Como escolher um LiDAR para robô móvel: alcance, campo de visão e interface

Escolher um LiDAR para um robô móvel é converter a tarefa do robô em números e só depois abrir o catálogo. O processo tem nove passos: escrever os requisitos a partir da missão, calcular o alcance e corrigi-lo pela refletividade, definir campo de visão e montagem, traduzir resolução angular em pontos sobre o alvo, escolher a taxa de varredura pela distorção de movimento, avaliar precisão e princípio de medição, dimensionar interface e sincronização de tempo, conferir a integração e a segurança e testar em bancada antes da compra. Este guia traz fórmulas e critérios. Não é um ranking: nenhuma marca é recomendada.

Pontos-chave

  • O alcance da ficha técnica vale para uma refletividade de referência. Em alvo escuro, ele cai com a raiz quadrada da refletividade.
  • Resolução angular só faz sentido convertida em espaçamento entre pontos: s = R · Δθ, com Δθ em radianos.
  • Em sensor rotativo de um canal, resolução horizontal e taxa de varredura disputam o mesmo orçamento de pontos por segundo.
  • Chassi, altura de montagem e ângulo inferior do feixe criam zonas cegas que você precisa calcular.
  • Sem carimbo de tempo confiável, não há correção de distorção de movimento nem fusão decente com IMU.
  • LiDAR de navegação não é scanner de segurança.

Antes de começar: o que você precisa ter em mãos

Não comece pela loja. Comece por quatro definições que o projeto já deveria ter.

  • Envelope de operação: velocidade linear e angular máximas, desaceleração garantida, ambiente interno ou externo, temperatura, poeira, chuva, luz solar direta.
  • Alvos críticos: o menor obstáculo que o robô precisa detectar, com largura, altura e material. Perna de cadeira, garfo de paleteira, vidro, superfície preta fosca.
  • Pilha de software: o algoritmo de localização dita o tipo de dado. Se ainda está decidindo, releia como funciona o SLAM em robôs móveis.
  • Orçamento de recursos: potência no barramento, portas livres, CPU e banda de rede reservadas para percepção.

O erro que todo mundo comete aqui é comparar sensores pelo número mais vistoso da ficha, quase sempre o alcance máximo. Em robô de interior, ele raramente é o critério que elimina candidatos.

Passo 1: escreva os requisitos a partir da tarefa, não do catálogo

A primeira decisão é a dimensionalidade. Um LiDAR 2D varre um único plano e basta para a maioria dos robôs de armazém em piso plano. Um LiDAR 3D enxerga volume: rampas, obstáculos suspensos, desníveis. Custa mais em dinheiro, banda e processamento.

Critério LiDAR 2D LiDAR 3D
Geometria percebida Um plano na altura de montagem Volume dentro do campo vertical
Obstáculo fora do plano Invisível Visível, se cair no campo vertical
Mensagem típica no ROS sensor_msgs/LaserScan sensor_msgs/PointCloud2
Carga de rede e CPU Baixa Alta, cresce com o número de canais

Monte uma planilha com uma linha por parâmetro: mínimo aceitável, valor desejado e origem do número. Se a origem for “achei bom”, o requisito ainda não existe. Os próximos passos mostram como chegar a cada valor.

Passo 2: calcule o alcance necessário e corrija pela refletividade

Alcance tem dois usos, e cada um gera um requisito.

Alcance para parar

O piso é a distância de parada: reação da cadeia percepção, decisão e atuação, mais frenagem, mais margem.

d = v · t + v² / (2 · a) + margem

Suponha um robô hipotético a 1,5 m/s, com 0,3 s de reação, desaceleração de 1,0 m/s² e margem de 0,3 m: 1,5 × 0,3 + 1,5² / (2 × 1,0) + 0,3 = 0,45 + 1,125 + 0,3 = 1,875 m. É pouco. Em interior, quem define o alcance quase nunca é a frenagem.

Alcance para se localizar

O casamento de varreduras precisa de geometria. Em um corredor longo de paredes lisas, um sensor que não alcança o fundo enxerga duas retas paralelas e perde a referência ao longo do eixo. Use a maior dimensão livre do ambiente como requisito.

