Automatische Innenraumvermessung

Die Arbeit beginnt mit der Beschreibung der fundamentalen Aufgabe der Selbstlokalisierung eines autonomen mobilen Roboters innerhalb seiner Umgebung, repräsentiert durch eine zur Verfügung stehende Karte. Eine präzise Lokalisierung ist essentiell für zahlreiche Anwendungen. Die Genauigkeit und Vollständigkeit der Karte sind dabei entscheidende Voraussetzungen. Während in typischen Robotik-Anwendungen die vom Roboter generierte Karte ein Nebenprodukt darstellt, rückt sie aus vermessungstechnischer Perspektive in den Mittelpunkt. Die zentrale Fragestellung lautet, inwieweit die gesammelten Raumdaten bezüglich Genauigkeit, Vollständigkeit und Detaillierungsgrad den Ansprüchen eines menschlichen Nutzers genügen, der im Alltag exakte Innenraummodelle benötigt, deren Erstellung oft mit großem Aufwand verbunden ist. Die Vision ist die vollautomatische Generierung solcher Modelle.

Ein wichtiger Aspekt der präzisen Kartierung ist die räumliche Platzierung des Sensors während des Erfassungsprozesses. Positionierungsstrategien steuern die Sensorplatzierung und sind übergeordnet zu allen anderen Prozessen. Bekannte Strategien priorisieren meist die effiziente Exploration, um mit jeder Messung maximal neue Informationen zu gewinnen, während die Anforderungen der Datenregistrierung oft vernachlässigt werden. Diese Arbeit stellt im Gegensatz dazu Positionierungsstrategien für die 2D-Scan-Vermessung und die 3D-Photogrammetrie vor, deren Hauptziel die Genauigkeitsmaximierung der Raumdaten ist. Für die 3D-Photogrammetrie wird das funktionale Modell des Bundle-Adjustment auf R² abgebildet, wodurch ein 2D-Richtungsnetz entsteht. Die Form und Größe der Fehlerellipsen erlauben Rückschlüsse auf die Güte möglicher Kamerapositionen und ermöglichen eine vergleichende Bewertung.

Ein wesentlicher Teil der Arbeit befasst sich mit der empirischen Evaluierung der entwickelten Systeme. Anhand von Versuchen in realen Umgebungen wird die praktische Anwendbarkeit der Messverfahren belegt. Durch Variation von Anfangsbedingungen und Eingangsparametern wird deren Einfluss auf den Messprozess und das Ergebnis untersucht. Um zuverlässige Genauigkeitsaussagen treffen zu können, wurden mittels tachymetrischer Einmessungen Referenzmodelle der Versuchsumgebungen erstellt, die zum Vergleich herangezogen werden. Die Genauigkeit und Qualität der roboterbasierten Kartierung hängen primär von den verwendeten Sensoren und den Softwareprozessen zur Datenregistrierung ab. Bei 2D-Systemen kommen Scan-Matching-Techniken oder probabilistische Filter zum Einsatz, während bei 3D-Vermessungen photogrammetrische Rekonstruktionen mittels Bundle Adjustment durchgeführt werden. Die Resultate können optimiert werden, indem die Anforderungen und Restriktionen dieser Techniken bereits während der Datenerfassung berücksichtigt werden. Die räumliche Sensorplatzierung ist dabei ein entscheidender Faktor.

Photogrammetrische Verfahren werden bisher nur begrenzt für Innenraumanwendungen eingesetzt, da das Messprinzip dafür nur bedingt geeignet ist. Bisherige Ansätze basieren hauptsächlich auf handgehaltenen Geräten. Für eine adäquate Sensorpositionierung gibt es nur grobe Empfehlungen, es fehlen konkrete Strategien zur Kameraführung in Innenräumen. Der zweite Teil dieser Arbeit zielt darauf ab, eine Strategie zur Aufnahme eines Bildverbandes zu entwickeln, der eine vollständige 3D-Rekonstruktion ermöglicht. Die Strategie muss sicherstellen, dass genügend Punktmerkmale extrahiert werden können, um die Aufnahmen mit Bundle Adjustment auszuwerten. Die Rekonstruktionsergebnisse werden evaluiert, um deren Brauchbarkeit für Modellierungszwecke zu bestimmen. Im Bereich der 2D-Vermessung stellen robotische Systeme, die unbekannte Umgebungen explorieren, den aktuellen Stand der Technik dar. Die generierten Karten und Punktwolken versprechen aufgrund präziser Sensoren und ausgereifter Kartierungsverfahren hohe Genauigkeit. Es mangelt jedoch an expliziten Untersuchungen zur Qualität dieser Raumdaten. Diese Arbeit zielt darauf ab, die Güte einer von einem autonomen Messroboter erstellten Karte zu eruieren, einschließlich der Anwendung von Modellierungsalgorithmen.

