Analisi comparativa di metodi geometrici e neurali per il rilevamento della polvere in dati LiDAR

La presenza di polvere costituisce una delle principali cause di degrado del dato LiDAR in ambienti non strutturati, come cave, miniere e contesti industriali off-road. Le particelle aerodisperse possono infatti generare ritorni spurii o ambigui, alterando la nuvola di punti e riducendo l’affidabilità delle successive fasi della pipeline percettiva, tra cui segmentazione, rilevamento di ostacoli e interpretazione della scena. In questo contesto, il problema affrontato consiste nel distinguere i ritorni prodotti dalla polvere dai punti che descrivono effettivamente la scena osservata. In questa tesi tale problema viene formulato come un compito di segmentazione binaria point-wise, con l’obiettivo di classificare ciascun punto come appartenente alla classe dust oppure non-dust. Il lavoro confronta approcci di natura differente per la dust detection su dati LiDAR. In particolare, vengono considerati due filtri geometrici basati su regole esplicite, LIDROR e DMNR, e tre modelli neurali di segmentazione: RandLA-Net, WeatherNet e U-Net. La valutazione sperimentale è condotta sul dataset pubblico LiDARDustX, specificamente progettato per scenari polverosi, ed è accompagnata da un’analisi qualitativa su dati reali raccolti in ambito aziendale, in modo tale da discutere il comportamento dei metodi anche in uno scenario operativo reale. I risultati ottenuti su LiDARDustX mostrano una netta superiorità degli approcci neurali rispetto ai filtri geometrici. In termini di IoU sulla classe dust, WeatherNet raggiunge il valore migliore (0.861), seguito da U-Net (0.833) e RandLA-Net (0.779), mentre tra i metodi geometrici il risultato più elevato è ottenuto da DMNR (0.456), superiore a LIDROR (0.330). Inoltre, dal punto di vista computazionale, U-Net risulta il modello neurale con i tempi di inferenza più contenuti, mostrando il miglior compromesso tra accuratezza ed efficienza inferenziale. Poiché i dati reali raccolti in ambito aziendale non dispongono di annotazioni point-wise, il relativo confronto può essere svolto solo in termini qualitativi. In questo contesto, emergono tre comportamenti complessivamente più convincenti, seppur con caratteristiche differenti: RandLA-Net appare il metodo più equilibrato, in quanto segue in modo plausibile le regioni polverose senza compromettere eccessivamente la scena utile; WeatherNet produce segmentazioni più estese e continue, ma tende a essere più aggressivo e a introdurre un numero maggiore di falsi positivi; LIDROR, al contrario, mostra un comportamento più conservativo e, in diversi casi, sottostima l’estensione della polvere. Risultano invece meno convincenti DMNR e U-Net: il primo appare troppo restrittivo nel rilevamento, mentre il secondo risulta troppo aggressivo nella classificazione della polvere.