En el creciente mundo de la tecnología autónoma, los sistemas móviles, como los vehículos autónomos y robots, dependen en gran medida de la percepción del entorno. El uso de LiDAR para la segmentación semántica en tiempo real presenta tanto beneficios como desafíos significativos, lo cual ha sido el foco de un reciente estudio investigado por expertos de París-Saclay University.
La segmentación semántica de escenas utiliza nubes de puntos 3D generadas por LiDAR para identificar y diferenciar objetos y elementos del entorno. Sin embargo, estas nubes de puntos son por naturaleza desestructuradas, esparcidas y de tamaño imprevisible, presentando una considerable demanda computacional. Las plataformas de hardware como NVIDIA Jetson han sido evaluadas por su habilidad para manejar estos requerimientos en tiempo real, con SalsaNext identificándose como una de las soluciones más eficientes, aunque aún con ciertas limitaciones en precisión comparada con métodos más lentos como WaffleIron y Minkowski.
En las plataformas embebidas Jetson, aunque SalsaNext podría funcionar casi en tiempo real, se queda atrás en términos de precisión comparado con otros métodos como Minkowski y SPVCNN, que, si bien brindan resultados precisos, no alcanzan la eficiencia temporal necesaria para aplicaciones en tiempo real. La implementación de Jetson AGX Orin y Xavier también demuestra que, aunque los recursos computacionales y el consumo de energía son un desafío, la compactibilidad y el rendimiento hacen posible el uso práctico de tales métodos.
La comparación de métodos proyectivos, basados en puntos y de convolución escasa revela diferencias significativas de rendimiento. Mientras que los métodos de convolución como Minkowski se destacan por su eficiencia, los basados en puntos presentan desafíos con el tiempo de preprocesamiento, y las técnicas proyectivas como SalsaNext son superiores en eficiencia de tiempo en sistemas embebidos, aunque a costa de precisión.
El benchmarking destaca la urgente necesidad de optimizar la segmentación semántica en tiempo real, esencial para la operación ágil y segura de sistemas autónomos. Con los avances continuos y las optimizaciones en redes neuronales diseñadas para plataformas embebidas, el horizonte promete mejoras sustanciales en la integración efectiva y el funcionamiento en tiempo real de tales tecnologías.