Un robot autonomo di pulizia (AV) ha urtato un treno durante un'operazione di routine. L'incidente, lungi dall'essere un guasto meccanico, ha rivelato una vulnerabilità critica nei sistemi di percezione. L'analisi successiva, condotta tramite simulazione 3D con RoboGuide, CloudCompare e Blender, ha dimostrato che la geometria del vetro del treno generava occlusioni nei sensori LiDAR, creando punti ciechi che il software di navigazione non ha potuto anticipare.
Analisi dell'occlusione LiDAR dovuta alla geometria del vetro 🚆
Il team di ingegneria ha ricreato lo scenario in RoboGuide, importando un modello 3D del treno e del robot. Utilizzando CloudCompare per l'analisi delle nuvole di punti, è stato rilevato che l'angolo di incidenza dei raggi LiDAR sulle superfici di vetro curvo del treno provocava riflessioni speculari. Ciò generava zone d'ombra o vuoti di dati in regioni chiave, come i bordi laterali e le giunzioni dei pannelli. In Blender, è stata visualizzata la traiettoria del robot e sovrapposta la mappa di occlusione, confermando che il sensore non registrava la presenza dell'ostacolo al momento dell'impatto. Il guasto non era dell'hardware, ma dell'interpretazione geometrica dell'ambiente.
Lezioni per la calibrazione e la progettazione dei percorsi 🤖
La soluzione non passa solo dall'aggiungere più sensori, ma dal ripensare la calibrazione e la pianificazione dei percorsi. La simulazione 3D consente di replicare queste condizioni di occlusione e di regolare i campi visivi o includere punti di verifica ridondanti. In questo caso, è stato proposto di riprogettare la traiettoria di pulizia per includere una scansione laterale preliminare e di ricalibrare il LiDAR per filtrare i falsi positivi dovuti ai riflessi. La lezione è chiara: in ambienti con superfici altamente riflettenti, la simulazione deve precedere l'implementazione per evitare collisioni evitabili.
Poiché la simulazione 3D ha permesso di identificare punti ciechi nel robot di pulizia che il sensore LiDAR non ha rilevato, quali lezioni offre questo caso per migliorare la ridondanza sensoriale nei sistemi di navigazione autonoma ferroviaria?
(PS: Simulare robot è divertente, finché non decidono di non seguire i tuoi ordini.)