לידאר לערים חכמות: מכלי רכב לתשתיות חכמות

עבור אנשים רבים, טכנולוגיית ה-LiDAR (לידאר) עדיין מזוהה באופן מובהק עם רכבים אוטונומיים: מכוניות הסורקות כבישים, מזהות הולכי רגל, רוכבי אופניים, גבולות נתיבים ומכשולים. זיקה זו הגיונית, מכיוון שנהיגה אוטונומית הייתה אחד התחומים הבולטים ביותר בפיתוח הלידאר. עם זאת, עתיד הלידאר אינו מוגבל לכלי רכב בלבד.

שאלה מעניינת יותר היא מה קורה כאשר הבינה (האינטליגנציה) מוטמעת גם בתוך התשתית המקיפה את הרכב. ערים יכולות למקם חיישני לידאר על רמזורים, עמודים, יחידות קצה בצדי הדרכים, בניינים, קמפוסים ומרחבים ציבוריים. מתוך נקודות תצפית קבועות וגבוהות אלו, הלידאר יכול לסייע לערים להבין כיצד הולכי רגל, כלי רכב ורוכבי אופניים נעים בתוך סביבות משותפות. זהו המקום שבו הלידאר לערים חכמות הופך לעוצמתי: הוא יכול לקחת את התשתית העירונית מעבר לזיהוי פשוט, אל עבר הבנת תנועה, ניתוח בטיחות וניטור מרחבים ציבוריים תוך שמירה על פרטיות.

תוכן עניינים

• למה לידאר לערים חכמות?

• מדוע לידאר מוגבה הוא חשוב?

• נקודת מבט תשתיתית וניטור רציף

• פשרות במיקום ואיכות ענן הנקודות

• ראיית תנועה בשלושה ממדים

• תפיסה עירונית שומרת פרטיות

• מצלמות, לידאר או שניהם?

• מזיהוי להבנת תנועה

• אימון בינה מלאכותית על נתוני לידאר אמיתיים

• יישומים של לידאר לערים חכמות

• מקונספט לפריסה בעולם האמיתי

• סיכום

למה לידאר לערים חכמות?

עיר אינה מפה סטטית. הולכי רגל חוצים צמתים, כלי רכב פונים בתוך התנועה, רוכבי אופניים נעים בין נתיבים, והמונים מתקהלים ליד קמפוסים, תחנות מעבר ואזורי מרכז העיר. עיר חכמה זקוקה אפוא ליותר מאשר ספירת כלי רכב או מפות גודש. היא צריכה להבין מה קורה בזמן אמת.

חשבו על הולך רגל החוצה את הכביש בזמן שרכב מתכונן לפנות. רמזור מסורתי פועל לפי תוכנית תזמון קבועה. צומת אינטליגנטי יכול לשאול שאלות טובות יותר: האם מישהו עדיין נמצא במעבר החצייה? האם רכב נע לעבר אזור קונפליקט? האם הולך רגל נע לאט מהרגיל או משנה כיוון בפתאומיות? חיישן לידאר המותקן על רמזור או עמוד רחוב יכול להשקיף על הסצנה מנקודת מבט יציבה ולמדוד מיקום תלת-ממדי, מרחק ותנועה. טכנולוגיות לידאר ותחבורה חכמה כבר נידונו ככלים מבטיחים לניטור ערים חכמות, פיקוח על תנועה ויישומים לבטיחות הולכי רגל [1], [2].

מדוע לידאר מוגבה הוא חשוב?

אם המטרה של לידאר לערים חכמות היא לסייע לתשתית להבין תנועה, מיקום החיישן הופך לקריטי. לידאר המותקן על כלי רכב רואה את העולם רק מנקודת המבט של הרכב, וקו הראייה שלו עלול להיחסם על ידי אוטובוסים, מכוניות חונות, הולכי רגל, עצים או עצמים בצד הדרך. חיישן לידאר מוגבה המותקן על רמזור, עמוד, יחידת קצה או בניין יכול להשקיף על אותו אזור מלמעלה ולספק מבט יציב יותר.

נקודת מבט תשתיתית וניטור רציף

נקודת מבט מוגבהת זו שימושית במיוחד בצמתים. מנקודת המבט של הרכב, חלקים מהסצנה עלולים להיות חסומים או גלויים לזמן קצר בלבד. מנקודת מבט תשתיתית מוגבהת, המערכת יכולה להבחין בהולכי רגל, כלי רכב ורוכבי אופניים באופן גלובלי (כוללני) יותר ולהבין כיצד הם נעים זה ביחס לזה.

