Was ist SLAM und wie funktioniert es? Tipps und Tricks zur Verwendung für hochqualitative mobile Mapping-Ergebnisse.
Die Vorteile mobiler Systeme sind in der Industrie für Mapping allgemein bekannt. Im Vergleich zu terrestrischen Laserscannern (TLS) bieten diese Werkzeuge schnellere Arbeitsabläufe und können insgesamt mehr Fläche erfassen, was für den Dienstleister weniger Zeit vor Ort und geringere Kosten für die Erfassung bedeutet.
Für Erfahrene 3D-Profis können mobile Mappingsysteme jedoch eine riskante Methode zur Generierung von Daten sein, auf die sich ihr Unternehmen stützt. Das liegt daran, dass sich mobile Mappingsysteme auf Algorithmen zu simultaner Lokalisierung und simultanem Mapping (Simultaneous Localization and Mapping) stützen, die einen großen Teil des Mappingsprozesses automatisieren. Diese Automatisierung kann es schwierig machen, genau zu verstehen, wie ein mobiles Mappingsystem eine Punktwolke erzeugt oder wie ein Außendiensttechniker seinen Arbeitsablauf planen sollte, um die bestmögliche Qualität der Ergebnisse zu gewährleisten.
In diesem Artikel lüften wir das Geheimnis rund um SLAM. Wir werden Ihnen die Grundlagen der Technologie erläutern, wie diese sich auf die Genauigkeit der endgültigen Punktwolke auswirken kann, und schließlich einige praktische Tipps geben, um Ergebnisse zu erzielen, auf die Sie sich verlassen können.
Was ist SLAM?
SLAM ist ein Algorithmus, der die Daten der eingebauten Sensoren Ihres Mappingsystems - Lidar, RGB-Kamera, IMU usw. - zusammenführt, um Ihre Flugbahn zu bestimmen, während Sie sich durch ein Objekt bewegen.
Hier ist eine vereinfachte Erklärung, wie es funktioniert: Bei der Initialisierung des Systems nutzt der SLAM-Algorithmus die Sensordaten und Technologie zur Bilderkennung, um die Umgebung zu beurteilen und Ihre aktuellen Position einzuschätzen.
Wenn Sie sich bewegen, verarbeitet der SLAM-Algorithmus diese Schätzung Ihrer vorherigen Position, sammelt neue Daten von den eingebauten Sensoren des Systems, vergleicht diese Daten mit den vorherigen Erfassungen und berechnet Ihre Position neu.
Durch die kontinuierliche Wiederholung dieser Schritte verfolgt das SLAM-System Ihren Weg, während Sie sich durch die Anlage bewegen.
SLAM ist ein komplexer Prozess - selbst in der obigen vereinfachten Erklärung - aber man kann es sich wie die Traversenmethode in der Vermessung vorstellen. Bei einem Polygonzug nimmt ein Vermessungsingenieur Messungen an einer Reihe von Punkten entlang einer Vermessungslinie vor. Wenn der Vermesser jeden neuen Punkt misst, verwendet er die vorherigen Punkte als Grundlage für seine Berechnungen.
Ein SLAM-Algorithmus führt diese Art von präzisen Berechnungen in Sekundenschnelle durch. Anders ausgedrückt: Ein SLAM-Algorithmus ist eine ausgeklügelte Technologie, die automatisch eine Traverse durchführt, während Sie sich bewegen.
.png?width=1920&name=MicrosoftTeams-image%20(9).png)
Wie SLAM die Genauigkeit beeinflusst
Um die Genauigkeit eines SLAM-Geräts zu verstehen, müssen Sie einen wichtigen Unterschied in der Art und Weise, wie Mappingsysteme Daten erfassen, verstehen.
Ein terrestrischer Laserscanner (TLS) erfasst die Umgebung, indem er einen Lasersensor um 360° dreht und Messungen der Umgebung vornimmt. Da er von einem festen Standort aus einen Laser abfeuert, ist jede Messung in der erfassten Punktwolke bereits genau im Raum relativ zum Scanner ausgerichtet.