Die 2D-Kartierung basiert auf einem System, das einen präzisen 2D-Laserscanner verwendet. Für die Datenregistrierung wird eine speziell angepasste Variante des Iterative Closest Point (ICP) Algorithmus, das IKQM, eingesetzt. Im Gegensatz zu anderen, laufzeitoptimierten Varianten, priorisiert das IKQM eine möglichst hohe Genauigkeit und Robustheit des Scan-Matchings. Das System arbeitet im Stop&Go-Betrieb, was laufzeitintensive Algorithmen unnötig macht. Da der Laserscanner nur einen Phasenwert pro Umdrehung misst, erfolgen präzise Messungen nur aus festen Positionen während des Stillstands der Plattform. Positionswechsel können zu erheblichen Unterschieden im Inhalt neuer Messdaten im Vergleich zu bereits aufgezeichneten Daten führen, besonders bei zunehmender Distanz. Die Ungenauigkeiten der odometriebasierten Lokalisierung steigen ebenfalls mit der Distanz. Die Odometrie ist jedoch die einzige Informationsquelle für die Vororientierung der Aufnahmen. Der IKQM-Algorithmus wurde entwickelt, um selbst unter diesen Bedingungen eine exakte und robuste Datenregistrierung zu ermöglichen. Der Prozess des Punkt-Lotfußpunkt-Matchings wird iterativ wiederholt, wobei die Parameter in jeder Iteration strenger gewählt werden, bis genügend Datenpunkte gefunden werden oder der Prozess konvergiert. Die gefundenen Geradensegmente werden hinsichtlich Anzahl, Größe und Ausrichtung überprüft, um geometrisch eindeutige Daten zu gewährleisten.

Die Explorationstrategie zielt auf eine möglichst vollständige und effiziente Erfassung der Umgebung ab. Eine zusätzliche Restriktion schreibt vor, dass der Roboter nur Messpositionen anfährt, die einen Mindestabstand zu bereits verwendeten Positionen aufweisen. Dies vermeidet unnötig lange Messzyklen und verbessert die Effizienz. Der Übergang zwischen Räumen (durch Türen) stellt eine besondere Herausforderung dar, da sich die Umgebung abrupt ändert und die Überlappung zu bereits bekannten Daten gering ist. Um solche Übergänge oder Portale zu erkennen, werden der Pfad zur nächsten Pose und die im Umgebungsmodell enthaltenen Geradensegmente betrachtet. Wird ein Portal erkannt, wird die Bewegung kurz vor dem Kreuzungspunkt unterbrochen, um eine zusätzliche Messung durchzuführen und einen Teil der Umgebung jenseits des Portals zu erfassen, während gleichzeitig genügend bekannte Umgebungsinformationen erhalten bleiben. Die Abtastdichte, mit der die Umgebung erfasst wird, kann vom Nutzer vorgegeben werden. Eine Datenverwaltung prüft, welche Messpunkte für die Einhaltung der Abtastdichte notwendig sind; alle weiteren Punkte werden eliminiert. Die Auswahl der zu behaltenden Punkte basiert auf der Entfernung zur Messposition, da die Genauigkeit der Laserdistanzmessung mit steigender Entfernung abnimmt. Diese Datenverwaltung reduziert auch die Rechenzeit, da mehrere Algorithmen auf alle gespeicherten Messpunkte zugreifen.

