{"id":6122,"date":"2019-10-15T15:13:17","date_gmt":"2019-10-15T13:13:17","guid":{"rendered":"https:\/\/blog.generationrobots.com\/?p=6122"},"modified":"2024-08-27T15:28:59","modified_gmt":"2024-08-27T13:28:59","slug":"etude-experimentale-du-lidar-robosense-rs-lidar16","status":"publish","type":"post","link":"https:\/\/www.generationrobots.com\/blog\/fr\/etude-experimentale-du-lidar-robosense-rs-lidar16\/","title":{"rendered":"Etude exp\u00e9rimentale du LiDAR Robosense RS-LiDAR16"},"content":{"rendered":"\t\t

\n\t\t\t\t\t\t

\n\t\t\t\t\t\t

\n\t\t\t\t\t

\n\t\t\t

\n\t\t\t\t\t\t

\n\t\t\t\t

\n\t\t\t\t\t\t\t\t\t\n\n \n

\n Nous avons fait plusieurs tests en int\u00e9rieur et en ext\u00e9rieur avec le LiDAR RS-LiDAR16 de\n \n Robosense\n <\/a>\n . Nous comparons les r\u00e9sultats avec ceux d\u2019autres LiDAR (Quanergy M8-1, Sick 551 et RpLiDAR A3), obtenus dans les m\u00eames conditions.\n <\/p>\n \n \n

\n La mesure de distance obtenue avec un LiDAR peut \u00eatre influenc\u00e9e par des facteurs, ainsi que des sources internes (composants mat\u00e9riels, calculs math\u00e9matiques, protocoles de communication, etc.) ou externes (lumi\u00e8re du soleil, temp\u00e9rature, humidit\u00e9, taille de l’environnement, mat\u00e9riaux et angles d’incidence, obstacles, etc.\n <\/p>\n \n \n

\n Afin de comprendre l’influence de ces param\u00e8tres sur la pr\u00e9cision des mesures de distance, nous avons mis en place et analys\u00e9 diff\u00e9rents environnements. Voici une liste de diff\u00e9rents biais d’hypoth\u00e8ses sur les LiDAR :\n <\/p>\n \n \n

