[{"heading":{"fr":"Partir du scénario, pas du capteur","en":"Start from the scenario, not the sensor"},"body":[{"fr":"Le bon choix ne commence pas par le nombre de canaux ou la portée maximale. Il commence par la scène à percevoir : vitesse du robot, distance d'arrêt, obstacles critiques, hauteur de montage, poussière, pluie, passages étroits et niveau de sécurité attendu.","en":"A good choice does not start with channel count or maximum range. It starts with the scene to perceive: robot speed, stopping distance, critical obstacles, mounting height, dust, rain, narrow passages and expected safety level."},{"fr":"> À retenir : un LiDAR excellent sur fiche technique peut être mauvais pour un robot si son champ vertical laisse une zone aveugle devant les roues ou si son flux de points arrive trop tard dans la chaîne de décision.","en":"> Key point: a LiDAR that looks excellent on paper can be poor for a robot if its vertical field of view leaves a blind zone in front of the wheels or if point-cloud data arrives too late in the decision chain."}]},{"heading":{"fr":"Transformer le besoin terrain en critères","en":"Turn field needs into criteria"},"body":[{"fr":"| Situation robotique | Critère prioritaire | Question à poser |\n|---|---|---|\n| AMR intérieur lent | FoV vertical, détection proche, latence | Le capteur voit-il les pieds de palette, rampes et petits obstacles à moins de 2 m ? |\n| UGV extérieur | Portée utile, IP, soleil, pluie, vibrations | Quelle portée est garantie sur cible sombre et sous conditions réelles ? |\n| Robot de mapping | Densité, synchronisation, timestamp | Les points sont-ils horodatés précisément pour fusion GNSS/INS/SLAM ? |\n| Prototype R&D | SDK, ROS/ROS2, documentation | Combien de temps faut-il pour obtenir un nuage de points exploitable ? |","en":"| Robotic situation | Priority criterion | Question to ask |\n|---|---|---|\n| Slow indoor AMR | Vertical FoV, close detection, latency | Does the sensor see pallet feet, ramps and small obstacles within 2 m? |\n| Outdoor UGV | Useful range, IP rating, sun, rain, vibration | What range is guaranteed on dark targets in real conditions? |\n| Mapping robot | Density, synchronization, timestamping | Are points precisely timestamped for GNSS/INS/SLAM fusion? |\n| R&D prototype | SDK, ROS/ROS2, documentation | How long does it take to get a usable point cloud? |"}]},{"heading":{"fr":"FoV, densité et latence","en":"FoV, density and latency"},"body":[{"fr":"Un FoV vertical large aide à voir le sol, les rampes, les quais et les obstacles proches. Une densité élevée facilite segmentation et cartographie, mais augmente le volume réseau et la charge CPU/GPU. La latence compte autant que la résolution : un beau nuage de points arrivé trop tard ne protège pas le robot.","en":"A wide vertical FoV helps perceive the floor, ramps, docks and close obstacles. Higher density improves segmentation and mapping but increases network and CPU/GPU load. Latency matters as much as resolution: a beautiful point cloud arriving too late does not protect the robot."},{"fr":"Test simple : placez trois obstacles représentatifs à différentes hauteurs, puis vérifiez dans le nuage de points brut s'ils sont visibles, stables et détectés assez tôt pour la vitesse réelle du robot.","en":"Simple test: place three representative obstacles at different heights, then check in the raw point cloud whether they are visible, stable and detected early enough for the robot's actual speed."}]},{"heading":{"fr":"Capteurs recommandés pour un AMR","en":"Recommended sensors for an AMR"},"body":[{"fr":"Le choix dépend de la géométrie du robot et de son environnement. Ce tableau permet de comparer rapidement cinq options courantes avant de valider la détection proche, la consommation et l'intégration sur le prototype.","en":"The choice depends on the robot's geometry and environment. This table provides a quick comparison of five common options before validating close-range detection, power consumption and integration on the prototype."},{"fr":"| Capteur | Technologie | Portée | FoV | Poids | ROS2 | Prix indicatif |\n|---------|-----------|--------|-----|-------|------|---------------|\n| Livox Mid-360 | Hybrid solid-state | 40 m | 360°×59° | 265 g | Oui | 6.5W, ~1 000€ |\n| Ouster OS0 Rev8 | Spinning 360° | 35 m | 360°×90° | 500 g | Oui | 17W, ~3 600€ |\n| RoboSense E1R | Solid-state | 30 m | 60°×60° | <240 g | Oui | 3W, ~450€ |\n| Hesai FTX | Solid-state | 10 m | 180°×140° | - | Oui | 6W, ~500€ |\n| Hokuyo UST-20LX | 2D spinning | 20 m | 270° | 250 g | Oui | 1.8W, ~2 000€ |","en":"| Sensor | Technology | Range | FoV | Weight | ROS2 | Indicative price |\n|---------|-----------|--------|-----|-------|------|---------------|\n| Livox Mid-360 | Hybrid