Otonom araçlarda LIDAR sensör performansını etkileyen açı, mesafe ve yüzey rengi parametrelerinin analizi ve modellenmesi

Abstract

Bu tez çalışmasında, farklı LIDAR sensör yapıları ve araç yüzeylerindeki boya pigmentlerine bağlı olarak lazer yansıma yoğunluğundaki değişimlerin modellenmesi ve bu ilişkilerin tahmin edilebilirliğinin değerlendirilmesi amaçlanmıştır. Araç rengi, mesafe ve geliş açısı gibi fiziksel parametrelerin lazer sinyali üzerindeki etkileri analiz edilerek, sensör algısındaki varyasyonların önceden öngörülebilmesini sağlayan sayısal bir tahmin modeli geliştirilmiştir. Modelleme sürecinde, Shung ve arkadaşları tarafından farklı renk panelleriyle yürütülen deneylerden elde edilen 2,5 m ve 5 m mesafeye ait lazer yoğunluk verileri kullanılmıştır. Bu veriler, literatürde tanımlanan yansıtıcılık katsayılarıyla ilişkilendirilmiş; araç rengi, açı ve mesafe parametreleriyle birlikte çeşitli makine öğrenimi algoritmalarıyla test edilmiştir. En başarılı sonuç, RMSE = 0,87451 ve R² = 0,99245 doğruluk metrikleriyle Gaussian Süreç Regresyonu (GPR) modeli tarafından elde edilmiştir. Modelin hiperparametreleri, Bayesian optimizasyon ve k-fold çapraz doğrulama yöntemleriyle iyileştirilmiş; bu süreç sonucunda RMSE değeri 0,83162’ye düşürülmüş, R² değeri ise 0,99924’e yükseltilmiştir. Yoğunluk verilerinin fiziksel olarak anlamlandırılabilmesi amacıyla, teorik optik güç dağılımı denklemleri ile ölçüm verileri arasında dönüşüm ilişkileri kurulmuş ve 2,5 ve 5 m mesafe düzeyleri için ayrı eğri uydurma işlemleri uygulanmıştır. Model, Shung ve arkadaşlarının deneylerinde kullanılan giriş parametreleriyle doğrulanmış; tahmin edilen lazer yoğunluk değerleri, referans ölçümlerle karşılaştırılmıştır. Elde edilen sonuçlar, genel bağıl doğruluk oranlarının %90–%95 aralığında gerçekleştiğini ve önerilen modelin lazer yoğunluğunu başarıyla tahmin edebildiğini göstermektedir. Geliştirilen modelin gerçek trafik koşullarındaki geçerliliğini test etmek amacıyla, CUPAC veri seti üzerinde analizler gerçekleştirilmiştir. Kamera görüntüleri kullanılarak, referans renk panelleriyle eşleşen araç gövdeleri manuel olarak belirlenmiş ve bu araçlara ait nokta bulutu verileri, konumsal filtreleme ile izole edilmiştir. Her nokta için mesafe ve geliş açısı değerleri hesaplanarak modelin giriş parametrelerine dönüştürülmüş; ardından tahmin edilen lazer yoğunlukları ile ölçülen değerler karşılaştırılmıştır. En yüksek bağıl doğruluk %95,479 ile parlak beyaz (SW-Gloss), en düşük doğruluk ise %82,744 ile mat siyah (SB-Matte) yüzeyde elde edilmiştir. Bu sonuçlar, modelin farklı yüzey yansıtıcılığı koşullarında lazer yoğunluğunu etkili biçimde tahmin edebildiğini ve farklı LIDAR kanal yapılarına karşı kararlılığını koruduğunu göstermektedir.This thesis aims to model the variations in laser return intensity resulting from different LIDAR sensor configurations and the paint pigments used on vehicle surfaces, and to evaluate the predictability of these relationships. The effects of physical parameters such as vehicle color, distance, and angle of incidence on the laser signal were analyzed, and a numerical prediction model was developed to estimate variations in sensor perception in advance. In the modeling process, laser intensity data obtained from experiments conducted by Shung et al. using panels of different colors at distances of 2.5 m and 5 m were utilized. These data were associated with reflectance coefficients reported in the literature and tested using various machine learning algorithms alongside parameters such as vehicle color, angle of incidence, and distance. The best performance was achieved by the Gaussian Process Regression (GPR) model, with accuracy metrics of RMSE = 0.87451 and R² = 0.99245. The model's hyperparameters were optimized using Bayesian optimization and k-fold cross-validation; as a result of this process, the RMSE was reduced to 0.83162, while the R² value increased to 0.99924. To enable the physical interpretability of the intensity data, transformation relationships were established between the theoretical optical power distribution equations and the experimental measurements, and separate curve fitting procedures were applied for for 2.5 and 5 m level. The model was validated using the input parameters employed in the experiments by Shung et al., and the predicted laser intensity values were compared with the reference measurements. The results indicate that the overall relative accuracy levels ranged between 90% and 95%, demonstrating the proposed model’s ability to successfully estimate laser intensity. To evaluate the validity of the developed model under real traffic conditions, analyses were conducted using the CUPAC dataset. Vehicle bodies matching the reference color panels were manually identified using camera images, and the corresponding point cloud data were isolated through spatial filtering. For each point, distance and incidence angle values were calculated and converted into model input parameters. Subsequently, the predicted laser intensity values were compared with the measured ones. The highest relative accuracy was achieved on the glossy white (SW-Gloss) surface with 95.479%, while the lowest was observed on the matte black (SB-Matte) surface with 82.744%. These results demonstrate that the model can effectively predict laser intensity under varying surface reflectivity conditions and maintains robustness across different LIDAR channel configurations.