Компьютерное зрение вместо рулетки: лидар проверяет фуры с точностью до 2 см

Российский производитель строительных материалов столкнулся с типичной для логистики проблемой: десятки фур в день, жёсткие пороги по геометрии кузова и ни одного надёжного способа проверить реальные размеры до погрузки. Компания-разработчик (название в источнике не указано) построила систему на базе промышленного лидара (лазерного сканера, который строит трёхмерную карту пространства из миллионов точек) и программного пайплайна (последовательности этапов обработки данных) на связке Ubuntu 22.04 и ROS 2 Humble (открытая платформа для управления роботами и сенсорами). Источник описывает проект как кейс компьютерного зрения в промышленной логистике. Публикация вышла без указания точной даты запуска, но описывает уже работающую систему на реальном объекте.

Три жёстких порога и два сантиметра на ошибку

• Ширина свободного прохода меньше 2,43 м, фура получает отказ. Стандартная паллета занимает 2,40 м, остаётся всего 3 см с каждой стороны.
• Высота от пола до горизонтальной балки меньше 2,60 м, отказ.
• Длина кузова меньше 8 м, отказ.
• Система дополнительно ищет посторонние предметы внутри кузова: самодельные крючки на дверных стойках, выступы, заниженную к кабине крышу.
• Допустимая погрешность измерения, два сантиметра. Для этого разработчики заранее рассчитали, хватит ли плотности облака точек (количество лазерных «замеров» на квадратный сантиметр поверхности) даже на дальней границе 15-метрового полуприцепа.

Почему нельзя было просто купить лидар по характеристикам?

Главная инженерная ловушка: срок поставки промышленного лидара составляет несколько недель, а протестировать его до покупки невозможно. Строчка «дальность до N метров» в спецификации гарантирует только фиксацию единичных откликов, но не говорит, хватит ли плотности сканирования для обнаружения двухсантиметрового дефекта на расстоянии 15 метров.

Команда до закупки собрала пространственную модель сцены: задала координаты лидара относительно створа ворот, угол обзора (FOV, field of view, область, которую «видит» сенсор), границы рабочей зоны (ROI, region of interest) и траектории позиционирования кузова. Это позволило математически подтвердить, что на максимальном удалении шаг между лучами не превысит допустимый порог.

Семь этапов от лазерного луча до вердикта

1. Лидар генерирует сырое 3D-облако точек всей сцены.
2. Драйвер производителя публикует поток данных в ROS 2.
3. Служебный адаптер перехватывает один актуальный кадр.
4. Бинарный пакет PointCloud2 (формат хранения облака точек с координатами и яркостью) конвертируется в числовую матрицу NumPy.
5. Геометрические фильтры CropBox отсекают все точки за пределами рабочей зоны.
6. Блок предварительной оценки проверяет, что сцена стабильна: фура стоит на месте, а не маневрирует.
7. Сервис геометрического анализа вычисляет точный 3D-профиль кузова и формирует вердикт с визуализацией.

Вся прикладная математика вынесена за пределы ROS 2: фреймворк работает только как транспортный слой, а анализ идёт в независимом сервисе по HTTP/API. Это упрощает обновление логики без вмешательства в аппаратную часть.

Первая версия не выдержала реальность

По данным источника, начальный алгоритм срабатывал просто: если в рабочей зоне появлялось критическое количество точек, система считала, что фура на месте. На практике грузовики маневрируют неравномерно, и такая логика давала ложные срабатывания. Разработчики добавили проверку стабильности сцены, чтобы отличить фуру, которая ещё заезжает, от фуры, которая уже готова к сканированию.

Есть ли аналоги в России?

Компьютерное зрение для логистики в России развивается, но готовых коробочных решений для проверки геометрии кузовов фур на рынке не представлено. Для задач распознавания и анализа изображений существуют российские платформы (например, решения на базе YandexGPT для текста или GigaChat для диалогов), но они работают с текстом и речью, а не с трёхмерными облаками точек. Описанный проект, это заказная промышленная разработка под конкретную задачу, а не массовый продукт.

Что делать с этим прямо сейчас?

Логистам и производственникам. Если на вашей площадке фуры разворачивают из-за несоответствия габаритов, оцените объём потерь: простой ворот, повреждённый груз, сорванные графики. Кейс показывает, что задачу можно решить одним промышленным лидаром и программным пайплайном без нейросетей.

Авторам Дзена, пишущим про технологии. Компьютерное зрение, это не только распознавание лиц и беспилотники. Промышленные кейсы с реальной экономикой (сколько стоит один разворот фуры, умноженный на десятки в месяц) собирают вовлечённую аудиторию. Формат «было, стало, сколько стоит ошибка» работает.

Предпринимателям. Обратите внимание на подход «математическая валидация до закупки»: команда не стала покупать оборудование наугад, а рассчитала пригодность сенсора на модели. Для любого проекта автоматизации это снижает риск дорогой ошибки.

Частые вопросы

Нужна ли нейросеть для такой системы?

Нет. В описанном проекте используется классическая геометрическая обработка облака точек: фильтрация, математический расчёт размеров, сравнение с пороговыми значениями. Нейросеть может понадобиться, если задача усложнится, например, для классификации типов дефектов или распознавания маркировки на бортах.

Сколько стоит промышленный лидар?

Источник не раскрывает стоимость оборудования. Промышленные лидары с дальностью 15 и более метров и достаточной плотностью сканирования относятся к профессиональному сегменту. Точную цену нужно запрашивать у поставщика под конкретные требования по дальности и разрешению.

Можно ли адаптировать решение под другие задачи?

Архитектура (лидар плюс ROS 2 плюс независимый аналитический сервис) универсальна. По описанию источника, прикладная логика отделена от аппаратного слоя, поэтому замена правил проверки не требует переделки всей системы. Потенциально подходит для контроля габаритов на складах, в портах, на железнодорожных терминалах.