Sensoren und LiDAR

LiDAR vs. Radar: Der vollständige Leitfaden für Robotik und autonome Systeme

Nico Nuss 0
Autonomous mobile robot using LiDAR point clouds and radar sensing in an industrial hall [Bildinhalt mit KI erstellt]

LiDAR vs. Radar ist kein Wettbewerb mit einem einzigen Gewinner. LiDAR liefert normalerweise dichtere geometrische Details und präzisere Objektkonturen. Radar misst direkt die Relativgeschwindigkeit, gewährleistet im Allgemeinen eine bessere Verfügbarkeit bei Staub, Nebel und Regen und kann hinter ausgewählten nichtmetallischen Abdeckungen eingesetzt werden. Aber diese Aussagen sind nur der Anfang. In der Robotik und autonomen Systemtechnik hängt die Leistung von der Sensorarchitektur, der Wellenlänge oder dem Frequenzband, der Apertur, der Signalverarbeitung, dem Zielmaterial, der Montageposition, der Verschmutzung und der Betriebsumgebung des Roboters ab.

Die richtige technische Frage lautet daher nicht „Welcher Sensor ist besser?“, sondern: Welche Messungen müssen für diese Maschine in diesem Betriebsdesignbereich bei der erforderlichen Latenz und den erforderlichen Kosten vertrauenswürdig bleiben? Ein Lagerroboter, der schmale Gänge kartiert, hat andere Anforderungen als ein autonomer LKW, der schnellen Verkehr in Gischt erkennt, eine Drohne, die Stromleitungen meidet, oder ein Sicherheitssystem, das einen Zaun in der Dunkelheit überwacht.

Dieser Leitfaden erklärt die Physik, ohne den Einsatz aus den Augen zu verlieren. Es vergleicht konventionelles und modernes LiDAR mit FMCW und 4D-Imaging-Radar, trennt Genauigkeit von Auflösung, untersucht Fehlermodi und bietet einen wiederholbaren Auswahl- und Testprozess.

LiDAR vs. Radar auf einen Blick

Kriterium LiDAR Radar
Energie verbraucht Laserlicht, üblicherweise im nahen Infrarot Radiowellen, oft Mikrowellen oder Millimeterwellen
Native Messungen Reichweite, Richtung und Rückkehrintensität; manchmal mehrere Retouren Reichweite, Richtung, Reflexionsstärke und meist relative Radialgeschwindigkeit
Typische räumliche Ausgabe Dichte oder halbdichte 2D-/3D-Punktwolke Spärliche Erkennungen, Spuren oder immer dichtere 4D-Punktwolken
Feine Objektform Normalerweise stark Verbesserung durch Imaging-Radar, aber im Allgemeinen weniger detailliert
Direkte Geschwindigkeit Herkömmliches gepulstes ToF-LiDAR: normalerweise nein; über Frames geschätzt Ja, die Doppler-Geschwindigkeit ist eine Kernstärke
Dunkelheit Aktive Beleuchtung; normalerweise unbeeinflusst von der Dunkelheit des sichtbaren Lichts Unbeeinflusst von der Dunkelheit des sichtbaren Lichts
Nebel, Gischt und Staub Es kann zu Dämpfung und Rückstreuung kommen Normalerweise robuster, aber nicht immun
Oberflächenherausforderungen Dunkle Ziele, Glas, Spiegel, Retroreflektoren und nasse Oberflächen können schwierig sein Materialien mit geringem Radarquerschnitt, Mehrwegeausbreitung und Störechos können schwierig sein
Kartierung und Lokalisierung Ausgereifte, geometriereiche Punktwolken Radar-SLAM ist bei schwierigem Wetter wertvoll, aber die Daten sind oft weniger intuitiv
Verpackung Rotierende, MEMS-, Flash- und andere Halbleiterdesigns Feste Antennenarrays; kann hinter geeigneten Radomen oder Karosserieblechen sitzen
Kosten und Berechnung Große Auswahl; Hochauflösende Streams können datenintensiv sein Große Auswahl; Einfaches Radar kann wirtschaftlich sein, Imaging-Radar kann rechenintensiv sein
Beste Standardverwendung Detaillierte Geometrie, Kartierung, Freiraum und Objektkontur Längsreichweite, Geschwindigkeit, robuste Erkennung und Betrieb bei eingeschränkter Sicht

Diese Tabelle beschreibt Tendenzen, keine garantierten Spezifikationen. Ein High-End-Imaging-Radar kann einen kostengünstigen LiDAR in wichtigen Dimensionen übertreffen, während ein sorgfältig ausgewählter LiDAR die nutzbare Reichweite eines bestimmten Radars überschreiten kann. Produktvergleiche müssen identische Ziele, Sichtfelder, Aktualisierungsraten und Umgebungsbedingungen verwenden.

Was ist LiDAR?

LiDAR steht für Light Detection and Ranging. Der gebräuchlichste Roboter-LiDAR sendet einen kurzen Laserimpuls, erkennt reflektierte Photonen und berechnet die Entfernung aus der Hin- und Rückfahrzeit:

R = c × Δt / 2

R ist Entfernung, c ist die Lichtgeschwindigkeit und Δt ist die gemessene Zeit zwischen Senden und Empfangen. Die Division durch zwei berücksichtigt den Hin- und Rückweg.

Indem der Sensor viele Messungen über eine Szene leitet, erstellt er eine Reihe von 3D-Punkten. Jeder Punkt kann kartesische Koordinaten, Bereich, Rückgabeintensität, Zeitstempel, Kanal und manchmal Rückgabenummer enthalten. Eine Punktwolke zeigt Wände, Bordsteine, Paletten, Menschen, Vegetation und andere Geometrien, ohne dass sichtbares Umgebungslicht erforderlich ist.

Die Ouster-Erklärung zu LiDAR beschreibt diesen Puls-Return-Berechnungszyklus und veranschaulicht, wie wiederholte Messungen eine 3D-Darstellung erzeugen. Die technische Sensordokumentation von Ouster zeigt auch, dass reale Systeme mehr als XYZ-Punkte offenlegen, einschließlich Entfernungs-, Signal-, Nahinfrarot- und Reflexionsdaten.

Wichtigste LiDAR-Entfernungsmessungsmethoden

Gepulste Time-of-Flight-Messung

Gepulstes ToF ist die bekannte Architektur in der mobilen Robotik und automatisierten Fahrzeugen. Der Sender sendet einen kurzen Impuls aus und ein schneller Detektor versieht die Rückkehr mit einem Zeitstempel. Die maximale nutzbare Reichweite hängt von der emittierten Energie, der Empfängerapertur und -empfindlichkeit, den optischen Verlusten, der atmosphärischen Dämpfung, dem Zielreflexionsvermögen und der erforderlichen Erkennungssicherheit ab.