איור 1 מדגים קונספט זה. במקום לחוש את הרחוב רק מנקודת המבט של הרכב, ה-LiDAR מותקן על התשתית העירונית ומבחין בהולכי רגל, כלי רכב ופעילויות מנקודת מבט מוגבהת.

מכיוון שהחיישן קבוע, הוא יכול לנטר את אותו מעבר חצייה, מדרכה, שביל הליכה בקמפוס או אזור מעבר לאורך זמן. הדבר תומך בזיהוי בזמן אמת ובניתוח בטיחות לטווח ארוך. מערכות לידאר מוגבהות ובצדי הדרכים כבר נחקרו לצורך זיהוי ומעקב אחר הולכי רגל וכלי רכב, וכן עבור תפיסה מרחבית מבוססת-תשתית במערכות תחבורה חכמות [3], [4].

פשרות במיקום ואיכות ענן הנקודות

הגבהה היא שימושית, אך היא אינה אידיאלית באופן אוטומטי. חיישן המותקן נמוך מדי עלול לסבול מחסימות הסתרה (occlusion), בעוד שחיישן המותקן גבוה מדי עשוי לכסות שטח רחב יותר אך לייצר ענני נקודות דלילים יותר של הולכי הרגל. חיישן לניטור מעברי חצייה עשוי להזדקק לצפיפות נקודות מספקת כדי לקלוט תנוחת גוף (יציבה), בעוד שחיישן זרימת תנועה עשוי לתת עדיפות לכיסוי רחב. גובה, זווית, שדה ראייה ורזולוציית סריקה הם אלו שקובעים, בסופו של דבר, מה המערכת באמת יכולה להבין.

ראיית תנועה בשלושה ממדים

טכנולוגיית ה-LiDAR מספקת ענני נקודות בתלת-ממד (3D point clouds), שבהם כל נקודה מייצגת מיקום נמדד במרחב. מצלמות קולטות מראה חיצוני, צבע, מרקם והקשר חזותי. לידאר קולט גיאומטריה, מרחק ומבנה מרחבי. עבור ניטור הולכי רגל, הדבר משמעותי מכיוון שהולך רגל אינו רק צורה בתמונה; הוא אובייקט תלת-ממדי נע בעל מיקום, גובה, תנוחה, מהירות ומסלול תנועה (טרקטוריה).

שאלות בטיחות רבות הן שאלות של תנועה. האם מישהו הולך כרגיל, עוצר בפתאומיות, או נופל במרחב הציבורי? באמצעות מספר פריימים (מסגרות) של לידאר, מערכת בינה מלאכותית יכולה לנתח שינויים במיקום, בתנוחה, במהירות ובמסלול. לידאר יכול לספק גם רפלקטיביות, או עוצמת החזר (intensity), המתארת כמה חזק משטח מסוים מחזיר את אות הלייזר. רפלקטיביות לא אמורה להחליף גיאומטריה או תנועה, אך היא יכולה להוסיף רמזים מועילים בסצנות עירוניות מורכבות.

תפיסה עירונית שומרת פרטיות

חישוש בעיר חכמה מעלה גם שאלה אנושית: כיצד ערים יכולות לשפר את הבטיחות מבלי לגרום לאנשים להרגיש שתחת מעקב מתמיד? זהו אחד הטיעונים החזקים ביותר לטובת לידאר בערים חכמות. מצלמות הן כלי חזק, אך במרחבים ציבוריים הן עלולות ללכוד פרטים מזהים כגון פנים, לבוש ומראה אישי.

לידאר מציע ייצוג מסוג אחר. הוא לוכד ענני נקודות גיאומטריים דלילים במקום תמונות חזותיות מפורטות. מערכת לידאר עדיין יכולה לזהות ולעקוב אחר הולכי רגל, להעריך תנועה ולנתח פעילות, אך מבלי להסתמך על מידע על פנים או מראה חיצוני. אין זה אומר שלידאר פותר באופן אוטומטי כל פגיעה בפרטיות. חישוש ציבורי עדיין מחייב מדיניות קפדנית לגבי אחסון, גישה, שקיפות ופריסה אתית. עם זאת, לידאר יכול לסייע בהסטת הדיון ממעקב מבוסס-זהות לעבר חישוש מבוסס-התנהגות [2], [5], [6].

מצלמות, לידאר או שניהם?