Die Arbeit beschreibt die 3D-Raumvermessung mittels eines photogrammetrischen Monokamera-Messsystems. Die 3D-Rekonstruktion der Umgebung erfolgt durch die Verknüpfung einzelner Bilder in einem Bundle-Adjustment-Prozess. Ein wesentlicher Fokus liegt auf den Eigenschaften und Anforderungen photogrammetrischer Rekonstruktionen, insbesondere im Kontext von Innenräumen. Im Gegensatz zu Außenaufnahmen, wo automatisierte Rekonstruktionsverfahren Standard sind, stellen monochrome, texturlose Oberflächen und regelmäßige Muster in Innenräumen eine besondere Herausforderung für die Bildzuordnung dar. Enge Flure und Türen schränken die Positionierungsmöglichkeiten der Kamera ein und erschweren die Auswahl von Messpositionen, die eine vollständige Abdeckung aller Oberflächen und Verknüpfungsmessungen zwischen allen Raumbereichen gewährleisten. Das Triangulationsprinzip, welches bildbasierten Methoden zugrunde liegt, erfordert zur Optimierung der Schnittbedingungen und der Rekonstruktionsgenauigkeit möglichst große Basisweiten zwischen den Messpositionen. Diese Anforderung ist in Innenräumen nur bedingt erfüllbar. Die Verfahren zur Zuordnung extrahierter Merkmalspunkte in mehreren Bildern lassen sich in geometrie- und bildbasierte Verfahren unterteilen. SIFT (Scale Invariant Feature Transform) wird als ein populäres bildbasiertes Verfahren zur Extraktion und Zuordnung von Merkmalspunkten genannt.

Der Hauptbeitrag dieser Arbeit ist die Ableitung einer Positionierungsstrategie, welche die Kamerapositionen vorgibt, die für die Aufnahme eines Bildverbandes einer Innenraumszene notwendig sind, um eine vollständige Rekonstruktion zu ermöglichen. Die Strategie berücksichtigt die Randbedingung, dass aus dem Bildverband genügend Punktmerkmale extrahiert und Punktkorrespondenzen zugeordnet werden können, damit die Aufnahmen mit einem Bundle-Adjustment ausgewertet werden können. Die Datengrundlage für die Strategie bildet eine zuvor erstellte 2D-Grundrisskarte, die die befahrbaren Bereiche und bereits erfassten 2D-Oberflächen zeigt. Dies ermöglicht die Vorselektion empfehlenswerter Messpositionen. Die vereinfachte Abbildung des Bundle-Adjustment-Modells in Form eines 2D-Richtungsnetzes erlaubt die Vorhersage der zu erwartenden Genauigkeiten bei der Wahl von Kamerapositionen. Durch die Berücksichtigung der geometrischen Restriktionen und die Genauigkeitsprädiktion wird ein Messsystem entwickelt, mit dem präzise Punktwolken von Innenraumumgebungen rekonstruiert werden können. Die Datenerfassung beschränkt sich auf die Detektion markanter Oberflächenpunkte mittels Merkmalsdeskriptoren. Aufgrund der oft texturlosen Oberflächen von Innenräumen weisen die rekonstruierten Punktwolken jedoch möglicherweise eine unzureichende Datendichte für eine adäquate Modellierung auf.

Die Evaluierung des 3D-Messsystems umfasst Tests mit synthetischen und realen Daten. Ein leerer Raum von ca. 80 m² diente als reale Testumgebung, wobei ein tachymetrisches 3D-Referenzmodell zur Genauigkeitsbestimmung erstellt wurde. Das Rekonstruktionsmodul arbeitet nicht deterministisch, daher wurden die Rekonstruktionen mehrfach wiederholt. Die Ergebnisse zeigen, dass die Genauigkeit der Objektpunktrekonstruktion von der Verteilung der Aufnahmen abhängt. Eine ungleichmäßige Verteilung kann zu hohen Fehlerwerten in Bereichen mit geringer Überlappung führen. Die Betrachtung des Reprojektionsfehlers (ORE) zeigt, dass eine strengere Wahl des ORE zu einer Verringerung der Anzahl der Modell- und Merkmalspunkte, aber nicht unbedingt zu einer Verbesserung der mittleren Koordinatengenauigkeit führt. Einzelne Punkte mit sehr hohen Varianzen beeinflussen die mittlere Genauigkeit stärker als die Größe der Konfidenzellipsoide. Als Ausblick wird die Integration von dichten Stereoverfahren zur Erhöhung der Punktanzahl und zur Rekonstruktion texturschwacher Bereiche vorgeschlagen. Die Detektion von Subkonfigurationen im Bundle Adjustment wird als wichtiger Schritt im Rekonstruktionsprozess genannt und die Möglichkeit einer präventiven Grob-Beobachtung der Umgebung vor dem eigentlichen Messprozess wird vorgeschlagen.