Amplitudenmodulierte kontinuierliche Welle

Ein AMCW-LiDAR moduliert die kontinuierliche optische Leistung und schätzt die Entfernung anhand der Phasendifferenz zwischen gesendetem und zurückgegebenem Licht. Dies ist bei einigen Tiefenkameras und Systemen mit kurzer bis mittlerer Reichweite üblich. Phasenunklarheit und Störanfälligkeit müssen bewältigt werden.

FMCW-LiDAR

FMCW LiDAR mischt zurückgegebenes Licht mit einer kohärenten Referenz. Im Prinzip kann es Entfernung und Doppler-Geschwindigkeit messen und gleichzeitig viel nicht relevantes Licht unterdrücken. Es unterscheidet sich technologisch von den gepulsten ToF-Einheiten, die viele aktuelle Roboterflotten dominieren. Kohärente Optik, Laserlinearität und Herstellungskosten bleiben wichtige Designherausforderungen.

Wie LiDAR eine Szene scannt

„LiDAR“ bedeutet nicht ein einziges mechanisches Design. Zu den gängigen Architekturen gehören:

  • Rotierendes Mehrstrahl-LiDAR: Ein Sensorkopf oder eine optische Baugruppe dreht sich, um ein weites oder 360-Grad-Sichtfeld bereitzustellen.
  • Mechanisches Scannen: Spiegel oder andere Mechanismen steuern einen oder mehrere Strahlen.
  • MEMS-Scannen: Mikroskopische Spiegel lenken den Strahl über ein definiertes Feld.
  • Flash-LiDAR: beleuchtet einen Bereich und erfasst ein Tiefenbild ohne zeilenweises Scannen.
  • Optische Phased Arrays: Licht elektronisch durch kontrollierte Phasenunterschiede steuern.
  • Feste Solid-State-Arrays: Sender und Empfänger sind in einem nicht rotierenden Gehäuse integriert.

Die Bezeichnung Solid State sollte mit Bedacht verwendet werden. Einige als Festkörperprodukte vermarktete Produkte enthalten immer noch mikroskopisch kleine bewegliche Elemente. Andere haben keine bewegliche Strahllenkungskomponente. Die relevanten technischen Fragen sind Lebensdauer, Vibrationstoleranz, thermisches Verhalten, Scanmuster und Fehlererkennung – nicht nur das Marketingetikett.

LiDAR-Wellenlängen

Roboter-LiDAR arbeitet üblicherweise bei etwa 850, 905, 940 oder 1550 Nanometern, obwohl es auch andere Wellenlängen gibt. Die Wellenlänge beeinflusst Detektormaterialien, atmosphärische Transmission, Sonnenhintergrund, Kosten optischer Komponenten und das erreichbare augensichere Emissionsprofil. Es allein entscheidet nicht darüber, ob ein fertiger Sensor „besser“ ist

Ouster beschreibt beispielsweise eine Halbleiterarchitektur mit VCSEL-Emittern und SPAD-Detektoren, während Luminar ein Automobilsystem beschreibt, das auf der 1550-Nanometer-Technologie basiert. Dies sind Herstellerquellen und sollten nicht als neutraler Beweis dafür betrachtet werden, dass eine Architektur jeden Anwendungsfall gewinnt. Sie zeigen, wie unterschiedlich LiDAR-Systeme konstruiert werden können. Sehen Ousters digitale LiDAR-Architektur und Luminars Technologieübersicht.

Was ist Radar?

Radar steht für Radio Detection and Ranging. Ein Radar sendet elektromagnetische Energie und analysiert Reflexionen von Zielen. Roboter- und Automobilsysteme nutzen üblicherweise Mikrowellen- oder Millimeterwellenbänder. Moderne Fahrzeugradare arbeiten häufig im Bereich von 77 GHz, während Industrie- und Belegungssysteme je nach regionalen Vorschriften und Anwendungsanforderungen möglicherweise andere Bänder verwenden.

Radar kann Folgendes schätzen:

  • Reichweite;
  • Azimut und, mit geeigneten Antennen, Elevation;
  • Radialgeschwindigkeit durch den Doppler-Effekt;
  • reflektierte Signalstärke;
  • Objekt- oder Spurattribute, die durch die Onboard-Verarbeitung generiert werden.

Die Reflexion des Ziels hängt davon ab Radarquerschnitt, nicht nur seine sichtbare Größe. Form, Material, Ausrichtung, Frequenz und Polarisation sind alle wichtig. Ein großes Objekt kann in einer Geometrie eine schwache Reflexion erzeugen, während eine kleinere metallische Ecke eine starke Reflexion erzeugen kann.

Gepulstes Radar

Ein gepulster Radar sendet Hochfrequenzimpulse aus und misst deren Umlaufzeit. Impulsbreite und Signalbandbreite beeinflussen die Fähigkeit, nahe gelegene Ziele in Reichweite zu trennen. Gepulste Architekturen bleiben in Luftfahrt-, Schifffahrts-, Wetter- und Verteidigungsanwendungen wichtig, aber kompakte Roboter- und Automobilprodukte verwenden häufig FMCW-Techniken.

Dauerstrich- und Dopplerradar

Ein unmoduliertes Dauerstrichradar eignet sich hervorragend zur Erkennung von Bewegung und Radialgeschwindigkeit durch Dopplerverschiebung, kann jedoch die absolute Entfernung nicht allein durch Frequenzverschiebung bestimmen. Einfache Bewegungsmelder und Geschwindigkeitsmesssysteme können dieses Prinzip nutzen.

FMCW-Radar

Ein FMCW-Radar sendet einen Frequenzdurchlauf, der Chirp genannt wird. Das empfangene Echo wird mit dem aktuellen Sendesignal gemischt, wodurch ein niederfrequentes Schwebungssignal in Abhängigkeit von der Zielentfernung entsteht. Aufeinanderfolgende Zirpen verraten die Doppler-Geschwindigkeit; Phasenunterschiede zwischen Antennen geben Aufschluss über den Winkel.

Das offizielle FMCW-Radartraining erläutert die Entfernungsverarbeitungskette. Ein zentrales Ergebnis ist:

ΔR = c / (2B)

ΔR ist die theoretische Entfernungsauflösung und B ist die Sweep-Bandbreite. Dies führt zu einer entscheidenden Korrektur vieler vereinfachter Vergleiche: Die Auflösung der Radarreichweite wird nicht nur durch die Trägerwellenlänge bestimmt. Bandbreite, Wellenform, Beobachtungszeit, Antennenapertur, Signal-Rausch-Verhältnis und Verarbeitungsstrategie beeinflussen unterschiedliche Leistungsdimensionen.

MIMO- und 4D-Imaging-Radar

Beim Radar mit mehreren Eingängen und mehreren Ausgängen werden mehrere Sende- und Empfangsantennen verwendet, um ein größeres virtuelles Array zu erstellen. In Kombination mit Beamforming und moderner Verarbeitung verbessert es die Winkelschätzung und trennt mehr Ziele.

