Skip to content
Sean Higgins Di, Jan 19, '21 5 min read

7 Begriffe, die Sie vorm Kauf eines mobilen Mappers kennen sollten

In diesem Artikel machen wir Sie mit den wichtigsten technischen Begriffen vertraut, die Sie vor dem Kauf eines mobilen Mappingsystems kennen sollten.

Wenn Sie auf diesen Artikel geklickt haben, sind Sie wahrscheinlich noch recht neu in der Welt des mobilen Mappings und womöglich noch nicht mit allen technischen Begriffen vertraut, die Unternehmen in Datenblättern oder technischen Berichten verwenden. Genau zu verstehen, wie sich ein Gerät von einem anderen in Hinblick auf Genauigkeit oder Workflow unterscheidet, ist daher oft nicht einfach. Um Abhilfe zu schaffen, werden wir in diesem Beitrag einige grundlegende Begriffe näher erläutern.

Dafür werden wir uns u. a. mit beiden Arten von Genauigkeit befassen, die zum Benchmarking von mobilen Mappingsystemen verwendet werden, sowie mit den bei solchen Geräten üblichen Genauigkeitsfehlern. Außerdem soll es darum gehen, wie solche Fehler korrigiert werden können. (Wir haben auch einige interessante Artikel zu den jeweiligen Themen verlinkt, wenn Sie weiter in die Materie einsteigen möchten.)

Genauigkeit

Lokale (relative) Genauigkeit

Die Genauigkeit einer Punktwolke auf einer lokalen Skala. Bei einem mobilen Scanner handelt es sich dabei um die Genauigkeit einer Messung zwischen Punkten an einem einzigen Ort, z. B. innerhalb eines abgegrenzten Raumes.

Diese Kennzahl ist wichtig, um die Zuverlässigkeit eines Scanners bewerten zu können, denn sie kann zeigen, wie genau die Abmessungen eines Raums sind - was insbesondere für Anwendungen wie Scan-to-BIM oder die Erstellung von Grundrissen relevant ist.

Globale (absolute) Genauigkeit

Die Genauigkeit der Punktwolke auf einer globalen Skala. Bei einem mobilen Scanner ist dies die Genauigkeit einer Messung zwischen zwei Punkten, die vom Scanner nicht an einem einzigen Ort erfasst wurden. Konkret wäre das zum Beispiel der Abstand zwischen gegenüberliegenden Ecken eines Gebäudes.

Anhand der globalen Genauigkeit kann man die Zuverlässigkeit eines mobilen Scanners beurteilen, da sie die Menge an Driftfehlern aufzeigt, die sich bei großen oder komplexen Scanprojekten ansammelt. Mit anderen Worten: Wenn Sie die globale Genauigkeit kennen, können Sie Rückschlüsse auf die Genauigkeit des Scanners im gesamten Gebäude ziehen.

Sie wird oft auch als absolute Genauigkeit bezeichnet, da sie die Genauigkeit der Punktwolkenmessungen im Vergleich zu ihrer „echten“ Position in einem absoluten Koordinatensystem angibt, das durch eine Methode höherer Ordnung (z. B. GPS oder Vermessung) bestimmt wurde.

Weitere Informationen zu diesen Genauigkeitskennzahlen und darüber, wie NavVis die Genauigkeit seines eignen mobilen Mappingsystems bestimmt hat, finden Sie im NavVis Whitepaper zur Genauigkeit von mobilen Mappern.

SLAM-Fehler

Blog_Post_Pics_drift-floor-1

Trackingfehler

Dieser Fehlertyp tritt auf, wenn der SLAM-Algorithmus des mobilen Scanners die eigene Position bei der Aufzeichnung des Bewegungspfades falsch berechnet, sich also selbst falsch verortet. Das kommt besonders häufig bei Umgebungen vor, die wenige bis keine Orientierungspunkte aufweisen, die der SLAM-Algorithmus für die Standortbestimmung nutzen kann. Ein langer, gerader Korridor ohne Türen, Fenster oder Ecken beispielsweise würde eine ziemliche Herausforderung für einen SLAM-basierten Laserscanner darstellen.

Auch die so genannte Robustheit des Algorithmus spielt eine Rolle; je robuster das SLAM-System, desto geringer die Wahrscheinlichkeit, dass ein Trackingfehler auftritt. Wenn sie dennoch auftreten, können Sie durch Loop Closures oder Kontrollpunktoptimierung behoben werden, sofern ein Mappingsystem über diese Funktionen verfügt.

Trackingfehler sind außerdem die Hauptursache für Drift. (Mehr dazu weiter unten)

Drift

Von Drift spricht man, wenn die vom SLAM-Algorithmus generierte Trajektorie beim Scannen von dem tatsächlichen Bewegungspfad abweicht. Sie ergibt sich aus der Akkumulation kleinerer Fehler, wie z. B. Trackingfehler oder Positionierungsfehler, die durch Sensorrauschen verursacht werden.

Das Auftreten von Drift ist bei eher kurzen Scans eher selten, wird aber wahrscheinlicher, je länger Sie scannen. Dieser Fehlertyp lässt sich in den Daten mit dem bloßen Auge meist leicht erkennen, z. B. wenn ein gerader Gang gebogen aussieht oder eine Treppe verdreht erscheint.

