones de la percepción visual en condiciones de niebla densa para determinar la responsabilidad en la colisión de un delivery bot?
(PD: En el análisis de escenas, cada testigo de escala es un pequeño héroe anónimo.)