אם מערכות תפיסה מבוססות מצלמה הפכו לכל כך חזקות, מדוע שערים עדיין ישקלו שימוש בלידאר? התשובה אינה "מצלמה מול לידאר", אלא סוג המידע שהעיר זקוקה לו. מצלמות יעילות מאוד עבור הקשר חזותי: הן יכולות לזהות צבעי רמזור, תמרורים, צורות של כלי רכב, מראה של הולכי רגל ופרטי סצנה. מערכות מודרניות מבוססות מצלמה הציגו גם ביצועים חזקים בזיהוי, מעקב וזיהוי פעילות של הולכי רגל [7].

עם זאת, ניטור מרחב ציבורי דורש גם הבנה אמינה של תנועה בתלת-ממד. מערכות מצלמה יכולות להעריך עומק ותנועה, אך הביצועים שלהן עלולים להיות מושפעים משינויי תאורה, וריאציות בנקודת המבט, חסימות (הסתרה) ואי-ודאות לגבי העומק [8], [9]. לידאר מתמודד גם הוא עם אתגרים כמו חסימות ודלילות נקודות, אך הוא מודד ישירות מבנה תלת-ממדי. הולך רגל מיוצג פחות על ידי מראה חיצוני ויותר על ידי מיקום, מרחק, כיוון, מהירות ותנוחה. מחקרים קודמים הראו את הערך של לידאר לזיהוי הולכי רגל, מעקב, ניתוח הליכה (gait) וזיהוי פעילות אנושית [3], [10]–[13].

הלידאר מציע גם יתרון פרטיות חשוב בסביבות ציבוריות. מאחר שהוא לוכד ענני נקודות גיאומטריים ולא מראה מפורט של פנים או לבוש, הוא יכול לתמוך בניטור הולכי רגל תוך הפחתת כמות המידע החזותי המזהה שנאסף. לכן, המצלמות נותרות בעלות ערך כאשר נדרש הקשר חזותי, בעוד שלידאר שימושי במיוחד עבור תנועה בתלת-ממד, חישוש מודע-מרחק, תנאי תאורה משתנים וניטור שומר פרטיות. במסגרות רבות של ערים חכמות, הפתרון החזק ביותר עשוי לשלב את שניהם.

מזיהוי להבנת תנועה

בין אם המערכת משתמשת בלידאר לבדו ובין אם היא משלבת אותו עם מצלמות, המטרה העמוקה יותר היא זהה: מעבר מזיהוי (detection) להבנה (understanding). זיהוי שואל אילו אובייקטים נמצאים בסצנה. הבנת תנועה שואלת מה האובייקטים האלו עושים.

עבור בטיחות הולכי רגל, להבחנה הזו יש חשיבות רבה. אדם העומד ליד מדרכה, חוצה צומת, רץ פתאום או נופל – כולם עשויים להופיע כ"הולכי רגל", אך לכל סיטואציה יש משמעות שונה. ענני נקודות של לידאר יכולים לתמוך בהבנה עמוקה זו מכיוון שהם מספקים מידע מרחבי וזמני (לפי זמן). לאורך מספר פריימים, המערכת יכולה לנתח מיקום, תנוחה, מהירות, מסלול ודפוסי תנועה.

זהו הכיוון של המחקר שלי על ניטור פעילות הולכי רגל מבוסס לידאר מוגבה, שבו ענני נקודות תלת-ממדיים מנקודת מבט מוגבהת משמשים לזיהוי הולכי רגל, מעקב אחר תנועתם וסיווג דפוסי הפעילות שלהם [15]. איור 3 מציג רעיון זה כצינור עיבוד (pipeline) מחישוש לקבלת החלטות.

צינור עיבוד זה יכול לתמוך בזיהוי נפילות במרחב הציבורי, בטיחות בקמפוסים, ניטור צמתים חכמים וניתוח התנהגות הולכי רגל. עבודות עדכניות בתחום ניטור הולכי רגל מבוסס לידאר מראות כיצד חיישנים המותקנים על תשתיות יכולים לתמוך הן בזיהוי והן בהבנת התנהגות [2].

אימון בינה מלאכותית על נתוני לידאר אמיתיים

כדי שבינה מלאכותית תבין תנועת הולכי רגל, היא זקוקה תחילה לדוגמאות. זה נשמע פשוט, אך בפועל זהו אחד האתגרים הגדולים ביותר עבור לידאר לערים חכמות. עיר יכולה לקלוט באופן טבעי דוגמאות רבות של הליכה רגילה, חצייה או המתנה. אך מה לגבי האירועים הנדירים החשובים ביותר לבטיחות? כמה דוגמאות של נפילות, צליעה, תנועה חריגה פתאומית או אירועי "כמעט תאונה" ניתן לאסוף בצורה בטוחה, אתית ובקנה מידה רחב?

