Forest inventory with a lidar-equipped robot for difficult environments

Abstract

La foresterie est une industrie majeure dans plusieurs parties du monde. Elle dépend de l’inventaire forestier, qui consiste en la mesure des attributs des arbres. Dans ce mémoire, nous proposons l’utilisation de la cartographie 3D, basée sur l’algorithme itervative closest point, pour automatiquement mesurer des diamètres d’arbres à partir d’observations d’un robot mobile. Bien que des études précédentes démontraient le potentiel d’une telle technologie, elles présentaient des lacunes en terme de rigueur d’analyse et ne fonctionnaient pas dans des environnements forestiers difficiles. Nous avons validé plusieurs méthodes pour l’estimation de diamètre, dont deux nouvelles, avec un jeu de données nouveau et varié comportant quatre sites forestiers, 11 trajectoires de robot totalisant 1458 observations d’arbre et 1.4 hectares de forêt. De plus, nous faisons des recommendations sur le déploiement de robots mobiles dans un contexte forestier. Nous concluons que notre méthode de cartographie est utilisable dans le contexte de l’inventaire forestier automatisé, avec notre meilleure méthode donnant une erreur quadratique de 3:45 cm pour notre jeu de données en entier et 2:04 cm dans des conditions idéales, c’est-à-dire une forêt mature et espacée.

Forestry is a major industry in many parts of the world. It relies on forest inventory, which consists of measuring tree attributes. In this thesis, we propose the use of 3D mapping, based on the iterative closest point algorithm, to automatically measure tree diameters in forests from mobile robot observations. While previous studies showed the potential for such technology, they lacked a rigorous analysis of diameter estimation methods in challenging forest environments. Here, we validated multiple diameter estimation methods, including two novel ones, in a new varied dataset of four different forest sites, 11 trajectories, totalling 1458 tree observations and 1.4 hectares. We provide recommendations for the deployment of mobile robots in a forestry context. We conclude that our mapping method is usable in the context of automated forest inventory, with our best method yielding a root mean square error of 3:45 cm for our whole dataset, and 2:04 cm in ideal conditions consisting of mature forest with well spaced trees.