Der Begriff 4D-Imaging-Radar bezieht sich normalerweise auf Messungen, die in Entfernung, Azimut, Höhe und Radialgeschwindigkeit aufgelöst werden. Die vierte Dimension ist normalerweise Geschwindigkeit, nicht Zeit. Diese Sensoren können viel dichtere Punktwolken zurückgeben als ältere Objektradare und verringern so die Lücke zu LiDAR bei der Schätzung der Belegung, des freien Raums und der Objektform.

Sie beseitigen nicht die grundlegenden Herausforderungen des Radars. Die Winkelauflösung hängt immer noch stark von der effektiven Apertur und dem Array-Design ab. Mehrwege, Interferenzen, Nebenkeulen, Kalibrierungsfehler und Zielreflexion bleiben bestehen. Das Texas-Instruments-Kurzpapier zu Reichweiten- und Winkelauflösung unterscheidet Entfernungsauflösung, Entfernungsgenauigkeit und Winkelauflösung und erklärt, warum diese Metriken nicht gemischt werden dürfen.

Der wahre Unterschied: Licht versus Radiowellen

LiDAR und Radar sind beide aktive Sensoren: Sie senden Energie aus und messen eine Rückkehr. Ihre unterschiedlichen Wellenlängen prägen die Hardware und die Interaktion mit der Umgebung.

Optische Wellenlängen sind extrem kurz, sodass es praktisch ist, mit einem relativ kleinen Gehäuse einen schmalen Strahl zu bilden und feine räumliche Details abzutasten. Millimeterwellenradar hat eine viel längere Wellenlänge, sodass eine vergleichbare beugungsbegrenzte Winkelauflösung eine größere effektive Apertur erfordert. MIMO-Arrays und ausgefeilte Schätzungen verbessern die Leistung, heben jedoch nicht die Aperturphysik auf.

Das bedeutet nicht, dass jedes LiDAR automatisch genauer ist als jedes Radar. Betrachten Sie vier separate Metriken:

  1. Genauigkeit: wie nahe ein gemeldeter Wert am wahren Wert liegt.
  2. Präzision: wie wiederholbar die Messung ist.
  3. Auflösung: ob zwei nahegelegene Ziele unterschieden werden können.
  4. Erkennungswahrscheinlichkeit: ob ein relevantes Ziel überhaupt erkannt wird.

Ein Radar misst möglicherweise die Entfernung zu einem starken Ziel genau, schafft es aber nicht, zwei Ziele in gleicher Entfernung und ähnlichem Winkel voneinander zu trennen. Ein LiDAR kann eine feine Winkelabtastung liefern, aber eine dunkle oder verdeckte Oberfläche übersehen. Ein technischer Vergleich muss die Metrik und das Testziel angeben.

Reichweite: Warum Schlagzeilenzahlen oft irreführend sind

Die maximale Reichweite ist die am häufigsten missbrauchte Spezifikation im Sensormarketing. Eine Aussage wie „300-Meter-Reichweite“ ist unvollständig, es sei denn, sie identifiziert Folgendes:

  • Zielreflexionsgrad für LiDAR oder Radarquerschnitt für Radar;
  • Zielabmessungen und -ausrichtung;
  • erforderliche Entdeckungswahrscheinlichkeit und Fehlalarmrate;
  • Atmosphären- und Lichtverhältnisse;
  • Sichtfeldbereich und Winkelauflösung;
  • Bildrate oder Integrationszeit;
  • ob der Wert Ersterkennung, stabile Verfolgung oder Klassifizierungsbereich darstellt.

Die LiDAR-Reichweite sinkt bei dunklen, kleinen oder schlecht ausgerichteten Zielen und wenn Nebel, Gischt oder Staub den Strahl schwächen und streuen. Die Radarreichweite sinkt bei Zielen mit niedrigem RCS, ungünstigen Winkeln, Unordnung und unzureichender Integration. Ein größeres Sichtfeld kann auch gegen die Empfindlichkeit wirken, wenn die verfügbare Energie oder der Antennengewinn über eine größere Region verteilt ist.

Vergleichen Sie die LiDAR-Reichweite, die auf einer großen, zu 80 Prozent reflektierenden Tafel gemessen wurde, nicht mit der Radarreichweite, die auf einem Pkw gemessen wurde. Fordern Sie vergleichbare Zieldefinitionen und Roherkennungskurven an.

Auflösung und Genauigkeit: ein fünfteiliger Vergleich

Entfernungsauflösung

Die Entfernungsauflösung fragt, ob zwei Ziele in ähnlichen Winkeln, aber unterschiedlichen Entfernungen getrennt werden können. Die Auflösung der FMCW-Radarreichweite hängt eng mit der gewobbelten Bandbreite zusammen. Die Auflösung von gepulsten LiDARs hängt von der Pulsbreite, der Empfängerbandbreite, dem Timing, der Signalverarbeitung und der Fähigkeit zur Trennung von Echos ab.

Winkelauflösung

Die Winkelauflösung fragt, ob Ziele in ähnlicher Entfernung, aber unterschiedlicher Peilung, getrennt werden können. LiDAR ist normalerweise stark, da schmale optische Strahlen und dichte Scanmuster praktisch sind. Radar hängt von der physischen oder virtuellen Apertur, der Antennenanordnung, der Wellenlänge und den Schätzalgorithmen ab.

Reichweitengenauigkeit

Genauigkeit ist keine Auflösung. Ein Sensor kann die Reichweite eines Reflektors mit einer Wiederholgenauigkeit im Millimeterbereich abschätzen, ist jedoch nicht in der Lage, zwei benachbarte Objekte zu unterscheiden. Auf Produktblättern werden diese Zahlen manchmal nebeneinander angezeigt, was zu einem ungültigen Vergleich führt.

Punktdichte

LiDAR-Punktwolken beschreiben typischerweise Oberflächen mit vielen Proben. Herkömmliches Radar kann einige Erkennungen oder Spuren zurückgeben. Bildgebendes Radar kann weitaus mehr Punkte zurückgeben, aber die Dichte variiert je nach Produkt und Verarbeitungsmodus enorm. Eine große Punktanzahl ist nicht automatisch sinnvoll, wenn Punkte korreliert sind, verrauscht sind oder von Nebenkeulen dominiert werden.

Objektklassifizierung

Die Geometrie hilft LiDAR-basierten Klassifikatoren bei der Unterscheidung von Formen. Radar fügt Mikro-Doppler- und Bewegungshinweise hinzu, die dabei helfen können, sich bewegende Objekttypen zu unterscheiden. Keine der Modalitäten liefert sichtbare Farben oder Text. Kameras bleiben für Ampeln, Beschilderungen, Oberflächenmarkierungen und semantische Erscheinungsbilder wertvoll.