A correção que ninguém faz

Para um alvo difuso maior que o ponto do feixe, a potência recebida é proporcional a ρ · cos(θ) / R², com ρ a refletividade e θ o ângulo de incidência. Em primeira ordem, o alcance escala com a raiz da refletividade:

R_alvo ≈ R_ref · √(ρ_alvo / ρ_ref)

Exemplo hipotético: sensor especificado para 40 m em alvo de 80%. Em alvo de 10%, a estimativa é 40 × √(0,10 / 0,80) = 40 × 0,354 = 14,1 m. A aproximação ignora luz ambiente e o limiar do receptor, e alvos mais finos que o feixe caem mais rápido. Mesmo assim, basta para descartar candidatos que só atendem em alvo branco.

Olhe também o alcance mínimo. Todo LiDAR tem uma zona morta junto à carcaça, e ela pode engolir a região em que o robô manobra.

Passo 3: defina o campo de visão e a posição de montagem

Campo horizontal de 360° só existe se nada do robô estiver no caminho. Mastro, antena e carga ocultam setores. Desenhe a vista superior, marque os bloqueios e decida entre um sensor no topo ou dois em cantos opostos.

Na vertical, o problema é a zona cega junto ao chão. Para um sensor a uma altura h, cujo feixe mais baixo aponta α abaixo da horizontal, o chão só aparece a partir de:

d_cega = h / tan(α)

Com um sensor hipotético a 0,6 m e limite inferior de 15°, d_cega = 0,6 / 0,268 = 2,24 m. Obstáculo baixo dentro desse raio é invisível. Você resolve inclinando a montagem, descendo o sensor ou cobrindo a região com outro sensor. É o raciocínio de cobertura dos carros autônomos, em escala menor.

No 2D, a pergunta é a altura do plano. Alto demais, passa por cima de paletes vazios e garfos. Baixo demais, enxerga as pernas da mesa e não o tampo. A altura certa é a que atende à sua lista de alvos críticos.

Passo 4: converta resolução angular em pontos sobre o alvo

Resolução em graus não diz nada sozinha. Converta em espaçamento linear na distância de trabalho:

s = R · Δθ (Δθ em radianos)

Com resolução hipotética de 0,25° e alvo a 10 m, s = 10 × 0,004363 = 0,0436 m, cerca de 4,4 cm entre pontos. Uma perna de cadeira de 5 cm recebe um ponto, às vezes dois, e qualquer filtro que exija agrupamento mínimo vai apagá-la.

Inverta a conta. Se o detector precisa de n pontos sobre um alvo de largura w, a maior distância de detecção é:

R_max = w / (n · Δθ)

Para w = 0,05 m, n = 3 e Δθ = 0,25°, R_max = 0,05 / (3 × 0,004363) = 3,82 m. Compare com a parada de 1,875 m: nesse cenário a resolução atende. Com um robô mais rápido, seria ela, e não o alcance, o parâmetro limitante.

Dois cuidados que a ficha não destaca:

  • Divergência do feixe: o ponto cresce com a distância. Quando pega a borda de um objeto e o fundo ao mesmo tempo, o sensor pode devolver uma distância intermediária que não existe, o pixel misto.
  • Resolução vertical em 3D: com poucos canais, o espaçamento entre anéis é muito maior que o horizontal. Aplique a mesma fórmula ao ângulo entre canais.

Passo 5: escolha a taxa de varredura pela distorção de movimento

Em um sensor rotativo de um canal, o emissor faz um número fixo de medições por segundo. A resolução horizontal sai dessa taxa dividida pela rotação:

Δθ = 360° · f_rot / f_pontos

Um sensor hipotético com 20.000 medições por segundo tem 0,18° a 10 Hz e 0,36° a 20 Hz. Confira sempre em qual rotação a resolução da ficha foi declarada.

A taxa importa porque a varredura não é instantânea. Em um período T = 1 / f_rot, o robô anda v · T e gira ω · T. A 10 Hz, com 1,5 m/s e 1,0 rad/s, são 0,15 m e 0,1 rad (5,73°) entre o primeiro e o último ponto. Em um alvo a 10 m, esse giro desloca o ponto em 10 × 0,1 = 1,0 m. A parede sai torta.

Você sobe a taxa, quando a resolução permite, e corrige o resto reprojetando cada ponto com a pose interpolada de IMU ou odometria. Isso exige o instante de cada medição. No LaserScan, ele está em time_increment e scan_time, campos que muitos drivers deixam zerados. Verifique antes de comprar.

Passo 6: avalie precisão, princípio de medição e retornos

Separe exatidão (erro sistemático), precisão (dispersão de medidas repetidas) e resolução de distância (menor incremento). Para casamento de varreduras, pesa a precisão. Para atracar em estações, a exatidão.