\"R\u00e9partition — \n R\u00e9partition des faisceaux laser du RS-LiDAR16\n <\/figcaption>\n <\/figure>\n \n \n
\n 1.\u00a0Influences des mat\u00e9riaux des obstacles\n <\/h3>\n \n \n
\n Les performances des LiDAR d\u00e9pendaient du mat\u00e9riau de l’obstacle. Afin de quantifier ces diff\u00e9rences, nous consid\u00e9rons une sc\u00e8ne statique, le RS-LiDAR16 se positionne devant un obstacle mat\u00e9riel diff\u00e9rent, \u00e0 une distance d’environ 2m \u00b1 0,01m.\n <\/p>\n \n \n
\n Pour chaque mat\u00e9riau, le LiDAR est lanc\u00e9 dans un environnement int\u00e9rieur apr\u00e8s au moins 2 minutes de non-utilisation pour une dur\u00e9e 3 minutes. Un bag de 30 secondes est enregistr\u00e9 pour les donn\u00e9es post-traitement.\n <\/p>\n \n \n
\n \n Dix mat\u00e9riaux ont \u00e9t\u00e9 test\u00e9s :\n <\/strong>\n fen\u00eatre, \u00e9cran TV (verre), tableau blanc, porte, mousse, plastique de transport, bo\u00eete en carton, m\u00e9tal, mur, bois condens\u00e9.\n <\/p>\n \n \n
\n 2. Influence de la lumi\u00e8re du soleil\n <\/h3>\n \n \n
\n Certains LiDAR ne fonctionnent pas correct \u00e0 l’ext\u00e9rieur, en raison de l’influence de la lumi\u00e8re du soleil. En effet, le soleil \u00e9met de la lumi\u00e8re sur une large gamme de longueurs d’onde qui alt\u00e8re la mesure LiDAR.\n <\/p>\n \n \n
\n En consid\u00e9rant une sc\u00e8ne statique, le RS-LiDAR16 se positionne devant un mur plan (\n \n bois condens\u00e9\n <\/strong>\n ), \u00e0 une distance d’environ\n \n 2m \u00b1 0,01m\n <\/strong>\n . Pour chaque environnement, le LiDAR est lanc\u00e9 apr\u00e8s au moins 2 minutes de non-utilisation pour une dur\u00e9e de 3 minutes. Un bag de 30 secondes est enregistr\u00e9 pour les donn\u00e9es post-traitement.\n <\/p>\n \n \n
\n \n Quatre environnements\u00a0ont \u00e9t\u00e9 test\u00e9s:\n <\/strong>\n int\u00e9rieur dans l’obscurit\u00e9 totale, int\u00e9rieur avec lampes artificielles, ext\u00e9rieur \u00e0 l’ombre et ext\u00e9rieur sous le soleil.\n <\/p>\n \n \n
\n 3. Influences du temps de fonctionnement et de la temp\u00e9rature\n <\/h3>\n \n \n
\n Certains composants voient leur pr\u00e9cision r\u00e9duite sur une longue p\u00e9riode de fonctionnement et surtout lorsque la temp\u00e9rature est plus \u00e9lev\u00e9e.\n <\/p>\n \n \n
\n En consid\u00e9rant une sc\u00e8ne statique, le RS-LiDAR16 se positionne devant un mur plan (\n \n bois condens\u00e9\n <\/strong>\n ), \u00e0 une distance d’environ\n \n 2m \u00b1 0,01m\n <\/strong>\n . Pour chaque environnement, le LiDAR est lanc\u00e9 apr\u00e8s au moins 10 minutes de non-utilisation pendant 45 minutes. Toutes les 10 minutes, un bag de 1 minute est enregistr\u00e9 pour le post-traitement des donn\u00e9es.\n <\/p>\n \n \n
\n \n Deux environnements\u00a0ont \u00e9t\u00e9 test\u00e9s:\n <\/strong>\n a l’ext\u00e9rieur \u00e0 l’ombre (temp\u00e9rature ambiante ~ 25\u00b0C) et au soleil (temp\u00e9rature de contact ~ 32\u00b0C).\n <\/p>\n \n \n
\n 4.\u00a0Diff\u00e9rences entre faisceaux & Influence de la fr\u00e9quence de balayage & courtes et longues distances\n <\/h3>\n \n \n
\n Les LiDAR 3D, doivent prendre en compte le comportement physique des ondes lumineuses. En raison des \u00e9carts d\u2019angle des faisceaux verticaux, le laser n’aura pas les m\u00eames r\u00e9sultats.\n <\/p>\n \n \n
\n Avec une fr\u00e9quence de balayage de 20 Hz, le moteur LiDAR tourne \u00e0 une vitesse double que pour 10 Hz. Il est int\u00e9ressant de tester si les r\u00e9sultats sont affect\u00e9s.\n <\/p>\n \n \n