Geschwindigkeit: der systembedingte Vorteil von Radar

Radar misst die Radialgeschwindigkeit direkt aus der Dopplerverschiebung. Für ein monostatisches Radar lautet eine vereinfachte Beziehung:

vᵣ = fD × λ / 2

vᵣ ist die Radialgeschwindigkeit, fD ist die Dopplerfrequenz und λ ist Wellenlänge. Die Messung ist die Komponente der Bewegung zum Sensor hin oder vom Sensor weg. Eine rein tangentiale Bewegung kann eine geringe momentane Radialgeschwindigkeit haben.

Herkömmliches gepulstes ToF-LiDAR schätzt die Geschwindigkeit normalerweise durch Zuordnung von Punkten oder Objekten über Frames hinweg. Dies erhöht die Tracking-Unsicherheit und Latenz. FMCW LiDAR kann die optische Doppler-Geschwindigkeit messen, sollte aber nicht mit den häufigeren gepulsten Scannern verwechselt werden.

Die direkte Geschwindigkeit des Radars macht es besonders wertvoll für die adaptive Geschwindigkeitsregelung, die Kollisionsvorhersage, Hochgeschwindigkeitsmaschinen und die Unterscheidung beweglicher Ziele von statischen Störechos. Es löst die vollständige Bewegungsschätzung nicht allein: Eigenbewegungskompensation, Objektzuordnung und Koordinatentransformation sind weiterhin erforderlich.

Leistung bei Regen, Nebel, Schnee, Staub und Rauch

Die Aussage „Radar funktioniert bei schlechtem Wetter und LiDAR nicht“ ist richtungsweisend und betrieblich unzureichend.

LiDAR unter widrigen Bedingungen

Nebel und schwebende Wassertröpfchen streuen und schwächen die optische Energie. Nahfeld-Rückstreuung kann falsche Punkte erzeugen; weniger Photonen erreichen das beabsichtigte Ziel und kehren zurück. Regen, Schnee, Staub und Gischt können in unterschiedlichem Ausmaß ähnliche Auswirkungen haben. Wasser oder Schmutz auf dem optischen Fenster können schädlicher sein als die Atmosphäre selbst.

Eine experimentelle Studie des Institute of Safety in Future Mobility evaluierte Radar, LiDAR und Kameras unter kontrollierten Regen-, Nebel-, Tag- und Nachtbedingungen und entwickelte eine Überwachung der Sensorverschlechterung, anstatt von einer festen Leistung auszugehen. Sehen Sicheres autonomes Fahren bei schlechtem Wetter.

Radar unter widrigen Bedingungen

Millimeterwellensignale erfahren im Allgemeinen eine geringere Dämpfung durch kleine Partikel in der Luft als Licht im nahen Infrarotbereich, sodass Radare bei Nebel, Staub und Gischt häufig Erkennungen durchführen, die LiDAR beeinträchtigen. Allerdings ist Radar nicht im absoluten Sinne wetterfest. Starke Niederschläge können zu Dämpfung und Unordnung führen. Ein nasses, vereistes oder kontaminiertes Radom kann die Übertragung verändern. Wasserfilme, Montageabdeckungen und Stoßstangenlack beeinträchtigen die Leistung. Mehrwege auf nassen Straßen können Geisterbilder erzeugen.

Testen Sie das gesamte System, nicht den Sensor-Slogan

Der Bericht der US Federal Highway Administration über automatisierte Fahrzeuge bei widrigen Wetterbedingungen zeigt, dass Wetter- und Straßenbedingungen Wahrnehmung, Lokalisierung und Steuerung auf unterschiedliche Weise beeinträchtigen können, und unterstreicht die Bedeutung redundanter Sensorik. Das Ergebnis ist aussagekräftiger als eine einzelne „Allwetter“-Einstufung: Das gesamte Fahrzeug oder der Roboter muss in seinem Betriebsbereich getestet werden.

Verwenden Sie bei Bedarf Reinigung, Erwärmung und Kontaminationserkennung. Überwachen Sie den Zustand jedes Sensors und reduzieren Sie die Geschwindigkeit oder stoppen Sie, wenn die Wahrnehmungssicherheit die Aufgabe nicht mehr unterstützt.

Schwierige Ziele und charakteristische Fehlermodi

LiDAR-Fehlermodi

  • Geringe Reflektivität: Dunkle Oberflächen können auf große Entfernung zu wenig Photonen zurückgeben.
  • Spiegelreflexion: Spiegel, Glas und nasse Oberflächen können den Strahl vom Empfänger ablenken oder zu irreführenden Echos führen.
  • Retroreflektoren: Starke Echos können Teile des Empfängers überlasten oder Artefakte erzeugen.
  • Atmosphärische Rückstreuung: Nebel, Staub, Schnee und Gischt können Nahfeldpunkte erzeugen.
  • Sonne und optische Interferenz: Gute Filter und Codierung helfen, aber starkes Umgebungslicht und andere Emitter bleiben Designüberlegungen.
  • Bewegungsverzerrung: Ein scannender LiDAR erfasst verschiedene Richtungen zu unterschiedlichen Zeiten. Eine sich bewegende Plattform kann die Punktwolke verzerren, ohne sie zu verzerren.
  • Fensterverschmutzung: Schlamm, Kondenswasser, Eis oder Kratzer verringern die Übertragung.

Radar-Fehlermodi

  • Niedriger Radarquerschnitt: Einige Kunststoffe, Schaumstoffe, Stoffe und Objektausrichtungen reflektieren schwach.
  • Mehrweg: Signale werden vom Boden, Wänden oder Fahrzeugen reflektiert und erscheinen an falschen Positionen.
  • Unordnung: Vegetation, Leitplanken, Maschinen und Bodenreflexionen können Ziele verdecken.
  • Winkelmehrdeutigkeit und Nebenkeulen: Begrenzte Apertur- und Array-Unvollkommenheiten führen zu unsicheren Peilungen oder zur Geistererkennung.
  • Interferenz: Andere in der Nähe betriebene Radargeräte können Energie in den Empfänger einspeisen.
  • Radomeffekte: Stoßfängermaterial, Farbe, Eis und Wasser verändern die Ausbreitung und Kalibrierung.
  • Filterung stationärer Objekte: Ältere Radargeräte auf Objektebene können stationäre Echos unterdrücken, um Fehlalarme zu kontrollieren, was bei Missverständnis gefährlich sein kann.

Keine der beiden Listen bedeutet, dass die Technologie unzuverlässig ist. Dies bedeutet, dass die Erkennungssicherheit anhand des tatsächlichen Zielsatzes charakterisiert werden muss.

Ausgabedaten und Rechenlast

Ältere Vergleiche beschreiben Radar oft als einen Sensor, der eine Zahl zurückgibt, und LiDAR als ein Gerät, das eine große Punktwolke zurückgibt. Dieses Bild ist veraltet.