כאן מתחילה בעיית הנתונים. מודלים של בינה מלאכותית לומדים מדפוסים, ואם האירועים החשובים ביותר הם נדירים, המודל עשוי שלא לראות מספיק מהם במהלך האימון. נתוני לידאר אמיתיים הם גם קשים לתיוג (labeling) פריים אחר פריים, במיוחד כאשר המטרה היא לא רק לזהות הולך רגל, אלא להבין תנועה, תנוחת גוף ופעילות לאורך זמן.

סימולציה מסייעת לפתור חלק מאתגר זה. חוקרים יכולים לעצב סצנות, לשלוט בהתנהגות הולכי רגל, להתאים את מיקום החיישן ולייצר ענני נקודות דמויי-לידאר עבור פעילויות ספציפיות. סימולטורים כגון Blender, CARLA, Webots, Gazebo, AirSim ו-NVIDIA Isaac Sim יכולים לתמוך בתהליך זה. תוכנת Blender, למשל, יכולה ליצור סצנות עירוניות מותאמות אישית, להנפיש (אנימציה) הולכי רגל, ולייצר נתונים דמויי-לידאר באמצעות הטלת קרניים (raycasting) או כלי סימולציית לידאר [16].

סימולציה היא כלי שימושי, אך היא אינה התשובה הסופית. נתוני לידאר אמיתיים כוללים רעש, דלילות, וריאציות ברפלקטיביות, השפעות מזג אוויר, שגיאות כיול, חסימות ראייה והתנהגות בלתי צפויה. הולך רגל מדומה עשוי לנוע בצורה נקייה, בעוד שאדם אמיתי עשוי לעצור לפתע, לשאת תיקים, ללכת בקבוצות או להיות מוסתר חלקית. הגישה המעשית היא ללמוד את המבנה בסימולציה, ואז להתאים ולתקף אותו באמצעות נתונים מהעולם האמיתי.

הפריסה בשטח מעלה גם שאלות מעשיות. היכן יש להתקין את הלידאר? כמה גבוה זה גבוה מדי? מי מתחזק את החיישנים? כיצד מועבדים הנתונים? האם הציבור יתן אמון במערכת? כדי שלידאר לערים חכמות יעבור משלב המחקר לפריסה מעשית, המערכת חייבת להיות אמינה, חסכונית לתחזוקה, שימושית לפעילות העיר, ומקובלת על האנשים שנעים במרחבים אלו מדי יום.

יישומים של לידאר לערים חכמות

לאחר שלוקחים בחשבון חישוש, פרטיות, היתוך נתונים (fusion), בינה מלאכותית ופריסה, היכן לידאר לערים חכמות יכול לחולל שינוי ניכר לעין? בצומת חכם, לידאר יכול לנטר הולכי רגל, כלי רכב ורוכבי אופניים בתלת-ממד. אם הולך רגל עדיין נמצא במעבר החצייה כשהרמזור עומד להשתנות, ניתן להאריך את תזמון האות. אם רכב והולך רגל נעים לעבר אותו אזור קונפליקט, המערכת יכולה להפעיל אזהרה או לתעד את האירוע לצורך ניתוח בטיחות. מחקרי לידאר בצדי הדרכים ועל גבי תשתיות הראו את הפוטנציאל של לידאר לזיהוי ומעקב בסביבות תנועה [3], [4].

באימוני קמפוסים, מדרכות, תחנות מעבר ואזורי חניה, לידאר יכול לסייע בזיהוי תנועה חריגה של הולכי רגל או נפילות מבלי להסתמך על צילומי מצלמה מזהים. במקום להקליט מראה פנים, המערכת יכולה להתמקד בדפוסי תנועה גיאומטריים כגון עמידה, הליכה, ריצה, ישיבה או נפילה. מחקרי לידאר הקשורים לזיהוי פעילות אנושית וניתוח הליכה מצביעים על כך שנתוני ענן נקודות גיאומטריים יכולים לתמוך בניתוח תנועה אנושית [5], [6], [13], [12].

לידאר יכול לתמוך גם בניתוח המונים וניידות (מוביליטי). במשחק כדורגל, הופעה, טקס סיום או תחנת רכבת תחתית, השאלה המרכזית היא לא רק כמה אנשים נוכחים, אלא כיצד הם נעים. ניתוח ניידות מבוסס לידאר יכול לסייע למתכננים לעצב מרחבים ציבוריים שמרגישים בטוחים, זורמים ונוחים יותר.