\n Enfin, les LiDAR ayant une longue port\u00e9e ne sont pas vraiment bons sur courte distance. Nous voulons quantifier ces diff\u00e9rences d’erreurs.\n <\/p>\n \n \n
\n \n \n Premi\u00e8re sc\u00e8ne\n <\/em>\n <\/strong>\n <\/p>\n \n \n
\n En consid\u00e9rant une sc\u00e8ne statique, les RS-LiDAR16, Quanergy M8, RPLIDAR A3 et Sick 551 se positionnent devant un mur plan (\n \n bo\u00eetes en carton\n <\/strong>\n ), \u00e0 une distance d’environ\n \n 1,01m et 1,90m avec \u00b1 0,01m\n <\/strong>\n .\n <\/p>\n \n \n
\n Pour chaque environnement, le LiDAR est lanc\u00e9 apr\u00e8s au moins 2 minutes de non-utilisation pendant 3 minutes. Un bag de 15 secondes est enregistr\u00e9 pour les donn\u00e9es post-traitement.\n <\/p>\n \n \n
\n \n \n Deuxi\u00e8me sc\u00e8ne\n <\/em>\n <\/strong>\n <\/p>\n \n \n
\n En consid\u00e9rant une sc\u00e8ne statique, le RS-LiDAR16 et le Quanergy M8 se positionnent devant un mur plan (\n \n bois condens\u00e9\n <\/strong>\n ), \u00e0 une distance d’environ\n \n 5,00m, 9,98m, 19,97m et 27,81m \u00e0 \u00b1 0,01m\n <\/strong>\n .\n <\/p>\n \n \n
\n Pour chaque environnement, le LiDAR est lanc\u00e9 apr\u00e8s au moins 2 minutes de non-utilisation pendant 3 minutes. Un bag de 30 secondes est enregistr\u00e9 pour les donn\u00e9es post-traitement.\n <\/p>\n \n \n
\n 5. Diff\u00e9rences entre les zones angulaires de mesure du LiDAR\n <\/h3>\n \n \n
\n Le LiDAR peut avoir des performances inf\u00e9rieures sur une partie de la plage angulaire.\n <\/p>\n \n \n
\n En consid\u00e9rant une sc\u00e8ne statique, le RS-LiDAR16 se positionne devant une paroi plane (\n \n bo\u00eetes en carton\n <\/strong>\n ), \u00e0 une distance d’environ\n \n 1,01m \u00b1 0,01m\n <\/strong>\n .\n <\/p>\n \n \n
\n Pour chaque environnement, le LiDAR est lanc\u00e9 apr\u00e8s au moins 2 minutes de non-utilisation pendant 3 minutes. Un bag de 15 secondes est enregistr\u00e9 pour les donn\u00e9es post-traitement.\n <\/p>\n \n \n
\n \n Quatre environnements ont \u00e9t\u00e9 test\u00e9s\n <\/strong>\n : l’environnement ne change pas, le LiDAR tourne de 90\u00b0 entre les deux enregistrements, +180\u00b0 et +270\u00b0.\n <\/p>\n \n \n
\n D\u00e9tails de l’algorithme\n <\/h2>\n \n \n
\n L’algorithme utilis\u00e9 n’est pas compliqu\u00e9, le RS-LiDAR16 lit les donn\u00e9es brutes \u00e0 travers le topic du LiDAR qui transmet les messages de type Pointcloud2 pour les LiDAR RS-LiDAR16, Quanergy M8 et Sick et de type Laserscan pour le RpLiDAR.\n <\/p>\n \n \n
\n Pour ces exp\u00e9riences, seules les donn\u00e9es des axes X et Y sont calcul\u00e9es pour obtenir la moyenne, l\u2019\u00e9tendue, l’\u00e9cart-type et la variance des donn\u00e9es des bags. Nous sommes dans une zone restreinte (X +\/- 0,1m et Y +\/- 0,5m), o\u00f9 X et Y correspondent aux coordonn\u00e9es connues de l’obstacle.\n <\/p>\n \n \n
\n Sur l’ensemble de donn\u00e9es, nous comptons combien de valeurs sont d\u00e9tect\u00e9es par le LiDAR , ce qui permet de mettre en perspective le r\u00e9sultat obtenue.\n <\/p>\n \n \n
\n Nous calculons les valeurs sur tout le bag puisque l’environnement ne change pas pour obtenir des r\u00e9sultats plus pr\u00e9cis.\n <\/p>\n \n \n
\n R\u00e9sultats exp\u00e9rimentaux\n <\/h2>\n \n \n
\n Maintenant que vous connaissez les conditions des tests de la partie III, nous pouvons discuter et interpr\u00e9ter les r\u00e9sultats. Notez que les r\u00e9sultats complets sont disponibles dans ce document\n \n R\u00e9sultats des tests faits sur le LiDAR Robosense RS-LIDAR16\n <\/a>\n .\n <\/p>\n \n \n
\n 1. Influences des mat\u00e9riaux des obstacles\n <\/h3>\n \n \n
