heinrichwirth/health_of_road

Решение на хакатоне, которое заняло 7 место. Детекция дефектов дорожного покрытия без размеченных данных с использованием лидара.

Детекция дефектов дорожного покрытия без размеченных данных с использование LiDAR

Введение

Протяженность дорог общего пользования в Москве превышает 6 тысяч километров и каждый год увеличивается не менее, чем на 100 километров. С постоянным ростом протяженности дорожной сети увеличиваются затраты и сложность своевременного обнаружения и устранения дефектов дорожного покрытия. Такие дефекты являются причиной повышения аварийности на дорогах. Их профилактика (раннее обнаружение) позволяет значительно снизить затраты на ремонт покрытия и предотвратить аварийные ситуации.

Задача

Разработка алгоритма, способного обнаруживать дефекты дорожного покрытия, используя неразмеченные данные с лидара.

Основная концепция и этапы решения

Как можно за 48 часов, с помощью облака точек и без разметки создать модель, которая будет определять дефекты? Было принято решение использовать механизм кластеризации.

Этапы:

1. Конвертация данных: Преобразование данных из формата ROS2 в CSV.
2. Предобработка данных: Исправление аномалий и дефектов в данных.
3. Объединение данных: Слияние нескольких кадров для улучшения разрешения с использованием специализированных алгоритмов.
4. Отбор данных: Выделение точек, представляющих собой дорожное покрытие.
5. Зона детекции: Определение области вокруг беспилотного транспортного средства с максимальной плотностью точек.
6. Кластеризация: Использование DBSCAN для идентификации дефектов, опираясь на отклонения в 4 и более сигм.

Используемые технологии

• ROS2 для обработки исходных данных.
• Open3D для кластеризации и обработки облака точек.
• Python в качестве основного языка программирования.
• DBSCAN как метод кластеризации.

Трудности

Данные оказались очень "сырыми". А именно:

1. Недостаточное разрешение: Из-за низкой плотности точек лидара пришлось комбинировать данные из нескольких кадров, используя алгоритм ICP.

2. Ошибки в координатах: Наблюдались аномалии в координатах оси Z, что потребовало применения алгоритма RANSAC для коррекции.

   Изначальные данные.

• Цвет показывает координаты по оси Z:

  

• Вид на данные с числовой шкалой

  

  Исправленные данные

Результаты

Был разработан эффективный алгоритм, который может детектировать дефекты дорожного покрытия, используя данные с лидара и GPS. Единственным недостатком осталось отсутствие веб-интерфейса для визуализации результатов на карте.