Princípio Como mede Comportamento do erro
Triangulação Posição do ponto laser em um sensor de imagem, com linha de base fixa Cresce com o quadrado da distância
Tempo de voo pulsado Ida e volta do pulso, R = c · t / 2 Aproximadamente constante enquanto houver sinal
Onda contínua modulada em frequência Batimento entre sinal emitido e retorno Depende da largura de banda da modulação. Mede também velocidade radial

Uma conta útil: para distinguir 1 cm por tempo de voo, o receptor precisa resolver 2 × 0,01 / 299.792.458 = 6,67 × 10⁻¹¹ s, cerca de 67 picossegundos. Por isso o princípio de medição aparece no preço.

Três perguntas diretas ao fabricante:

  • Múltiplos retornos: chuva, poeira e vegetação rala geram mais de um eco por pulso. O sensor entrega o último ou o mais forte?
  • Luz ambiente: sol direto eleva o ruído e encurta o alcance. Peça a especificação sob iluminação externa.
  • Interferência: frota com o mesmo modelo, na mesma altura, pode gerar pontos fantasmas. Há codificação de pulso ou sincronização entre unidades?

Vidro, espelho e preto fosco continuam difíceis para qualquer LiDAR. Se o ambiente tem muito vidro, planeje fusão com ultrassom ou com câmeras e visão computacional.

Passo 7: dimensione interface, banda e sincronização de tempo

LiDARs 2D de entrada costumam usar serial sobre USB ou UART. Os de maior taxa e os 3D usam Ethernet, em geral com UDP. A interface define latência, comprimento de cabo e como você carimba o tempo.

Calcule a banda antes de ligar. Um 3D hipotético com 32 canais, 1.800 pontos por volta e 10 Hz gera 32 × 1.800 × 10 = 576.000 pontos por segundo. Com 3 bytes por ponto no pacote bruto, são 13,8 Mbit/s, sem cabeçalhos. Convertido em PointCloud2 com quatro campos float32, são 16 bytes por ponto: 576.000 × 16 × 8 = 73,7 Mbit/s. Esse é o número que atravessa o middleware, e a CPU sente a cada cópia entre nós.

O script abaixo reúne as contas dos passos 2 a 7. Troque os valores hipotéticos pelos do seu projeto.

import math

def distancia_parada(v, t_reacao, desacel, margem):
    return v * t_reacao + v ** 2 / (2 * desacel) + margem

def alcance_corrigido(alcance_ref, refl_ref, refl_alvo):
    return alcance_ref * math.sqrt(refl_alvo / refl_ref)

def zona_cega_solo(altura, angulo_inferior_graus):
    return altura / math.tan(math.radians(angulo_inferior_graus))

def dist_max_para_n_pontos(largura, res_graus, n):
    return largura / (n * math.radians(res_graus))

def res_angular(pontos_por_s, rot_hz):
    return 360.0 * rot_hz / pontos_por_s

def banda_mbit(pontos_por_s, bytes_por_ponto):
    return pontos_por_s * bytes_por_ponto * 8 / 1e6

print(round(distancia_parada(1.5, 0.3, 1.0, 0.3), 3))    # 1.875
print(round(alcance_corrigido(40, 0.80, 0.10), 2))       # 14.14
print(round(zona_cega_solo(0.6, 15), 3))                 # 2.239
print(round(dist_max_para_n_pontos(0.05, 0.25, 3), 2))   # 3.82
print(res_angular(20000, 10), res_angular(20000, 20))    # 0.18 0.36
print(round(banda_mbit(32 * 1800 * 10, 16), 2))          # 73.73

Sobre o tempo: carimbar o pacote na chegada embute o atraso variável da rede e do sistema operacional. Prefira sensores que sincronizam por PTP (IEEE 1588) ou por pulso por segundo e carimbam na origem. Uma captura no Wireshark mostra tamanho real dos pacotes, cadência e perdas.

Por fim, o driver. Verifique se há pacote mantido para a sua distribuição do ROS, se ele publica os tipos padrão e se a pilha de navegação, como o Nav2, consome a saída sem adaptação. Protocolo documentado vale mais que SDK binário: quando o driver quebrar, você consegue consertar.

Passo 8: confira integração mecânica, elétrica e de segurança

  • Alimentação: tensão, consumo em regime e pico de partida do motor. O pico é o que derruba conversor subdimensionado.
  • Grau de proteção: o código IP, definido na IEC 60529 da IEC, precisa cobrir a poeira e a lavagem do ambiente, no sensor e no conector.
  • Vibração e choque: compare os limites declarados com o perfil do seu piso.
  • Segurança ocular: a classe do laser segue a IEC 60825-1. Entre pessoas, exija Classe 1 declarada.
  • Massa e altura: no topo de um mastro, o sensor desloca o centro de gravidade e amplifica a oscilação das medidas.

