Alles, was Sie über SLAM und mobiles Mapping wissen müssen

Wie funktioniert es und warum ist es so wichtig für mobiles Mapping?

Aufgrund des rasanten Wachstums der Rechenleistung seit den 80er Jahren - ganz zu schweigen von der Verfügbarkeit von frei herunterladbarem Code von Unternehmen wie Google - wird SLAM heute in einer Vielzahl von Anwendungen eingesetzt. Bei praktisch jeder Maschine, die eine aktuelle 3D-Karte ihrer Umgebung benötigt, spielen SLAM-Algorithmen eine große Rolle.

Hier sind einige wichtige Anwendungsfälle:

• Dronen und Staubsaugerroboter
• Autonomes Fahren
• Augmented-Reality-Apps
• Mobile 3D-Mappingsysteme

Sprechen wir endlich über die Anwendung von SLAM, die uns am wichtigsten ist: mobile Mappingsysteme. Im Grunde handelt es sich dabei um Laserscanner, die darauf ausgelegt sind, den Scanning-Workflow für die Erfassung von Gebäuden stetig zu optimieren.

Um bestmögliche Ergebnisse beim Erfassen der Umgebung zu erreichen, wird bei mobilen Mappingsystemen auf eine Kombination aus präzisen Sensoren und SLAM-Technologie gesetzt. Mit einem solchen mobilen Mappingsystem können 3D-Punktwolken und Panoramabilder im Vorbeigehen erfasst werden und Dokumenationen für große Anlagen, Bürogebäude oder komplexe Umgebungen wie Fabriken erstellt werden.

Solche Systeme werden oft unterschiedlich bezeichnet:

• mobile Indoor-Mappingsysteme
• Walkaround Mappingsysteme
• SLAM-Laserscanner

Aber im Wesentlichen meinen alle das Gleiche.

Diese Geräte sind jedoch nicht zu verwechseln mit mobilen Systemen, welche zum Scannen großer Outdoor-Projekte auf einem Fahrzeug montiert werden.

→ Erfahren Sie mehr über mobile Mappingsysteme und die verschiedenen Sensoren, die zum Einsatz kommen.

SLAM ist die „Geheimzutat“, mit der es möglich wird, ein Mappingsystem ohne Stativ zu nutzen.

Dabei werden die von den Gerätsensoren aufgenommenen Daten zusammengeführt und verarbeitet, um die jeweils aktuelle Position zu bestimmen. Jede Position auf dieser Bewegungsbahn kann man sich als „virtuelles Stativ“ vorstellen, das die Software während der Datenprozessierung verwendet, um sicherzustellen, dass sich jeder Punkt in der Punktwolke an der richtigen Stelle befindet.

→ Hier können Sie mehr über die technischen Hintergründe von SLAM und seine Anwendung beim mobilen Mapping erfahren.

Erst die SLAM-Technologie hat die Entwicklung mobiler Mappingsysteme erst möglich gemacht, so dass es auch im Bereich Gebäudedokumentation Anwendung findet.

Lange Zeit wurden Baudokumentationen manuell erstellt, beispielsweise mit Zollstock oder Theodoliten. In den 80er Jahren kamen dann die ersten Tachymeter auf, die einzelne Punkte deutlich schneller und mit extrem hoher Präzision erfassen konnten. Mit terrestrischen Laserscannern (TLS), die etwa in den 2000er Jahren auf den Markt gebracht wurden, konnten sogar Millionen von Punkten gleichzeitig erfasst und Gebäude so noch schneller gescannt werden.

Im Jahr 2015 gelang mit den ersten SLAM-basierten mobilen Mappingsystemen ein weiterer Durchbruch: Im Gegenteil zu terrestrischen Laserscannern (TLS) sind diese nicht ortsgebunden und können stattdessen während des Scannens problemlos durch den Raum bewegt werden. Dabei erfassen sie kontinuierlich Millionen von Punkten aus verschiedenen Perspektiven und sammeln weitere Daten, wie z. B. 360°-Bildern, die mit Hilfe von integrierten RGB-Kameras aufgenommen werden.

SCHNELLE ERFASSUNG

Wer bereits einmal mit einem TLS gearbeitet hat, weiß, dass der Scanner während eines einzigen Projektes dutzende, wenn nicht sogar hunderte Male neu positioniert werden muss. Beim mobilen Mapping entfällt dieser Arbeitsschritt komplett, wodurch der ganze Scanprozess beschleunigt wird: Mit einem mobilen Mappingsystem kann eine typische Umgebung ca. zehnmal schneller gescannt werden als mit einem TLS.