LiDAR kann Pakete, organisierte Entfernungsbilder, Reflektivität, Umgebungs-Nahinfrarotdaten, Mehrfachechos und dichte kartesische Punktwolken ausgeben. Radar kann Folgendes ausgeben:

  • rohe Analog-Digital-Wandler-Samples;
  • eine Entfernungs-Doppler-Matrix;
  • eine Entfernungs-Azimut- oder Entfernungs-Winkel-Heatmap;
  • ein Radarwürfel mit mehreren Dimensionen;
  • Punkterkennungen;
  • gruppierte Objekte;
  • verfolgte Objekte mit Geschwindigkeit und Kovarianz.

Wo die Verarbeitung stattfindet, verändert sich die Systemarchitektur. Ein intelligenter Sensor, der Tracks ausgibt, spart Netzwerkbandbreite, verbirgt jedoch Informationen auf niedriger Ebene und kann Annahmen einschließen, die nicht zum Roboter passen. Rohdaten bewahren die Flexibilität, erhöhen jedoch die Bandbreite, den Rechen- und Validierungsumfang.

LiDAR-Punktwolken können auch rechenintensiv sein. Geradeausrichtung, Bodenentfernung, Segmentierung, SLAM und Objekterkennung verbrauchen alle Ressourcen. Radarbildgebung erfordert FFTs, Beamforming, Erkennung, Clustering und Tracking. Modernes hochauflösendes Radar ist nicht automatisch die „Low-Data“-Option.

LiDAR und Radar zur Kartierung und Lokalisierung

LiDAR ist für die geometrische Kartierung ausgereift, da Kanten, Ebenen und Objektoberflächen in der Punktwolke sichtbar sind. Scan-Matching kann aufeinanderfolgende Beobachtungen ausrichten, während SLAM gemeinsam die Sensorbewegung und eine Karte schätzt. Schmale Balken helfen bei der Auflösung struktureller Details in Lagerhäusern, Bergwerken, Straßen und Wäldern.

Zu den Herausforderungen gehören sich wiederholende Korridore, sich bewegende Objekte, offene Bereiche mit wenigen Funktionen, Staub und Änderungen in der Szenengeometrie. Eine LiDAR-Karte ist standardmäßig nicht semantisch; Es weiß nicht von Natur aus, dass ein Punkt zu einem Fußgänger oder einer Tür gehört.

Radar-SLAM ist attraktiv, wenn optische Sensoren nachlassen, insbesondere im Freien und bei Staub, Nebel oder Dunkelheit. Radarechos sind spärlicher und werden durch Speckle und Mehrwegeeffekte beeinträchtigt, sodass die Datenzuordnung schwieriger ist. Bildgebendes Radar, Doppler-Informationen und erlernte Merkmalsextraktion verbessern das Ergebnis. Radar kann die Eigengeschwindigkeit auch aus der Bewegung vieler statischer Echos abschätzen.

Kombinieren Sie in beiden Fällen Wahrnehmung mit Odometrie und Trägheitsmessungen. Der Leitfaden von Alpha Bionic Sensorfusion erklärt, warum Kalibrierung, Timing und Unsicherheit genauso wichtig sind wie das Hinzufügen eines weiteren Sensors.

Sensorfusion: Warum viele Systeme beides nutzen

LiDAR und Radar versagen unterschiedlich und ergänzen sich daher. LiDAR trägt zur Feingeometrie bei; Radar liefert zuverlässige Informationen zur Entfernungsrate und zur Verfügbarkeit bei schlechter Sicht. Kameras fügen Farbe und Semantik hinzu. GNSS- und Inertialsensoren unterstützen globale und kurzfristige Bewegungsschätzungen.

Fusion kann auf mehreren Ebenen erfolgen:

Frühe oder Rohdatenfusion

Low-Level-Messungen werden vor der Objekterkennung kombiniert. Dadurch bleiben Informationen erhalten, erfordern jedoch eine präzise Kalibrierung, Synchronisierung und umfangreiche Rechenleistung.

Fusion auf Merkmalsebene

Jede Modalität erzeugt Merkmale, die in eine gemeinsame Darstellung umgewandelt werden, beispielsweise ein Gitter aus der Vogelperspektive. Neuronale Netze nutzen zunehmend diesen Ansatz.

Fusion auf Objekt- oder Spurebene

Separate Wahrnehmungspipelines erzeugen Objekte oder Spuren, die verknüpft und zusammengeführt werden. Dies ist einfacher zu modularisieren, kann jedoch dazu führen, dass rohe Beweise verworfen werden.

Fusion ist kein Heilmittel für schlechte Wahrnehmung. Zwei Pipelines können einen blinden Fleck teilen, denselben falschen Zeitstempel verwenden oder sich auf ein durch Multipath erstelltes falsches Objekt einigen. Ein robustes Fusionssystem verfolgt Unsicherheit, Sensorzustand, Kalibrierungsqualität und Datenalter. Boschs Übersicht über die Sensordatenfusion veranschaulicht die Komplementarität von Radar und Kamera, während es Übersicht über Sensoren für automatisiertes Fahren beschreibt explizit die Zusammenarbeit von Radar-, Video-, LiDAR- und Ultraschallsensoren.

LiDAR vs. Radar nach Anwendung

Autonome mobile Roboter für den Innenbereich

Für AMRs in vorhersehbaren Innenräumen ist 2D- oder 3D-LiDAR oft der praktische Standard für Lokalisierung, Hinderniskonturen und Freiraumerkennung. Radar wird in der Nähe von Staub, Dampf, Dunkelheit, wechselnder Beleuchtung oder Zielen, die von optischen Sensoren schlecht erkannt werden, wertvoll. Nahbereichs-Sicherheitsscanner bleiben ein eigenständiges, sicherheitszertifiziertes Unternehmen.

Outdoor-Logistik und Hofautomation

Regen, Gischt, Nebel, Schlamm und große Annäherungsdistanzen begünstigen eine gemischte Sensoranordnung. LiDAR unterstützt präzises Andocken und Geometrie; Radar unterstützt die Fahrzeugerkennung und -geschwindigkeit. Reinigungssysteme und geschützte Montage können mehr bedeuten als eine zusätzliche Nennbereichslinie.

Bauwesen, Bergbau und Landwirtschaft

Staub und Schwebematerial machen Radare attraktiv, aber auch große Metallmaschinen erzeugen Mehrwegestrahlung. LiDAR liefert wertvolle Gelände- und Pfahlgeometrie, wenn die Sicht dies zulässt. Die Platzierung von Sensoren, Vibrationen, Stöße, abwaschbare Fenster und austauschbare Radome sind wichtige Lebenszyklusfaktoren.

Autonome Straßenfahrzeuge

Radar wird häufig für adaptive Geschwindigkeitsregelung, Kollisionswarnung, Überwachung des toten Winkels und automatische Notbremsung eingesetzt. LiDAR kann in fortschrittlichen automatisierten Systemen präzise 3D-Geometrie und weitreichende Objektkonturen hinzufügen. NHTSA stellt fest, dass Unfallvermeidungssysteme Radar, Kameras, LiDAR und andere Sensoren verwenden können, um Verkehrsteilnehmer und Hindernisse zu erkennen und zu verfolgen; es ist Überblick über fortgeschrittene Technologien ist eine nützliche Erinnerung daran, dass die Sensorleistung auf der Ebene der Sicherheitsfunktion bewertet werden muss.