Agora o ponto que mais gera acidente de projeto: LiDAR de navegação não é dispositivo de proteção. Parar o robô para proteger pessoas é função de segurança e pede scanner certificado, coberto pela IEC 61496-3, em uma cadeia avaliada conforme a ISO 13849. Para veículos industriais sem condutor, a referência da ISO é a ISO 3691-4. Vale a lógica dos cobots em células colaborativas: a apreciação de risco define o requisito. Confirme o enquadramento com um engenheiro de segurança antes de fechar a arquitetura.

Passo 9: teste em bancada antes de fechar a compra

Compre ou peça emprestada uma unidade de cada finalista. Dois dias de bancada evitam meses de contorno em software.

  1. Ruído estático: sensor parado, alvo plano a distâncias conhecidas. Grave algumas centenas de varreduras e calcule média e desvio padrão por feixe.
  2. Alvos críticos: repita com os seus materiais e anote a distância em que cada um some. Confronte com o Passo 2.
  3. Menor obstáculo: ponha o alvo mais fino na distância de parada e conte os pontos por varredura.
  4. Luz e interferência: teste sob sol, perto de janelas e com dois sensores iguais frente a frente.
  5. Tempo: compare o carimbo do sensor com o relógio do computador ao longo de uma hora.
  6. Movimento: gire o sensor em uma base e veja se as paredes continuam retas após a correção de distorção.

Para inspecionar as nuvens gravadas, bibliotecas abertas como PCL e Open3D resolvem. Para avaliar a montagem antes de ter o hardware, simule o sensor no Gazebo: a simulação não reproduz bem refletividade nem sol, mas mostra zonas cegas e oclusões. Trate o ciclo como uma prova de conceito, com critério de aprovação escrito antes do teste.

Erros comuns ao escolher um LiDAR para robô móvel

  • Comprar pelo alcance máximo: sem a refletividade de referência, o número não é comparável.
  • Ignorar o alcance mínimo: a zona morta aparece na primeira manobra apertada.
  • Ler resolução e taxa como independentes: em sensor rotativo, saem do mesmo orçamento.
  • Esquecer a zona cega junto ao chão: é o obstáculo baixo colado ao robô que causa colisão.
  • Confiar no carimbo de chegada: o mapa borra nas curvas.
  • Usar o sensor de navegação como proteção de pessoas: problema técnico e normativo.

Perguntas frequentes sobre a escolha de LiDAR para robô móvel

LiDAR 2D basta para navegação autônoma em ambiente interno?

Em piso plano, com obstáculos que cruzam o plano de varredura, sim. Com objetos suspensos, rampas ou desníveis, complemente com sensores de profundidade ou adote um 3D. Plataformas com pernas, como os robôs humanoides, pedem percepção em três dimensões.

Qual resolução angular eu preciso?

A que coloca o número mínimo de pontos do seu detector sobre o menor alvo crítico, na distância de parada: Δθ ≤ w / (n · R), em radianos.

Taxa de varredura mais alta é sempre melhor?

Não. Ela reduz distorção e latência, mas em sensor rotativo de um canal custa resolução horizontal. Robô lento em ambiente amplo pede resolução. Robô ágil pede taxa.

Preciso de sincronização de tempo por hardware?

Se você funde LiDAR com IMU, câmeras ou outro LiDAR e o robô é rápido, sim. Em robô lento com um único 2D, o carimbo do driver costuma bastar, desde que a latência seja estável e medida.

Escolhido o sensor, o passo seguinte é fazê-lo alimentar a navegação. Veja como configurar o Nav2, dos costmaps à recuperação.

Conclusão: comece pela planilha de requisitos

O primeiro movimento não é pedir cotação. Abra a planilha com as linhas alcance em alvo escuro, alcance mínimo, campo de visão, resolução angular, taxa, precisão, interface, sincronização, alimentação, grau de proteção e classe do laser. Preencha o requisito com as fórmulas deste guia e depois uma coluna por candidato, com o valor da ficha e a condição em que foi declarado. Quem falha em uma linha sai. Quem sobra vai para a bancada, e é ela que fecha a escolha. Faça hoje a primeira linha: calcule a distância de parada do seu robô.