Worin sich die beiden Workflows unterscheiden und welcher Scanner sich besser für Ihr Projekt eignet

Um die Vorteile von SLAM und mobilen Mapping-Systemen zu verdeutlichen, sollten wir uns zunächst einmal ansehen, wie sie bei der Dokumentation einer typischen Büroumgebung im Vergleich zu einem TLS  abschneiden.

Unten sehen Sie, wie der Laserscanner aufgestellt werden müsste, um diesen komplexen Raum mit einem TLS und zielmarken-basierter Registrierung zu erfassen. Für eine Cloud-to-Cloud-Registrierung müssten Sie den Scanner zusätzlich noch in jedem Türrahmen aufstellen, wenn Sie nicht noch zusätzlich Zeit aufwenden wollen, Zielmarken einzurichten. Wird die Sicht des Scanners durch Hindernisse wie etwa Möbelstücke blockiert oder wollen Sie Details wie Fensterrahmen erfassen, muss der Scanner noch einige Male neu positioniert werden.

Im günstigsten Fall könnte man diesen Raum mit einem TLS in etwa 20 Minuten scannen, aber angesichts der oben aufgeführten zusätzlichen Umstände ist es wahrscheinlich, dass man mehr Zeit dafür benötigen wird.

SLAM-Technologie und mobiles Mapping ermöglichen Ihrem Unternehmen völlig neue Möglichkeiten. Dank des schnellen und flexiblen Workflows können Sie neue Kunden gewinnen, bereits bestehenden Kunden einen noch besseren Service bieten, um Ihr Angebot weiter auszubauen.

Welche Fachtermini muss ich kennen, um mobiles Mapping zu verstehen?

Hier finden Sie ein Glossar, in dem alle wichtigen Fachbegriffe erklärt werden. 

Wie genau ist ein mobiles Mappingsystem?

Die einfache Antwort: Die besten Systeme liefern zuverlässig Daten, die für eine Bestandsdokumentation mehr als geeignet sind. In einer Fallstudie haben wir unseren NavVis VLX auf die Probe gestellt, indem wir einen einzigen Scan in einem Parkhaus durchgeführt haben. Mit der Anwendung von so genannten Loop Closures zur Fehlerkorrektur konnte unser Team die Daten mit einer absoluten Genauigkeit von 8 mm validieren. Kombiniert mit einer Kontrollpunktoptimierung verbesserte sich die absolute Genauigkeit sogar auf 6 mm.

Das bedeutet, dass Sie die Daten getrost für Projekte wie LOD 300 BIMs oder Grundrisse mit einem Maßstab von bis zu 1:50 verwenden können.

Die etwas kompliziertere Antwort: Die absolute Genauigkeit eines mobilen Mappers numerisch zu definieren, ist eine komplizierte Angelegenheit. Das liegt daran, dass die final vorliegende Punktwolke zuvor mithilfe der SLAM-Technologie verarbeitet werden muss. Die SLAM-Leistung variiert dabei in Abhängigkeit von zahlreichen Umweltfaktoren, wie z. B. der Geometrie der gescannten Umgebung. (Aus diesem Grund gibt man die absoluten Genauigkeitsangaben in den technischen Datenblättern oft als Bereich an, z. B. 6-15 mm.)

Bevor ein Hersteller also verallgemeinerte Aussagen über die Genauigkeit eines bestimmten mobilen Mappinggerätes machen kann, müssen umfangreiche Tests bei unterschiedlichsten Rahmenbedingungen durchgeführt werden, um zu evaluieren, wie sich das System in verschiedenen realen Einsatzszenarien verhält

→ Um fundierte Aussagen über die Genauigkeit eines mobilen Scanners machen zu können, hat NavVis eine strenge Methodik zur Genauigkeitsüberprüfung entwickelt, die von unabhängiger Seite überprüft und kontrolliert werden kann. [Englisch]

Warum schneiden einige SLAM-Systeme im Vergleich zu anderen besser ab?

Wenn Sie drei verschiedene Systeme mit identischen Formfaktoren und Sensoren gegenüberstellen würden, ist davon auszugehen, dass sich die verschiedenen Ergebnisse qualitativ stark unterscheiden würden. Aber warum ist das so?

Kurz gesagt: Es liegt an der Qualität der SLAM-Implementierung. Im Folgenden sind zwei der wichtigsten Faktoren aufgeführt, die dabei einen Einfluss haben:

ROBUSTHEIT

In der Praxis stellen bestimmte Umgebungen SLAM-Systeme vor größere Herausforderungen als andere. Hier ist ein gutes Beispiel: In einem langen Flur mit wenigen Zugängen mangelt es an Merkmalen, die der SLAM-Algorithmus zur Positionsverfolgung nutzen kann. Dies kann zu Fehlern in den vom SLAM-Algorithmus kalkulierten Trajektorie führen und die Genauigkeit der finalen Punktwolke beeinträchtigen.