Ein mobiles Mappingsystem dreht ebenfalls einen Lasersensor in 360°, allerdings nicht von einem festen Standort aus. Da Sie sich beim Scannen bewegen, bewegen Sie auch den Sensor, während er sich dreht. Dies führt zu Ausrichtungsfehlern bei jeder Messung und verschlechtert die Genauigkeit der endgültigen Punktwolke./p>
Ein ähnliches Phänomen kennt man, wenn man nachts fotografiert und die Kamera bewegt hat, worduch die Bilder unscharf werden. Wenn man sich die Rohdaten eines mobilen Mappingsystems ansieht, bevor sie von einem SLAM-Algorithmus bereinigt wurden, so stellt man fest, dass die Punkte unordentlich aussehen und im Raum verteilt und verdoppelt vorhanden sind.
Ein mobiles Mappingsystem ist darauf ausgelegt, diese Ausrichtungsfehler zu korrigieren und eine saubere, genaue Punktwolke zu erzeugen. Dazu verwendet es die vom SLAM-Algorithmus aufgezeichnete Flugbahn. Anhand dieser Daten lässt sich der Standort des Scanners zum Zeitpunkt der Erfassung jeder einzelnen Messung bestimmen. Dadurch kann man diese Punkte genau im Raum ausrichten.
Das bedeutet, dass die Genauigkeit eines SLAM-gestützten mobilen Mappingsystems nicht nur von der Genauigkeit des Sensors selbst abhängt. Es hängt auch stark davon ab, wie gut der SLAM-Algorithmus Ihre Flugbahn verfolgt.
SLAM-Genauigkeitsfehler
Bei der Entwicklung von SLAM-Algorithmen, die Ihre Flugbahn genau verfolgen und eine qualitativ hochwertige Punktwolke erzeugen, standen die Hersteller vor der großen Herausforderung, zwei Hauptfehlertypen zu korrigieren.
Der erste wird als Tracking Error bezeichnet. Diese Verfolgungsfehler entstehen, weil SLAM-Algorithmen in bestimmten Umgebungen Schwierigkeiten haben können. In einem langen Flur zum Beispiel fehlen in der Regel die Umgebungsmerkmale, auf die ein SLAM angewiesen ist, was dazu führen kann, dass das System Ihre Position nicht mehr verfolgen kann.
Die zweite Art von Fehler wird als Drift bezeichnet. Ein Drift entsteht, weil der SLAM-Algorithmus Sensordaten zur Berechnung Ihrer Position verwendet und alle Sensoren Messfehler aufweisen. Aufgrund der Funktionsweise von SLAM-Algorithmen - die jede Position auf der Grundlage der vorherigen Positionen berechnen, ähnlich wie bei einer Traverse - häufen sich die Sensorfehler beim Scannen. Dies führt dazu, dass die Genauigkeit der Flugbahn „abdriftet" und die Qualität der Endergebnisse beeinträchtigt wird.
Wenn Sie mit einem älteren mobilen Mappingsystem gescannt haben, haben diese Fehler sehr wahrscheinlich die Qualität Ihrer endgültigen Daten beeinträchtigt.
Arbeitsschritte zur Gewährleistung hochpräziser Ergebnisse
Die gute Nachricht ist, dass die mobile Mapping-Technologie seit ihrer Markteinführung weiterentwickelt wurde. Die Hersteller haben ausgeklügelte SLAM-Algorithmen entwickelt, die Tracking-Fehler und Drift automatisch reduzieren. Und mobile Mapper bieten jetzt zuverlässige Verfahren zur manuellen Korrektur von Fehlern, damit Sie die Genauigkeit Ihrer endgültigen Punktwolke maximieren können.
Das gängigste Verfahren zur Fehlerkorrektur wird als Loop Closure bezeichnet. Um eine Schleife (Loop) zu schließen, kehren Sie einfach zu einem Punkt zurück, der bereits gescannt wurde, und das SLAM erkennt überlappende Punkte. Auf diese Weise erhält es alle Informationen, die es braucht, um eventuelle Drift- oder Trackingfehler zu berechnen und die notwendigen Korrekturen vorzunehmen. Sie können sich Loop Closure als einen Prozess vorstellen, der das Schließen eines Traverses automatisiert.
Obwohl das Schließen von Schleifen in großen Räumen wie Sporthallen, Außenbereichen oder sogar großen Büros effektiv ist, können einige Umgebungen das Schließen von Schleifen erschweren (z. B. die oben erwähnten langen Flure).