Zwar lassen sich Driftfehler durch robuste SLAM-Algorithmen verringern, völlig beseitigen lassen sie sich aber nicht ohne zusätzliche Maßnahmen. Aus diesem Grund bieten viele Anbieter Workflow-Funktionen wie das Loop Closing oder eine Integration von Kontrollpunkten zur Korrektur der Drift an.

In diesem Beitrag erfahren Sie mehr darüber, wie es zu Trackingfehlern und Drifts kommt und wie diese behoben werden können.

Fehlerkorrektur

Blog_Post_Pics_controlpoints2

Loop Closure

Eine Methode, mit der Drift reduziert werden soll. Mittlerweile verfügen die meisten mobilen Mappingsysteme über diese Funktionalität.

Um ein Loop Closing (bzw. Loop Closure) durchzuführen, kehrt man während des Scannens an einen Ort zurück, an dem man bereits war, man läuft also eine Schleife. Der SLAM-Algorithmus erkennt die Position und kann anhand dieser Information ermitteln, wie stark die Trajektorie seit der letzten Position gedriftet ist. Anhand dieser Daten kann dann die Drift beseitigt und die Qualität der finalen Punktwolke verbessert werden.

Kontrollpunktoptimierung

Dabei handelt es sich um eine Funktion zur Korrektur von Trackingfehlern oder Drift. Sie ist vor allem bei größeren Projekten nützlich, bei denen eine Abweichung wahrscheinlicher ist. Im Gegensatz zum Loop Closing verfügen allerdings nur die modernsten Scanner über diese Funktionalität.

Die gebräuchlichste Methode besteht darin, Zielmarken um die Bereiche herum zu platzieren, die anfällig für Scanfehler sind. Anschließend werden die Kontrollpunkte dann mit Hilfe einer Totalstation eingemessen, wodurch Sie die globalen Koordinaten der Punkte erhalten. Diese können dann in der Nachbearbeitungssoftware des Scanners eingegeben und verwendet werden, um die Punktwolke zu optimieren und Fehler zu reduzieren.

Den bereits erwähnten langen Korridor könnte man so mit schachbrettartigen Zielmarken an beiden Enden versehen und so potenziell auftretende Trackingfehler ausgleichen. Für größere Scanprojekte ist es sinnvoll, mehrere Kontrollpunkte einzuscannen, um den Driftfehler zu minimieren.

Bei den Geräten von NavVis werden Kontrollpunkte darüber hinaus dazu verwendet, um die globale (absolute) Genauigkeit beim Scannen zu überprüfen. Um diese Funktion zu nutzen, wird der zuvor angebrachte und eingemessene Kontrollpunkt mit dem Scanner berührt. Auf dem Bildschirm erscheint dann die Abweichung zwischen den Vermessungskoordinaten und der Positionsschätzung des Systems an und gibt so Aufschluss über eventuelle Fehler während des Scanvorgangs.

In diesem Artikel erfahren Sie mehr über die unterschiedlichen SLAM-Fehler und wie sie korrigiert werden können.

Kontrollpunkte

Dabei handelt es sich um Zielmarken in Form von Schachbrett- bzw. Fadenkreuzstickern.

In der Regel werden sie beim Scannen für die Registrierung von Punktwolken verwendet, die mit verschiedenen Geräten wie mobilen Scannern, terrestrischen Laserscannern und Drohnen (UAV) erzeugt werden. Dafür muss der Kontrollpunkt in zwei oder mehreren Datensätzen in einem Bereich erfasst werden, in dem sich die Datensätze überschneiden. Dadurch kann während der Nachbearbeitung kontrolliert werden, ob alle Datensätze korrekt zusammengefügt wurden.

Kontrollpunkte werden darüber hinaus auch verwendet für die Fehlerkorrektur in mobilen Scan-Workflows (weitere Informationen zu dieser Anwendung finden Sie oben unter Kontrollpunktoptimierung).

Fazit

Nachdem wir nun einige grundlegende Begriffe besprochen haben, sind Sie hoffentlich in der Lage einzuschätzen, welches mobile Mappingsystem das richtige für Ihr Projekt ist und welche Genauigkeit Sie beim Scannen erwarten können.

Informieren Sie sich beim Kauf darüber, wie sich Drift- und Trackingfehler auf die Genauigkeit eines Scanners auswirken und welche Hilfsmittel der Hersteller zur Korrektur dieser Fehler anbietet.

Anhand dieser Informationen können Sie dann abwägen, ob ein Gerät Ihren Ansprüchen gerecht wird oder nicht.

Sean Higgins ist ein selbstständiger Technikjournalist, ehemaliger Redakteur einer Fachzeitschrift und Naturliebhaber. Er ist der Meinung, dass 3D-Technologien klar und verständlich erklärt und besprochen werden sollten.

Whitepaper herunterladen

avatar

Sean Higgins

Sean Higgins is an independent technology writer, former trade publication editor, and outdoors enthusiast. He believes that clear, buzzword-free writing about 3D technologies is a public service.