Robustere SLAM-Algorithmen können mit solchen Situationen besser umgehen, eine bessere Trajektorie erzeugen und dadurch genauere Punktwolken erstellen.

FEHLERKORREKTUR

Aber nicht nur die Umgebungsbedingungen können Fehler in einem Datensatz verursachen kann. Alle Sensoren verursachen im Betrieb ein gewisses Maß an Rauschen, das sich zu winzigen Abweichungen bei der SLAM-Berechnung aufsummieren kann. Mit der Zeit tritt dadurch ein Problem auf, das Drift genannt wird.

Aus diesem Grund ist praktisch jeder Scanner auf dem Markt mit Software zur Fehlerkorrektur ausgestattet, um die Genauigkeit des finalen Datensatzes zu verbessern.

Allerdings sind nicht alle SLAM-Systeme in dieser Hinsicht gleich: Die meisten arbeiten mit so genannten Loop Closures: Dabei kehrt man zu während des Mappings bereits gescannten Punkten zurückkehrt, um Fehler zu korrigieren und Drift zu reduzieren. Jedoch kann sich auch hier die Qualität dieser Funktionalität von System zu System unterscheiden. Einige Systeme bieten zudem die Möglichkeit, Kontrollpunkte zu erfassen, um die Trajektoriedaten an bereits erfasste Kontrollpunktkoordinaten zu koppeln.

Mit anderen Worten: Einige SLAM-Systeme kommen mit den Herausforderungen, die beim Scannen von realen Umgebungen auftreten, besser zurecht als andere. Und dieser Unterschied zeigt sich deutlich in der jeweiligen Qualität der Punktwolke.

Warum können manche SLAM-Systeme Daten schneller verarbeiten als andere?

Ganz einfach formuliert: Es liegt an der Rechenleistung.

Wie bereits erwähnt, kombiniert ein SLAM-basiertes Mappingsystem Daten von einer Vielzahl von Sensoren, um eine Punktwolke zu erstellen: von IMUs, welche die Lage und Ausrichtung des Geräts erfassen, über HD-Kameras, die farbige Bilder aufnehmen, bis hin zu mehreren Lidar-Sensoren, die 300.000 Punkte (oder mehr) pro Sekunde aufzeichnen.

Die Herausforderung besteht darin, dass die Sensoren eine enorme Menge an Daten produzieren. Um diese zu verarbeiten braucht es mehr als einen Prozessor, wie er zum Beispiel in Handys verbaut ist.

Daher muss jeder Hersteller bei der Datenverarbeitung Prioritäten setzen: Einige entwickeln ihre Geräte so, dass diese Punktwolken in Echtzeit erzeugen können, dabei aber Kompromisse bei der Qualität eingehen müssen. Andere entscheiden sich für eine langsamere Datenverarbeitung, können dafür aber qualitativ hochwertigere Ergebnisse erzielen. Auch ein Mittelweg ist möglich, so dass je nach Anforderungen eines Projekts zwischen Echtzeitverarbeitung oder der Verarbeitung mit höherer Qualität gewählt werden kann.

NavVis hat sich für anderen Ansatz entschieden: Unsere Mappingsysteme verarbeiten die Daten noch während des Scannens, so dass auf einem Touch-Display ein visuelles Echtzeit-Feedback angezeigt werden kann. Anschließend kommen leistungsfähigere Computer im Büro zum Einsatz, um die Daten vollständig zu prozessieren und qualitativ hochwertige Punktwolken zu generieren.

Wie kann ein SLAM-System eine Punktwolke erzeugen, die eine höhere Genauigkeit hat als die verwendeten Sensoren?

Der Grund: Ein mobiles Mappingsystem scannt kontinuierlich, während Sie sich durch den Raum bewegen.

Im Gegensatz zu einem terrestrischen Scanner, der jeden Messpunkt nur einmal während des Scanvorgangs aufnimmt, erfasst ein SLAM-System jeden Messpunkt automatisch mehrere Male und aus mehreren Winkeln, während Sie sich durch den Raum oder das Gebäude bewegen.

Dadurch steht der Nachbearbeitungssoftware ein großer Satz möglicher x-, y- und z-Werte für jeden Punkt zur Verfügung, so dass eine komplexe Analyse dieser Werte durchgeführt werden kann. So können Ungenauigkeiten wie z. B. Sensorrauschen reduziert oder sogar eliminiert werden.

Das Ergebnis: Eine Punktwolke, die eine höhere Genauigkeit aufweist als die der verwendeten Sensoren.

→ Software-Updates haben einen großen Vorteil: Sie können davon ausgehen, dass ihre Werkzeuge auch lange nach dem Kauf weiterentwickelt werden.