Für diese Fälle bieten die fortschrittlicheren mobilen Mappingsysteme eine Funktion zum Festhalten der Scandaten an Kontrollpunkten. Auch dieses Verfahren ist einfach: Platzieren Sie Vermessungskontrollpunkte in einer schachbrettartigen Anordnung auf dem gesamten zu erfassendem Objekt. Erfassen Sie anschließend die Koordinaten mit einem System, das eine höhere Genauigkeit als das mobile Mappingsysteme aufweist, z. B. mit einer Totalstation.
Erfassen Sie beim Scannen des Gebäudes die Kontrollpunkte. Das mobile Mappingsystem nutzt diese Informationen, um die mobile Punktwolke zu kalibrieren, Fehler zu reduzieren und selbst in den schwierigsten Umgebungen eine vermessungsgemäße Genauigkeit zu erzielen. Wenn Genauigkeit von größter Bedeutung ist, ist dies die richtige Methode.
Der SLAM-Algorithmus ist entscheidend
An dieser Stelle ist es wichtig zu erwähnen, dass jeder Hersteller einen eigenen SLAM-Algorithmus in seinen mobilen Mappingsystemen verwendet. Diese Algorithmen können auf den ersten Blick ähnlich erscheinen, aber die Unterschiede zwischen ihnen können zu erheblichen Unterschieden in der endgültigen Datenqualität führen.
Aus diesem Grund ist der wichtigste Schritt, um qualitativ hochwertige Ergebnisse zu erzielen, die Recherche über ein mobiles Mappingsystem während des Kaufprozesses und die Kenntnis der richtigen Details über das SLAM-System, mit dem es arbeitet.
Bringen Sie in Erfahrung, welche Methoden der SLAM-Algorithmus zur Korrektur von Fehlern unterstützt. Kann es Loop Closure und Kontrollpunkte verwenden? Wie gut funktionieren diese Methoden in den von Ihnen zu erfassenden Umgebungen? Wie kommuniziert der Hersteller die relative und absolute Genauigkeit, die Sie mit diesen Methoden erreichen können?
Schauen Sie nach, wie gut der SLAM-Algorithmus in schwierigen Situationen funktioniert. Welche Genauigkeit kann er in langen, engen Gängen erreichen? Oder in großen, offenen Räumen? Wie verhält es sich mit spiegelnden Oberflächen? Oder dynamische Objekte, wie zum Beispiel vorbeigehende Menschen? Kann man den Scan in einer Vielzahl von Umgebungen optimieren?
Die Antworten auf diese Fragen geben Aufschluss darüber, welche Art von Datenqualität Sie von einem mobilen Mapper erwarten können, und helfen Ihnen, ein Tool zu finden, auf das Sie sich in den Umgebungen, die Sie bei Ihrer täglichen Arbeit scannen, verlassen können.
Fazit
Ein SLAM-Algorithmus verwendet Sensordaten, um automatisch Ihre Flugbahn zu verfolgen, während Sie mit Ihrem mobilen Mapper durch ein Objekt gehen. Die Mappingsoftware wiederum nutzt diese Daten, um Ihre Punktwolke korrekt im Raum auszurichten.
Aufgrund der Funktionsweise von SLAM-Algorithmen ist die mobile Mappingtechnologie von Natur aus anfällig für bestimmte Arten von Fehlern, einschließlich Tracking-Fehlern und Drift, die die Genauigkeit der endgültigen Punktwolke beeinträchtigen können.
Trotzdem haben die Nutzer einen großen Einfluss auf die Qualität des Endprodukts. Durch die Investition in ein mobiles Mappingsystem, das Fehler während des Scanvorgangs wirksam reduziert, und die anschließende Durchführung der erforderlichen Arbeitsschritte zur manuellen Fehlerkorrektur können Mappingexperten qualitativ hochwertige Ergebnisse erzielen, auf die sich ihr Unternehmen verlassen kann.
Laden Sie hier unser Whitepaper herunter, um unsere validierten Testdaten zur Genauigkeit vom NavVis M6 und NavVis VLX in einer Vielzahl von anspruchsvollen Umgebungen zu sehen und um zu erfahren, wie sehr die Loop Closure- und Kontrollpunktfunktionalität unseres SLAM die Qualität der Endergebnisse verbessern kann.
Sean Higgins ist selbstständiger Technikjournalist, ehemaliger Redakteur einer Fachzeitschrift und Naturliebhaber. Er ist der Meinung, dass 3D-Technologien klar und verständlich erklärt und besprochen werden sollten.