\n Le RS-LiDAR16 a de r\u00e9sultats bons (\u00b1 1cm) avec \u00e9cran de t\u00e9l\u00e9vision, tableau blanc, porte et mousse mais a des donn\u00e9es relativement \u00e9tal\u00e9es avec un \u00e9cart type de \u00b12cm.\n <\/p>\n \n \n
\n En ce qui concerne l’obstacle de la fen\u00eatre, seulement 4 valeurs sont d\u00e9tect\u00e9es car les obstacles transparents sont les plus difficiles \u00e0 mesurer par LiDAR.\n <\/p>\n \n \n
\n Enfin, de mani\u00e8re inattendue, les bo\u00eetes en carton, le mur, le bois condens\u00e9 et le fer ont des r\u00e9sultats moins bons avec une pr\u00e9cision de +4cm et +7cm avec un \u00e9cart type faible (\u00b1 1,5cm).\n <\/p>\n \n \n
\n Ce test montre que la diff\u00e9rence entre les mat\u00e9riaux peut \u00eatre importante et inattendue. Pour \u00eatre s\u00fbr, de nouveaux tests devraient \u00eatre effectu\u00e9s sur les mat\u00e9riaux qui conduisent \u00e0 de moins bons r\u00e9sultats.\n <\/p>\n \n \n
\n \n Pour les autres tests, il faut garder \u00e0 l’esprit le mat\u00e9riau choisi.\n <\/strong>\n <\/p>\n \n \n
\n 2. Influence de la lumi\u00e8re du soleil\n <\/h3>\n \n \n
\n Ce test a \u00e9t\u00e9 effectu\u00e9 sur un obstacle en bois condens\u00e9, le RS-LiDAR16 semble avoir de meilleurs r\u00e9sultats (-3cm) en int\u00e9rieur qu’en ext\u00e9rieur (+5cm \u00e0 l’ombre et +7cm au soleil).\n <\/p>\n \n \n
\n Avec le m\u00eame mat\u00e9riau, la diff\u00e9rence entre les environnements est assez importante.\n <\/p>\n \n \n
\n 3. Influences du temps de fonctionnement et de la temp\u00e9rature\n <\/h3>\n \n \n
\n Ce test est r\u00e9alis\u00e9 avec un obstacle en bois condens\u00e9, \u00e0 l’ombre, le RS-LiDAR16 ne semble pas avoir de d\u00e9rive temporelle mais au contraire, il devient plus pr\u00e9cis dans le temps. En effet, les premi\u00e8res mesures ont des erreurs plus importantes (+5cm \u00e0 0min contre +1cm \u00e0 45min pour le faisceau 8).\n <\/p>\n \n \n
\n Sous le soleil, les faisceaux \u00e9tudi\u00e9s sont le 6 & 7 car il y a un offset sur le plan horizontal (ils correspondent donc aux 8 & 16 de la sc\u00e8ne pr\u00e9c\u00e9dente), le comportement est le m\u00eame, mais l’erreur converge autour de +5cm. Il pourrait s’agir des cons\u00e9quences de l’influence de la temp\u00e9rature. En effet, le LiDAR \u00e9tait plus chaud au touch\u00e9 qu\u2019\u00e0 l’ombre.\n <\/p>\n \n \n
\n Tant \u00e0 l’ombre que sous le soleil, les rayons 16 et 7, poss\u00e8dent des erreurs sup\u00e9rieures (+3cm and +2cm).\n <\/p>\n \n \n
\n 4. Diff\u00e9rences entre faisceaux & Influence de la fr\u00e9quence de balayage & courtes et longues distances\n <\/h3>\n \n \n
\n Tout d’abord, \u00e0 l\u2019int\u00e9rieur, sur de courtes distances (1,01m) les LiDAR 2D ont de meilleurs r\u00e9sultats (rpLiDAR : 0cm et Sick : +1cm) gr\u00e2ce \u00e0 leur faisceau parfaitement horizontal.\n <\/p>\n \n \n
\n A propos des LiDAR 3D, le Quanergy a +0cm et le RS-LiDAR16 a, avec moins d’\u00e9cart-type, +3cm d’erreur en moyenne sur les faisceaux.\n <\/p>\n \n \n
\n Pour une distance de 1,90m, les capteurs 2D ont encore de bons r\u00e9sultats (rpLiDAR : 0cm et Sick : +2cm).\n <\/p>\n \n \n
\n A propos des LiDAR 3D, Quanergy et RS-LiDAR16 ont en moyenne +1cm d’erreur sur les faisceaux.\n <\/p>\n \n \n
\n Ensuite, pour l’environnement ext\u00e9rieur, la pr\u00e9cision est meilleure pour une fr\u00e9quence de 10Hz (-1cm d’erreur que pour 20Hz). Notez qu’une fr\u00e9quence de balayage de 5Hz est dangereuse pour les robots mobiles car pas assez rapide concernant les changements de l’environnement.\n <\/p>\n \n \n