מקונספט לפריסה בעולם האמיתי

פריסות בעולם האמיתי מצביעות על כך שניטור ערים חכמות מבוסס לידאר עובר מקונספט הלכה למעשה, אך יישומים רבים עדיין נמצאים בשלב פריסה ראשוני או בשלב מונחה מחקר. ההבטחה המרכזית ברורה: חיישני לידאר קבועים יכולים לסייע לערים למדוד מיקום של משתמשי הדרך, מרחק, מסלול, מהירות ודפוסי תנועה בתלת-ממד, מה שמועיל לבטיחות בצמתים, ניהול תנועה וניטור הולכי רגל. כמה דוגמאות נוכחיות מראות את הכיוון הזה:

• ב-Peachtree Corners, ג'ורג'יה, Curiosity Lab וחברת Opsys הציגו טכנולוגיית לידאר במצב מוצק (solid-state LiDAR) בסביבת ניסוי אמיתית של עיר חכמה [17].

• פלטפורמת BlueCity של חברת Ouster מספקת גילוי תנועה וניתוח בטיחות מבוססי לידאר עבור תשתיות חכמות [18], ו-Ouster מעורבת גם בפריסת מסדרון חכם בצ'טנוגה (Chattanooga) המשלב חיישני לידאר דיגיטליים ובינה מלאכותית בקצה (Edge AI) לאחר פיילוט ראשוני ב-12 צמתים [19].

• דוגמאות נוספות כוללות צומת חכם המופעל באמצעות לידאר ביוטה המשתמש בטכנולוגיית Seoul Robotics [20], פרויקט בטיחות תנועה בהלסינקי המשתמש בפתרון התשתיות החכמות של Velodyne לזיהוי כלי רכב, הולכי רגל ורוכבי אופניים [21], ופרויקט עיר חכמה בבוסאן (Busan) המשתמש בפתרון ה-3D LiDAR של Quanergy לניטור בטיחות בדרכים וניטור הולכי רגל [22].

במקביל, דוגמאות אלו מראות גם שהתחום עדיין מתפתח. פריסות רבות מתמקדות בזרימת תנועה, זיהוי אובייקטים, ניתוח אירועי בטיחות או ניטור צמתים בסגנון תאום דיגיטלי (digital-twin), בעוד שמשימות מתקדמות יותר כגון זיהוי יציב של פעילות הולכי רגל, זיהוי התנהגות חריגה והבנת תנועה אנושית לטווח ארוך עדיין דורשות תיקוף נוסף. אימוץ רחב יותר יהיה תלוי בעלויות פריסה נמוכות יותר, אינטגרציה קלה יותר עם תשתיות תנועה קיימות, בדיקות מקיפות יותר בעולם האמיתי בערים שונות ובתנאי מזג אוויר מגוונים, ומודלים אמינים יותר של בינה מלאכותית. זו הסיבה שנתוני אימון וסימולציה נותרים חשובים. נתוני לידאר מהעולם האמיתי לצורך ניתוח פעילות הולכי רגל יכולים להיות קשים לאיסוף, לתיוג ולהכללה, ולכן סימולציה מציאותית יכולה לסייע בהפקת תרחישים מגוונים, בדיקת מקרי קצה (edge cases) ושיפור החוסן של המודל לפני פריסה בקנה מידה רחב.

סיכום

הסיפור הגדול יותר הוא שטכנולוגיית ה-LiDAR אינה עוסקת עוד רק בהפיכת כלי רכב לחכמים יותר. היא עשויה לסייע גם בהפיכת התשתית למודעת יותר לסביבתה. לידאר לערים חכמות יכול לתמוך בבטיחות הולכי רגל, ניתוח תנועה, מענה לחירום, ניטור שומר פרטיות והבנה עמוקה יותר של תנועה במרחב הציבורי.

השאלה אינה האם לידאר צריך להחליף את המצלמות. השאלה היא כיצד כל חיישן יכול לתרום למרחבים ציבוריים בטוחים וחכמים יותר. מצלמות מספקות הקשר חזותי עשיר. לידאר מספק גיאומטריה ישירה בתלת-ממד, מידע על תנועה וחישוש מרחבי שומר פרטיות. יחד, או ביישומים שנבחרו בקפידה, טכנולוגיות אלו יכולות לסייע לערים לנוע מעבר לזיהוי פשוט אל עבר הבנת המתרחש.