Die mobilen Scansysteme von heute sind schnell, skalierbar, genau und in der Lage, hochwertige Punktwolken für noch so anspruchsvolle Projekte zu erfassen.
ANMERKUNG DER REDAKTION: Die folgenden Informationen stammen aus einem kürzlich durchgeführten NavVis-Webinar zum Thema Genauigkeit mit mobilen Scannern. Weitere Informationen zu den unten aufgeführten Themen finden Sie in der Aufzeichnung des Webinars, die Sie hier abrufen können.
Dass mit mobilen Mappingsystemen schneller gescannt werden kann, ist längst kein Geheimnis mehr. Was Sie vielleicht nicht wissen, ist, dass die besten Systeme mittlerweile auch extrem genaue Punktwolken erzeugen können, die sich selbst für anspruchsvollste Dokumentationsprojekte eignen.
Sie möchten wissen, wie das geht? In diesem kurzen Beitrag möchten wir in aller Kürze erklären, wie Sie mit einem mobilen Laserscanner eine Genauigkeit von 6 mm (oder sogar noch besser) erreichen können.
Bewährte Praktiken beim mobilen Scannen
Da diese Geräte Punktwolkendaten erfassen, während Sie sich bewegen, sind die Datensätze anfällig für kleine Fehler, welche die Qualität Ihrer Punktwolke beeinträchtigen können. Glücklicherweise verfügen die mobilen Scanner von heute über Funktionen, mit denen Sie diese Fehler korrigieren und die höchstmögliche Genauigkeit erreichen können.
Loop Closure
Diese Funktion (auch bekannt als Loop Closing) ist bei praktisch allen Systemen standardmäßig vorhanden und reicht oftmals für kleinere Scans völlig aus.
Um ein Loop Closing durchzuführen, kehren Sie während des Scans zu einer Stelle zurück, die Sie bereits gescannt haben. Der SLAM-Algorithmus (Simultaneous Localization and Mapping) erkennt diese Position und optimiert die Punktwolke automatisch, um Fehler zu korrigieren und die Genauigkeit zu verbessern.
Optimierung von Kontrollpunkten
Nur wenige der moderneren mobilen Scanner auf dem Markt sind mit dieser Funktion ausgestattet.
Da wie bereits erwähnt bei kleineren Projekten Loop Closing ausreicht, um eine hohe Genauigkeit zu erreichen, ist eine Kontrollpunktoptimierung für solche Anwendungszwecke nicht zwingend erforderlich. Sie ist jedoch unerlässlich, wenn Sie größere Objekte scannen möchten. Das liegt darin begründet, dass eine Kontrollpunktoptimierung den Driftfehler korrigieren kann, der oftmals bei längeren Scans in der Punktwolke auftritt.
Anbieter von mobilen Laserscannern implementieren diese Funktionalität auf unterschiedliche Weise. So funktioniert beispielsweise die Kontrollpunktoptimierung mit einem NavVis-Gerät: Zunächst bringen Sie in den Räumen, die Sie vermessen wollen, Ziel- bzw. Vermessungsmarken an. Deren Koordinaten messen sie anschließend mit Hilfe einer Totalstation ein. Während des Scannens erfassen Sie diese Kontrollpunkte mit dem Laserscanner. Während der Nachbearbeitung der Daten können Sie dann die eingemessenen (globalen) Koordinaten für jeden Kontrollpunkt eingeben. Diese werden dann von der Software genutzt, um die Punktwolke zu optimieren und die Genauigkeit zu verbessern.
Erfolgsbeispiele
Als Nächstes wollen wir uns näher damit beschäftigen, welche Genauigkeitsgewinne Sie durch Loop Closures und die Optimierung von Kontrollpunkten erwarten können. Zu diesem Zweck werden wir uns zwei Praxistests ansehen, die wir mit unserem tragbaren mobilen Scanner NavVis VLX durchgeführt haben.
Kleiner Scan mit Loop Closure
Für den ersten Test haben wir einen Abschnitt eines gewöhnlichen Bürogebäudes gescannt.
Diese Umgebung wurde bewusst ausgewählt, weil die zu diesem Bereich gehörenden Räume und Gänge eine Herausforderung für einen mobilen Laserscanner darstellen würden. (Mit anderen Worten, es war wahrscheinlich, dass es zu Fehlern kommen würde, die korrigiert werden mussten.) Da es sich um einen vergleichsweise kleinen Scan handelte, wurden zwar Loop Closures durchgeführt, allerdings wurden keine Kontrollpunkte verwendet, mit der man Fehler vermeiden und die spätere Punktwolke optimieren könnte.
- Fläche: 460 m²
- Zeitlimit: 30 Minuten
- Kontrollpunkte: 0
Um eine objektive Referenz zu haben, wurde eine unabhängige Vermessung der Fläche mit einer Totalstation in Auftrag gegeben. Die Entfernungen wurden manuell vermessen und anschließend mit den erfassten Entfernungen in der mobilen Punktwolke verglichen.
Und das sind die Ergebnisse: Das Loop Closing erwies sich als wirksam bei der Korrektur von Fehlern, zumindest bei diesem kleinen Scan.
- 22 von 24 lokalen Messungen wiesen eine maximale Abweichung von 5 mm im Vergleich zur Referenz (Messung mit Totalstation) auf.
- Die übrigen 2 lokalen Messungen wichen dabei maximal um 6 und 10 mm von der Referenz ab.
Umfangreicher Scan mit Kontrollpunkten
Für den nächsten Test wurde ein Parkhaus gescannt.
Da das Objekt recht groß war, war damit zu rechnen, dass die endgültige Punktwolke sehr wahrscheinlich eine Drift aufweisen würde. Um diesen Fehler zu korrigieren, wurde eine Kombination aus Loop Closings und Kontrollpunktoptimierung verwendet.
- Fläche: 1500 m²
- Zeitlimit: 20 Minuten
- Kontrollpunkte: 8
Das Team optimierte die Daten auf zwei Arten: einmal nur mit Hilfe von Loop Closings, und einmal durch Loop Closings und Kontrollpunkte. Beide Datensätze wurden anschließend mit einem terrestrischen Referenzscan verglichen, der zuvor von einem örtlichen Dienstleister mit Hilfe eines terrestrischen Laserscanners durchgeführt worden war.
Und das sind die Ergebnisse: Die Optimierung der Kontrollpunkte erwies sich als sehr effektiv, um die Drift zu verringern.
- Loop Closure: 8 mm absolute Genauigkeit
- Loop Closure und Kontrollpunktoptimierung: 6 mm absolute Genauigkeit
Fazit
Wie also eindrucksvoll bewiesen wurde, können mit Hilfe von Loop Closings und Kontrollpunktoptimierung sehr genaue Punktwolken erzeugt werden.
Immer noch nicht überzeugt? Dieser Beitrag ist nur ein kurzer Überblick über die Tests, die wir durchgeführt haben, um die Wirksamkeit verschiedener Optionen zur Fehlerkorrektur zu überprüfen und die Genauigkeit unserer mobilen Scanner in einer Vielzahl von schwierigen Umgebungen zu bewerten. Weitere Informationen zu den Tests - und alle wichtigen Zahlen und Fakten - finden Sie jederzeit in dieser Webinaraufzeichnung.
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.