Drohnen und Flugrobotik

Gewicht, Kraft und Vibration dominieren. LiDAR ist wertvoll für die Geländekartierung, Strukturinspektion und Navigation unter Laublücken. Radar kann bei der Bestimmung der Höhe, der Bodengeschwindigkeit und des Betriebs in Staub oder Wolken hilfreich sein, aber die Antennenöffnung und die Winkeldetails werden durch die Paketgröße eingeschränkt. Bei manchen Geometrien sind dünne Drähte für beide Modalitäten weiterhin schwierig.

Perimetersicherheit und Personenverfolgung

LiDAR bietet anonym aussehende Geometrie und präzise Zonengrenzen, ohne auf sichtbare Beleuchtung angewiesen zu sein. Radar kann Bewegungen und Mikrodoppler durch einige nichtmetallische Materialien sowie in Rauch oder Nebel erkennen. Datenschutzanforderungen, Fehlalarmquellen und Klassifizierungsanforderungen entscheiden darüber, ob eine Kamera ebenfalls geeignet ist.

Industrielle Messung und Qualitätskontrolle

Mit optischer Nahbereichstriangulation oder LiDAR kann die Oberflächengeometrie präzise gemessen werden. Radar ist nützlich, wenn Staub, Dampf oder nicht optische Abdeckungen lichtbasierte Messungen unzuverlässig machen. Kein allgemeiner Vergleich ersetzt eine aufgabenspezifische messtechnische Analyse.

Kosten, Integration und Lebenszyklus

Es ist nicht mehr korrekt zu sagen, dass alle LiDARs über Motoren verfügen und alle Radargeräte billig sind. Die LiDAR-Preise umfassen einfache Single-Plane-Scanner, kompakte Solid-State-Module und leistungsstarke Automobileinheiten. Radar umfasst kostengünstige Präsenzsensoren, Automobilmodule und große Bildgebungsarrays mit erheblichem Rechenaufwand.

Bewerten Sie die gesamten Installationskosten:

  • Sensor- und Computerhardware;
  • Netzwerkschnittstellen und -verkabelung;
  • Kalibriervorrichtungen und Produktionszeit;
  • Schutzfenster, Radome, Heizung und Reinigung;
  • mechanische Integration und Schwingungsisolierung;
  • Softwarelizenzen und Wahrnehmungsentwicklung;
  • Protokollierungs- und Speicherinfrastruktur;
  • Austauschintervall und Außendienst;
  • Validierung und Sicherheitsnachweise;
  • Energie- und Wärmemanagement.

Ein billigerer Sensor kann zu einem teureren System führen, wenn seine Daten eine umfassende Filterung oder eine häufige Wiederherstellung durch den Menschen erfordern. Ein teurer Sensor kann wirtschaftlich sein, wenn er die Ausfallzeiten der Flotte reduziert oder eine andere Komponente eliminiert.

So wählen Sie zwischen LiDAR und Radar

Nutzen Sie einen anforderungsorientierten Prozess.

Schritt 1: Den betrieblichen Einsatzbereich definieren

Listen Sie die Umgebungen, Geschwindigkeiten, Routen, Wetter, Beleuchtung, Zielmaterialien, Kontamination und Wartungsannahmen auf, in denen der Roboter voraussichtlich arbeiten wird. Definieren Sie außerdem ausgeschlossene Bedingungen.

Schritt 2: Die vom Sensor unterstützte Entscheidung definieren

„Hinderniserkennung“ ist zu weit gefasst. Geben Sie an, ob das System eine stehende Palette erkennen, die Annäherungsgeschwindigkeit eines Autos schätzen, anhand einer Karte lokalisieren, einen Fußgänger klassifizieren, das Stapelvolumen messen oder eine Sperrzone schützen soll.

Schritt 3: Quantitative Anforderungen festlegen

Berücksichtigen Sie die minimale und maximale Reichweite, das horizontale und vertikale Sichtfeld, die Reichweite und Winkelauflösung, die Geschwindigkeitsgenauigkeit, die Aktualisierungsrate, die Latenz, die Erkennungswahrscheinlichkeit und die akzeptable Fehlalarmrate.

Schritt 4: Kritische Ziele identifizieren

Erstellen Sie einen Testsatz, der die kleinsten, dunkelsten, am wenigsten reflektierenden, RCS-ärmsten und ungünstigsten ausgerichteten relevanten Objekte umfasst – nicht nur kooperative Ziele.

Schritt 5: Fehler und Degradation modellieren

Fragen Sie, wie das System ein verschmutztes Fenster, ein blockiertes Sichtfeld, Überhitzung, verlorene Synchronisation, Interferenzen oder Kalibrierungsdrift erkennt. Definieren Sie die sichere Reaktion.

Schritt 6: Gesamtsystemkosten vergleichen

Beinhaltet Rechenleistung, Reinigung, Montage, Kalibrierung, Software, Außendienst und Ausfallzeiten.

Schritt 7: Repräsentative Sensoren im Direktvergleich testen

Anbieterdaten grenzen die engere Auswahl ein; Die Anwendung wird dadurch nicht validiert. Erfassen Sie synchronisierte Rohdaten von der vorgesehenen Montageposition in repräsentativen Szenarien.

Ein praktischer Sensorbewertungsplan

Eine gute Auswertung liefert eher Beweise als attraktive Punktwolken-Screenshots.

Ziele

Testen Sie Fußgänger mit unterschiedlicher Kleidung, Fahrzeugen, Reifen, Paletten, Pfosten, Zäunen, Kabeln, Glas, schwarzen Materialien, Kunststoffgegenständen, Vegetation und allen anwendungsspezifischen Gefahren. Variieren Sie die Ausrichtung und teilweise Okklusion.

Bedingungen

Berücksichtigen Sie gegebenenfalls Dunkelheit, direkte Sonneneinstrahlung, nasse Fahrbahn, Nebel, Regen, Gischt, Schnee, Staub, Rauch, Vibrationen, extreme Temperaturen und verschmutzte Sensorabdeckungen. Testen Sie Übergänge, nicht nur stationäre Zustände – zum Beispiel das Verlassen eines warmen Gebäudes in eiskalten Regen.

Metriken

  • Erkennungswahrscheinlichkeit anhand der Entfernung;
  • Fehlerkennungen pro Stunde oder Frame;
  • Entfernungs-, Winkel- und Geschwindigkeitsfehler;
  • Fähigkeit, benachbarte Ziele zu trennen;
  • Kontinuität der Objektspur;
  • Zeit bis zur ersten Erkennung und stabilen Spur;
  • End-to-End-Latenz und Jitter;
  • Datenrate, CPU-/GPU-Auslastung und Speicher;
  • Kalibrierungsdrift;
  • Erholung nach Blockade oder Störung;
  • Reinigungshäufigkeit und Ausfallzeiten.