\n Ensuite, pour 5.00m de distance, la pr\u00e9cision est meilleure sur les faisceaux centraux. Sur ces faisceaux (8 & 16), le RS-LiDAR16 a +1 cm d’erreur et d\u2019\u00e9cart-type +2cm.\n <\/p>\n \n \n
\n Pour une distance de 9,98 m, le Quanergy est plus pr\u00e9cis avec seulement +1 cm d’erreur pour les deux fr\u00e9quences et +3 cm \u00e0 10 Hz ; +5 cm \u00e0 20 Hz pour le RS-LiDAR16.\n <\/p>\n \n \n
\n Pour 19,97m, les deux ont une erreur de +3cm.\n <\/p>\n \n \n
\n Enfin sur une distance de 27,81m, tous deux sont pr\u00e9cis avec +1cm pour le RS-LiDAR et +2cm pour le Quanergy.\n <\/p>\n \n \n
\n En raison de la r\u00e9solution, le RS-LiDAR16 a peu de valeurs \u00e0 cette distance sur un si petit obstacle (1,20m x 0.8m). A 20Hz, il ne d\u00e9tecte aucun point.\n <\/p>\n \n \n
\n 5. Diff\u00e9rences entre les zones angulaires de mesure du LiDAR\n <\/h3>\n \n \n
\n Les r\u00e9sultats sont assez similaires mais pr\u00e9sentent quelques petites diff\u00e9rences (\u00b1 1 cm d’erreur et \u00b1 0,5 cm d’\u00e9cart-type).\n <\/p>\n \n \n
\n Les conditions de test ne nous permettent pas de conclure sur un comportement type. L’exp\u00e9rience doit \u00eatre faite plusieurs fois avec diff\u00e9rents environnements.\n <\/p>\n \n \n
\n \n Un point peut \u00eatre not\u00e9, les mesures semblent volatiles, l’erreur est al\u00e9atoire et non syst\u00e9matique.\n <\/strong>\n <\/p>\n \n \n
\n 6. Conclusion de cette \u00e9tude exp\u00e9rimentale\n <\/h3>\n \n \n
\n Le but de cet article \u00e9tait d’\u00e9tudier les performances du capteur RS-LiDAR16 \u00e0 travers une s\u00e9rie de tests. Ce capteur est un nouveau LiDAR sur le march\u00e9. Notre \u00e9tude a \u00e9t\u00e9 con\u00e7ue pour \u00e9valuer les mesures fournies afin de d\u00e9terminer s’il \u00e9tait possible de l’utiliser dans les applications couvertes par le fabricant.\n <\/p>\n \n \n
\n Les exp\u00e9riences auraient d\u00fb \u00eatre faites plusieurs reprises pour obtenir plus d’\u00e9chantillons et dans des environnements diff\u00e9rents (autres formes d’obstacles et distances), mais cela donne toujours un bon aper\u00e7u des performances du RoboSense RS-LiDAR16.\n <\/p>\n \n \n
\n Plusieurs tests ont mis en \u00e9vidence des erreurs sup\u00e9rieures pour RS-LiDAR16 par rapport aux autres LiDAR en g\u00e9n\u00e9ral. En ce qui concerne le LiDAR 2D, il est logique d’obtenir une plus grande pr\u00e9cision en raison du nombre de faisceaux.\n <\/p>\n \n \n
\n Par rapport \u00e0 la Quanergy M8-1, il est bon de rappeler que RoboSense a 16 faisceaux et dans les applications cartographiques, se d\u00e9placer permet de corriger ces erreurs par it\u00e9rations.\n <\/p>\n \n \n
\n Encore une fois, il est important de se rappeler que le capteur re\u00e7u est l’un des tout premiers livr\u00e9s. Nous esp\u00e9rons que les prochaines versions corrigeront les erreurs rencontr\u00e9es. En cons\u00e9quence, l’arriv\u00e9e de ce capteur peut \u00eatre consid\u00e9r\u00e9e comme une ouverture pour une distribution plus large de ce type de capteur.\n <\/p>\n \n \n
\n Enfin, c’est notre premier vrai test, nous avons essay\u00e9 de couvrir diff\u00e9rents biais, les r\u00e9sultats peuvent ne pas correspondre \u00e0 ceux trouv\u00e9s avec la r\u00e9p\u00e9tabilit\u00e9 mais cela vous donne une bonne id\u00e9e des performances RS-LiDAR16.\n <\/p>\n \n \n
\n Annexes et r\u00e9f\u00e9rences de l’\u00e9tude\n <\/h2>\n \n \n
\n Cet article n’a pas pour but d’\u00eatre valid\u00e9 en tant que document de recherche. \u00c9tude inspir\u00e9e de l’\u00e9tude du Quanergy M8[1].\n <\/p>\n \n \n