solid-state | 40 m | 360°×59° | 265 g | Yes | 6.5W, ~€1,000 |\n| Ouster OS0 Rev8 | Spinning 360° | 35 m | 360°×90° | 500 g | Yes | 17W, ~€3,600 |\n| RoboSense E1R | Solid-state | 30 m | 60°×60° | <240 g | Yes | 3W, ~€450 |\n| Hesai FTX | Solid-state | 10 m | 180°×140° | - | Yes | 6W, ~€500 |\n| Hokuyo UST-20LX | 2D spinning | 20 m | 270° | 250 g | Yes | 1.8W, ~€2,000 |"}]},{"heading":{"fr":"Intégration logicielle et validation","en":"Software integration and validation"},"body":[{"fr":"Avant achat, vérifiez SDK, drivers ROS/ROS2, synchronisation PTP ou GNSS, format du nuage de points, intensité, timestamp par point, exemples de code, licences et réactivité du support fournisseur.","en":"Before purchasing, check SDKs, ROS/ROS2 drivers, PTP or GNSS synchronization, point-cloud format, intensity, per-point timestamps, code examples, licenses and supplier support responsiveness."},{"fr":"Pour un AMR intérieur, les RPLIDAR de Slamtec et les télémètres compacts Benewake sont des options accessibles pour le SLAM ou la détection de proximité ; en environnement industriel, les plateformes 3D d'ifm electronic privilégient une intégration robuste avec l'automate et les autres capteurs.","en":"For an indoor AMR, Slamtec RPLIDAR scanners and compact Benewake rangefinders are accessible options for SLAM or proximity detection; in industrial environments, ifm electronic's 3D platforms focus on robust integration with controllers and other sensors."},{"fr":"- Valider un enregistrement brut rejouable.\n- Mesurer la bande passante réseau sur une scène dense.\n- Tester la perception dans l'éclairage, la poussière et les vibrations réels.\n- Documenter un critère d'acceptation : obstacle détecté, distance, délai, taux de faux positifs.","en":"- Validate replayable raw recording.\n- Measure network bandwidth on a dense scene.\n- Test perception under real lighting, dust and vibration.\n- Document acceptance criteria: detected obstacle, distance, delay, false positive rate."}]},{"heading":{"fr":"FAQ : choisir un LiDAR pour un AMR","en":"FAQ: choosing a LiDAR for an AMR"},"body":[{"fr":"### Un AMR a-t-il besoin d'un LiDAR 2D ou 3D ?\nUn LiDAR 2D suffit souvent pour la localisation sur un plan stable. Un modèle 3D devient préférable pour détecter rampes, objets suspendus, pieds de palette et obstacles situés hors du plan de balayage.","en":"### Does an AMR need a 2D or 3D LiDAR?\nA 2D LiDAR is often sufficient for localization on a stable plane. A 3D model is preferable for detecting ramps, overhanging objects, pallet feet and obstacles outside the scan plane."},{"fr":"### Quelle portée faut-il pour un AMR intérieur ?\nLa portée utile doit dépasser la distance d'arrêt avec une marge pour le traitement et le freinage. Dans un entrepôt, 20 à 40 m sont généralement confortables, mais la détection fiable des cibles sombres à courte distance reste plus importante que la portée maximale annoncée.","en":"### What range does an indoor AMR need?\nUseful range must exceed the stopping distance with margin for processing and braking. In a warehouse, 20 to 40 m is generally comfortable, but reliable close-range detection of dark targets matters more than the advertised maximum range."},{"fr":"### Un driver ROS2 garantit-il une intégration rapide ?\nNon. Il faut aussi vérifier la distribution ROS2 supportée, la fréquence de mise à jour, les timestamps, les repères TF, le format du nuage et la maintenance du paquet.","en":"### Does a ROS2 driver guarantee fast integration?\nNo. You must also check the supported ROS2 distribution, update rate, timestamps, TF frames, point-cloud format and package maintenance."},{"fr":"### Comment éviter les zones aveugles près du robot ?\nSimulez le champ de vision à la hauteur et avec l'inclinaison de montage réelles, puis testez des obstacles bas autour du châssis. Un FoV vertical large ou plusieurs capteurs peuvent être nécessaires pour couvrir les roues et les angles.","en":"### How can blind spots near the robot be avoided?\nSimulate the field of view at the actual mounting height and angle, then test low obstacles around the chassis. A wide vertical FoV or multiple sensors may be needed to cover the wheels and corners."},{"fr":"### Faut-il choisir le capteur le moins énergivore ?\nLa consommation compte sur batterie, mais elle doit être évaluée avec le calcul embarqué, le chauffage et le réseau. Le meilleur choix est celui qui respecte l'autonomie tout en atteignant les objectifs de détection et de sécurité.","en":"### Should I choose the lowest-power sensor?\nPower consumption matters on a battery-powered robot, but it must be assessed together with onboard compute, heating and networking. The best choice preserves autonomy while meeting detection and safety targets."}]}]