ماژول LiDAR در ناوبری ربات های متحرک: از ابر نقاط تا نقشه برداری هم زمان

ربات متحرک برای حرکت خودکار، پیش از هر چیز باید هندسه محیط اطراف خود را بشناسد؛ بداند دیوار کجاست، مانع چقدر فاصله دارد و مسیر آزاد در کدام سمت است. حسگر LiDAR، مخفف Light Detection and Ranging، یکی از مهم ترین ابزارها برای همین هدف است. این حسگر پالس های لیزری می فرستد و با اندازه گیری زمان رفت وبرگشت هر پالس، که به آن زمان پرواز یا Time of Flight گفته می شود، فاصله سطح بازتاب دهنده را محاسبه می کند. از کنار هم قرار گرفتن هزاران اندازه گیری فاصله، «ابر نقاط» ساخته می شود؛ تصویری هندسی و نسبتا دقیق از محیط، بدون نیاز به نور محیطی.

LiDAR دوبعدی معمولا یک صفحه افقی را می روبد و برای ربات هایی که در محیط های داخلی، انبار یا کارخانه حرکت می کنند و موانع عمدتا هم تراز با بدنه ربات اند، کافی و مقرون به صرفه است. LiDAR سه بعدی با چند کانال یا روش های حالت جامد، ارتفاع، پستی وبلندی و موانع معلق را نیز ثبت می کند، اما حجم داده و نیاز پردازشی بیشتری دارد. انتخاب میان این دو، به پیچیدگی محیط، بودجه و توان پردازش برد ربات بستگی دارد.

مهم ترین کاربرد LiDAR در الگوریتم SLAM، یعنی نقشه برداری و م

کان یابی هم زمان، دیده می شود. در SLAM ربات هم زمان با حرکت، نقشه می سازد و موقعیت خود را در همان نقشه تخمین می زند. اسکن های پی درپی LiDAR با یکدیگر تطبیق داده می شوند تا جابه جایی ربات برآورد شود؛ هرگاه ربات به مکانی قبلا دیده شده بازگردد، مرحله «بستن حلقه» خطای انباشته شده را اصلاح می کند. ترکیب LiDAR با واحد اندازه گیری اینرسی، ادومتری چرخ و گاهی دوربین، پایداری این تخمین را بیشتر می کند و نقشه اشغال، یعنی شبکه ای از خانه های آزاد، اشغال شده و ناشناخته، مبنای برنامه ریزی مسیر و پرهیز از مانع می شود.

با این حال LiDAR محدودیت هایی دارد. این حسگر فقط هندسه را می بیند، نه معنا را؛ جعبه مقوایی و ستون بتنی در ابر نقاط شبیه هم اند و خواندن تابلو یا تشخیص انسان بدون پردازش بیشتر ممکن نیست. سطوح شیشه ای و تیره بازتاب ضعیفی دارند، و باران، مه و گردوغبار می توانند نویز ایجاد کنند و برد موثر را کاهش دهند. بنابراین طراحی خوب، LiDAR را به تنهایی کافی نمی داند و آن را با دوربین و حسگرهای دیگر در چارچوب تلفیق حسگری به کار می گیرد. با ارزان تر شدن LiDARهای حالت جامد، این حسگر از خودروهای خودران به ربات های آموزشی، خدماتی و کشاورزی نیز راه یافته است؛ مشروط بر آن که طراح، محدودیت های فیزیکی آن را در انتخاب، نصب و پردازش داده ها جدی بگیرد.

**کلیدواژه ها:** LiDAR، SLAM، ناوبری ربات متحرک، ابر نقاط، تلفیق حسگرها، پرهیز از مانع

LiDAR Modules in Mobile Robot Navigation: From Point Clouds to Simultaneous Mapping

A mobile robot cannot move autonomously until it understands the geometry around it: where the walls are, how far away an obstacle is, and which direction is free. The LiDAR sensor, short for Light Detection and Ranging, is one of the most important tools for this task. It emits laser pulses and measures the time each pulse takes to return, a method known as Time of Flight, to calculate the distance to the reflecting surface. Thousands of such distance measurements together form a point cloud: a geometric and fairly precise picture of the environment that does not depend on ambient light.

A two-dimensional LiDAR usually scans a single horizontal plane. For robots moving indoors, in warehouses, or in factories, where obstacles are mostly at body height, this is sufficient and cost-effective. A three-dimensional LiDAR, using several channels or solid-state methods, also records height, terrain variation, and overhead obstacles, but it produces a larger data volume and demands more processing power. The choice between them depends on environmental complexity, budget, and the computing capacity of the robot's board.

The most important application of LiDAR is in SLAM, Simultaneous Localization and Mapping. In SLAM, the robot builds a map while moving and estimates its own position within that same map. Successive LiDAR scans are matched to estimate the robot's motion, and when the robot returns to a previously visited place, a step called loop closure corrects the accumulated error. Combining LiDAR with an inertial measurement unit, wheel odometry, and sometimes a camera makes this estimate more stable. The resulting occupancy map, a grid of free, occupied, and unknown cells, then supports path planning and obstacle avoidance.

LiDAR nevertheless has limits. It sees geometry, not meaning: a cardboard box and a concrete pillar can look alike in a point cloud, and reading a sign or recognising a person requires further processing. Glass and dark surfaces return weak signals, while rain, fog, and dust can add noise and reduce effective range. Good design therefore does not rely on LiDAR alone, but fuses it with cameras and other sensors. As solid-state LiDAR becomes cheaper, it is spreading from self-driving cars to educational, service, and agricultural robots, provided that designers take its physical limits seriously in sensor selection, mounting, and data processing.

**Keywords:** LiDAR, SLAM, mobile robot navigation, point cloud, sensor fusion, obstacle avoidance

منابع / Sources:

- How autonomous mobile robots use SLAM to determine their position — https://automation-mag.com/technical-articles/115130-how-autonomous-mobile-robots-use-slam-to-determine-their-position

- What Is SLAM Robotics? A Beginner's Guide — https://www.vicon.com/resources/blog/what-is-slam-in-robotics-a-beginners-guide/

- An Obstacle-Finding Approach for Autonomous Mobile Robots Using 2D LiDAR Data (MDPI) — https://www.mdpi.com/2504-2289/7/1/43

- Evaluating LiDAR Perception Algorithms for All-Weather Autonomy (PMC) — https://pmc.ncbi.nlm.nih.gov/articles/PMC12736427/

- LiDAR Sensor for Robotics: Complete Guide to Navigation and Mapping — https://thinkrobotics.com/blogs/tutorials/lidar-sensor-for-robotics-complete-guide-to-navigation-and-mapping-in-2025