\n [1] Mittet, A., Nouira, H., Roynard, X., Goulette, F. and Deschaud, J-E. \u201cEXPERIMENTAL ASSESSMENT OF THE QUANERGY M8 LIDAR SENSOR\u201d, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLI-B5, 2016 XXIII ISPRS Congress, 12\u201319 July 2016, Prague, Czech Republic\n <\/p>\n \n \n
\n [2] Kilpela, A., Pennala, R. and Kostamovaara, J. \u201cPrecise pulsed time-of-flight laser range finder for industrial distance measurements\u201d, Review of Scientific Instruments72(4), pp. 2197\u20132202, 2001.\n <\/p>\n \n \n
\n \n $\"RS-LiDAR16$ \n <\/a>\n
\n RS-LiDAR16 – Environnement ext\u00e9rieur\n <\/figcaption>\n <\/figure>\n \n \n
\n \n $\"Quanergy$ \n <\/a>\n
\n Quanergy – Environnement ext\u00e9rieur\n <\/figcaption>\n <\/figure>\n \n \n
\n \n $\"Sick$ \n <\/a>\n
\n Sick – Environnement int\u00e9rieur\n <\/figcaption>\n <\/figure>\n \n \n
\n \n $\"RPLIDAR$ \n <\/a>\n
\n RPLIDAR – Environnement int\u00e9rieur\n <\/figcaption>\n <\/figure>\n \n \n
\n Consultez notre section\n \n LiDAR pour la recherche et le sup\u00e9rieur\n <\/a>\n ou\n \n contactez-nous\n <\/a>\n pour avoir plus d’informations ou obtenir un devis.\n <\/p>\n \n \n
\n \n Les marques de LiDAR distribu\u00e9es par G\u00e9n\u00e9ration Robots\n <\/strong>\n <\/p>\n \n \n
\n \n \n \n \n
\n \n $\"LiDARs$ \n <\/a>\n <\/td>\n \n \n $\"LiDARs$ \n <\/a>\n <\/td>\n \n \n $\"LiDARs$ \n <\/a>\n <\/td>\n <\/tr>\n
\n \n $\"LiDARs$ \n <\/a>\n <\/td>\n \n \n $\"LiDARs$ \n <\/a>\n <\/td>\n \n \n $\"LiDARs$ \n <\/a>\n <\/td>\n <\/tr>\n <\/tbody>\n <\/table>\n <\/figure>\n \n <\/body>\n<\/html>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t $\"Livre$ \t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"
Nous avons fait plusieurs tests en int\u00e9rieur et en ext\u00e9rieur avec le LiDAR RS-LiDAR16 de Robosense . Nous comparons les r\u00e9sultats avec ceux d\u2019autres LiDAR (Quanergy M8-1, Sick 551 et RpLiDAR A3), obtenus dans les m\u00eames conditions. La mesure de distance obtenue avec un LiDAR peut \u00eatre influenc\u00e9e par des facteurs, ainsi que des sources[…]
Read this article >><\/a><\/p>\n","protected":false},"author":188,"featured_media":6144,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[10523],"tags":[],"class_list":["post-6122","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-comparatifs-et-tests-produits"],"_links":{"self":[{"href":"https:\/\/www.generationrobots.com\/blog\/wp-json\/wp\/v2\/posts\/6122","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.generationrobots.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.generationrobots.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.generationrobots.com\/blog\/wp-json\/wp\/v2\/users\/188"}],"replies":[{"embeddable":true,"href":"https:\/\/www.generationrobots.com\/blog\/wp-json\/wp\/v2\/comments?post=6122"}],"version-history":[{"count":27,"href":"https:\/\/www.generationrobots.com\/blog\/wp-json\/wp\/v2\/posts\/6122\/revisions"}],"predecessor-version":[{"id":18704,"href":"https:\/\/www.generationrobots.com\/blog\/wp-json\/wp\/v2\/posts\/6122\/revisions\/18704"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.generationrobots.com\/blog\/wp-json\/wp\/v2\/media\/6144"}],"wp:attachment":[{"href":"https:\/\/www.generationrobots.com\/blog\/wp-json\/wp\/v2\/media?parent=6122"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.generationrobots.com\/blog\/wp-json\/wp\/v2\/categories?post=6122"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.generationrobots.com\/blog\/wp-json\/wp\/v2\/tags?post=6122"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}