Validierung auf Szenarioebene

Eine Sensormetrik sagt nicht automatisch sicheres Verhalten voraus. Messen Sie die Stoppleistung, den Abschluss der Navigation, die Andockgenauigkeit, die Interventionsrate und Übergänge mit minimalem Risiko. Der Wahrnehmungsstapel, der Planer und der Controller bilden eine operative Kette.

Integration in ROS 2 und Robotersoftware

LiDAR-Treiber werden häufig veröffentlicht sensor_msgs/LaserScan für Planarscanner bzw sensor_msgs/PointCloud2 für 3D-Daten. Der Beamte Dokumentation zu ROS 2 sensor_msgs definiert diese gemeinsamen Schnittstellen.

Die Radarintegration ist weniger gleichmäßig. Ein Fahrer kann Punktwolken, herstellerspezifische Erkennungsarrays oder verfolgte Objekte veröffentlichen. Behalten Sie Geschwindigkeit, Kovarianz, Radarquerschnittsintensität und Zeitstempel bei, anstatt alles vorzeitig in generische XYZ-Punkte umzuwandeln.

Für jeden Sensor:

  • Verwenden Sie nach Möglichkeit Hardware-Zeitstempel.
  • Uhren im gesamten Roboter synchronisieren;
  • einen korrekten Koordinatenrahmen veröffentlichen;
  • Extrinsische Elemente unter repräsentativer mechanischer Belastung kalibrieren;
  • Geradeausrichten von Scandaten mithilfe von Ego-Motion;
  • Rohpakete für eine reproduzierbare Diagnose aufzeichnen;
  • Überwachen Sie verworfene Pakete, Temperatur- und Gesundheitsflags.
  • Fügen Sie Messungen und Spuren Unsicherheit hinzu.

Die Visualisierung in RViz ist nützlich, aber unzureichend. Eine plausibel aussehende Wolke kann dennoch zeitversetzt, gespiegelt, falsch kalibriert oder gefiltert werden, sodass kritische Ziele entfernt werden.

Häufige Missverständnisse

„LiDAR ist immer genauer.“

LiDAR bietet häufig eine feinere Geometrie, die Genauigkeit hängt jedoch vom Ziel, der Reichweite, der Kalibrierung und der Architektur ab. Radar kann die Entfernung oder Radialgeschwindigkeit außergewöhnlich gut einschätzen und bietet gleichzeitig eine gröbere Winkeltrennung.

„Radar durchschaut alles.“

Radar kann sich durch einige nichtmetallische Materialien und eingeschränkte Sicht ausbreiten, nicht durch beliebige Hindernisse. Metall blockiert oder reflektiert es, Wasser und Radommaterialien beeinflussen es und Mehrwege können zu Fehlerkennungen führen.

„Die Radarauflösung ist gering, weil ihre Wellenlänge länger ist.“

Die Wellenlänge ist von großer Bedeutung für die Antennenapertur und die Winkelauflösung. Die Auflösung der Radarentfernung hängt jedoch in erster Linie von der Signalbandbreite in einem FMCW-System ab. Es ist falsch, alle Auflösungen als eine Zahl zu behandeln.

„LiDAR kann keine Geschwindigkeit messen.“

Herkömmliches gepulstes LiDAR leitet die Geschwindigkeit typischerweise durch Tracking ab, während FMCW-LiDAR die Doppler-Geschwindigkeit messen kann. Die Aussage ist architekturabhängig.

„Solid-State-LiDAR hat keine beweglichen Teile.“

Einige Festkörperarchitekturen haben keine beweglichen Teile zur Strahllenkung; einige verwenden MEMS-Spiegel. Überprüfen Sie das physische Design und nicht das Kategorieetikett.

„4D-Radar macht LiDAR überflüssig.“

Bildgebendes Radar verbessert Höhen- und Winkeldetails und kann eine dichtere Wahrnehmung unterstützen. LiDAR bietet im Allgemeinen immer noch eine überlegene Oberflächengeometrie. Ob Imaging-Radar ausreicht, hängt von der Aufgabenstellung und dem Sicherheitsfall ab.

„Sensorfusion behebt jede Schwachstelle.“

Fusion hilft nur, wenn die Eingaben kalibriert, synchronisiert, gesund und mit realistischer Unsicherheit modelliert sind. Gleichtaktfehler und fehlerhafte Software können jeden gesicherten Ausgang beschädigen.

Die Zukunft von LiDAR und Radar

Radar geht in Richtung größerer MIMO-Arrays, besserer Höhenauflösung, zentralisierter Rohdatenverarbeitung und auf maschinellem Lernen basierender Interpretation. Die Ausgabe verlagert sich von einer kurzen Objektliste hin zu einer umfassenderen räumlichen Darstellung.

LiDAR bewegt sich in Richtung Halbleiterintegration, leistungsfähigere SPAD-Detektoren, verbesserte Codierung, kompakte Festkörperarchitekturen und eine engere Integration von Wahrnehmungssoftware. FMCW LiDAR strebt eine direkte Geschwindigkeits- und kohärente Erkennung an, während gepulste Systeme weiterhin Kosten und Herstellbarkeit verbessern.

Auch die Grenze zwischen „Sensor“ und „Wahrnehmungscomputer“ verändert sich. Einige Geräte geben Rohmessungen aus; andere liefern Freiraum, Belegung oder Gleise. Beschaffungsteams sollten Zugang zu Qualitätsindikatoren und Fehlerzuständen verlangen, damit Bequemlichkeit nicht zu einer undurchsichtigen Sicherheitsabhängigkeit wird.

Das wahrscheinliche Ergebnis ist kein universeller Sensorsieger. Es handelt sich um einen vielfältigeren Markt, in dem Systeme den am wenigsten redundanten Satz komplementärer Messungen für einen definierten Betriebsbereich auswählen.

LiDAR vs. Radar-Entscheidungsmatrix

Erfordernis Bevorzugen Sie LiDAR, wenn… Bevorzugen Sie Radar, wenn… Berücksichtigen Sie beides, wenn…
Detaillierte 3D-Geometrie Objektkonturen und Oberflächengestaltung stehen im Mittelpunkt Die Detailgenauigkeit des Radarbildes hat sich als ausreichend erwiesen Eine verminderte Sichtbarkeit darf die Geometrie nicht vollständig entfernen
Direkte Schließgeschwindigkeit Tracking über Frames ist akzeptabel Wichtig ist die unmittelbare Radialgeschwindigkeit Geometrie und Kollisionsvorhersage sind beide von entscheidender Bedeutung
Kartierung und Lokalisierung Es stehen umfangreiche Strukturmerkmale zur Verfügung Wetter oder Staub beeinträchtigen die optische Erfassung Hochverfügbarkeit ist unter sich ändernden Bedingungen wichtig
Nebel, Gischt oder Staub Die Exposition ist begrenzt oder wird gesteuert Eine verminderte Sicht ist Routine Sicherheit hängt von der Aufrechterhaltung unabhängiger Beweise ab
Feines Andocken Präzise Kanten- und Posenmessungen dominieren Das Ziel verfügt über einen starken, konstruierten Radarreflektor Sowohl die Annäherungsgeschwindigkeit als auch die endgültige Geometrie sind wichtig
Versteckte Installation optisches Fenster ist akzeptabel Die Installation hinter einem validierten Radom ist wertvoll Die Verpackung unterstützt getrennte Sichtfelder
Geringe Daten- und Rechenleistung Ein einfacher Scanner oder eine verarbeitete Ausgabe reichen aus Ein Objektradar erfüllt die Aufgabe Die zentrale Wahrnehmung unterstützt bereits beides

Häufig gestellte Fragen

Was ist der Hauptunterschied zwischen LiDAR und Radar?

LiDAR nutzt Laserlicht und erzeugt in der Regel detaillierte räumliche Geometrie. Radar nutzt Radiowellen und misst neben Entfernung und Winkel auch direkt die Radialgeschwindigkeit. Radar ist bei schlechterer Sicht im Allgemeinen robuster; LiDAR löst die Objektform normalerweise klarer auf.

Was hat eine bessere Reichweite: LiDAR oder Radar?

Eine allgemeingültige Antwort gibt es nicht. Von beiden gibt es Langstreckenversionen. Die nutzbare Reichweite hängt vom Ziel, dem Sichtfeld, der Auflösung, dem Wetter, der Signalverarbeitung und der Erkennungsschwelle ab. Vergleichen Sie Produkte mit identischen Zieldefinitionen.

Ist LiDAR genauer als Radar?

LiDAR verfügt normalerweise über feinere Winkeldetails und Punktwolkengeometrie. Radar kann hochpräzise Entfernungs- und Radialgeschwindigkeitswerte für geeignete Ziele liefern. Genauigkeit, Auflösung und Erkennungswahrscheinlichkeit sind separate Messgrößen.

Warum funktioniert Radar bei Nebel besser?

Die Radiowellen des Radars sind viel länger als die optischen LiDAR-Wellenlängen und werden im Allgemeinen weniger von kleinen Nebeltröpfchen gestreut. Unwetter, Wasser auf dem Radom und Unordnung können dennoch die Leistung beeinträchtigen.

Kann Radar eine 3D-Punktwolke erstellen?

Ja. Moderne MIMO- und 4D-Imaging-Radare können Entfernung, Azimut, Höhe und Dopplergeschwindigkeit schätzen und 3D-Erkennungen ausgeben. Die resultierende Wolke unterscheidet sich normalerweise von einer LiDAR-Wolke in Dichte, Unsicherheit und Reflexionsverhalten.

Was bedeutet 4D-Radar?

In der Automobil- und Roboterwahrnehmung bedeutet 4D-Radar normalerweise, dass die Erkennungen Entfernung, Azimut, Höhe und Radialgeschwindigkeit umfassen. Anbieter verwenden den Begriff möglicherweise unterschiedlich. Überprüfen Sie daher die tatsächliche Ausgabe und Auflösung.

Kann LiDAR Geschwindigkeit messen?

Gepulstes Time-of-Flight-LiDAR schätzt die Geschwindigkeit normalerweise durch Verfolgung von Objekten über Frames hinweg. FMCW LiDAR kann die Dopplergeschwindigkeit direkt messen, es handelt sich jedoch um eine andere Architektur.

Ist Radar günstiger als LiDAR?

Einfache Radarmodule sind oft günstiger als hochauflösende LiDAR-Module, die Preisklassen überschneiden sich jedoch. Bildgebendes Radar, zentralisierte Rechen-, Kalibrierungs- und Wahrnehmungssoftware können kostspielig sein. Vergleichen Sie die Gesamtinstallationskosten und die Lebenszykluskosten.

Funktioniert LiDAR nachts?

Ja. LiDAR sorgt für eine eigene Beleuchtung und benötigt kein sichtbares Umgebungslicht. Starkes Sonnenlicht kann den optischen Hintergrund verstärken und der Sensor benötigt dennoch eine geeignete Filterung und Signalverarbeitung.

Sollte ein autonomer Roboter sowohl LiDAR als auch Radar nutzen?

Verwenden Sie beide, wenn ihre komplementären Fehlermodi die Verfügbarkeit oder Sicherheit wesentlich verbessern. Für eine definierte Aufgabe in einer kontrollierten Umgebung ist möglicherweise nur eine erforderlich. Weitere Sensoren erfordern zusätzliche Kalibrierungs-, Synchronisierungs-, Berechnungs- und Validierungsarbeiten.

Welcher Sensor ist besser für SLAM?

LiDAR SLAM ist ausgereift und profitiert von detaillierter Geometrie. Radar-SLAM kann bei Staub, Nebel, Regen oder Rauch robuster sein, erfordert jedoch Algorithmen, die mit spärlichen Echos, Mehrwegeausbreitung und Speckle umgehen. Die Umgebung und die Leistungsanforderungen entscheiden über die bessere Option.

Fazit

LiDAR eignet sich hervorragend, wenn ein Roboter eine feine geometrische Struktur benötigt. Radar zeichnet sich aus, wenn die direkte Geschwindigkeit und der Betrieb bei eingeschränkter Sicht im Mittelpunkt stehen. Modernes Imaging-Radar ist weitaus leistungsfähiger als die Sensoren für spärliche Objekte von vor einem Jahrzehnt, während modernes LiDAR nicht mehr nur durch sperrige rotierende Mechanismen definiert ist. Die beiden Technologien konvergieren im Leistungsreichtum, ohne austauschbar zu werden.

Wählen Sie nach Messanforderung, Betriebsbereich und Fehlerverhalten. Vergleichen Sie Genauigkeit, Auflösung und Erkennungswahrscheinlichkeit separat. Testen Sie schwierige Ziele unter realer Verschmutzung und Wetterbedingungen. Beziehen Sie Kalibrierung, Berechnung, Reinigung und Validierung in die Kosten ein. Wenn die Folgen eines Ausfalls dies rechtfertigen, schließen Sie komplementäre Sensoren zusammen – bewahren Sie jedoch eine unabhängige Gesundheitsüberwachung und eine sichere Reaktion auf Unsicherheit.

Primärquellen und weiterführende Literatur

Bewerte den Beitrag hier!
[Total: 1 Average: 5]
Nico Nuss [Bildinhalt mit KI erstellt]
Website

Der Autor Nico Nuss beschäftigt sich seit 2001 mit den Themen Mobile Computing und Automation Software. Auf Grund seiner Erfahrung und dem starken Interesse für Zukunftstechnologien gilt seine Aufmerksamkeit den Themen Robotik und AI.

Weitere interessante Beiträge