Die Evaluierung des 2D-Messsystems, das zur Generierung von Grundrisskarten verwendet wird, umfasst die Analyse der Genauigkeit und die Demonstration der praktischen Anwendbarkeit. Der Einsatz eines präzisen 2D-Laserscanners ermöglichte die automatisierte Erfassung charakteristischer Innenraumumgebungen mit hoher Genauigkeit. Bestehende Verfahren zur Datenregistrierung und Umgebungsexploration wurden an die jeweilige Messaufgabe angepasst und optimiert. Die Ergebnisse verschiedener Explorationsfahrten werden analysiert, wobei die Schwierigkeit der Vollständigkeitsbewertung hervorgehoben wird: Es muss zwischen prinzipiell nicht erfassbaren Bereichen (z.B. aufgrund von Spiegelungen oder schlechten Reflexionseigenschaften) und Bereichen unterschieden werden, die aufgrund von Algorithmus-Mängeln fehlen. Die Genauigkeit des Systems wird anhand eines Vergleichs mit einem tachymetrisch erstellten Referenzmodell evaluiert. Für diesen Vergleich wurden 42 über die Szene verteilte, geometrisch markante Punkte tachymetrisch eingemessen und manuell im Datensatz des 2D-Messsystems wiedergefunden. Die mit Fehlern behafteten Messdaten übertragen sich durch das Scan-Matching auf die erstellte Karte, wobei sich die Fehler bei der Erweiterung der Karte summieren. Die Arbeit demonstriert den erfolgreichen Einsatz der entwickelten Methoden in realen Szenarien und hebt die Möglichkeiten der Systemanpassung für manuelle Messungen hervor, wobei dem Nutzer Hinweise auf noch nicht vollständig erfasste Bereiche gegeben werden können.

Die Evaluierung des 3D-Messsystems, das auf photogrammetrischen Verfahren basiert, beinhaltet Tests mit synthetischen und realen Daten. Die synthetische Umgebung simuliert eine charakteristische Innenraumumgebung mit geraden Elementen und Türeinschnitten. Die empirische Evaluierung wurde in einem leeren Raum von ca. 80 m² durchgeführt, wobei ein tachymetrisches 3D-Referenzmodell zur Genauigkeitsbestimmung erstellt wurde. Das verwendete Rekonstruktionsmodul arbeitet nicht deterministisch, daher wurden die Rekonstruktionen mehrfach wiederholt. Die dargestellten Ergebnisse repräsentieren die für einen Versuch charakteristischen Resultate; eine ausführlichere statistische Analyse wurde aus Zeitgründen unterlassen. Tests mit variierenden Parametern, wie dem Schwellwert für den Reprojektionsfehler (ORE), zeigten, dass eine strengere Wahl des ORE zu einem Absinken der Anzahl der Modell- und Merkmalspunkte und einer Verringerung der Größe der Konfidenzellipsoide führt, aber nicht zwingend zu einer Verbesserung der mittleren Koordinatengenauigkeit. Punkte mit sehr hohen Varianzen beeinflussen die mittlere Genauigkeit stark. Die Arbeit demonstriert, dass das System präzise Punktwolken von Innenraumumgebungen rekonstruieren kann, jedoch die Datendichte für eine adäquate Modellierung oft nicht ausreicht. Der Einsatz zusätzlicher Rekonstruktionsmethoden zur Datenverdichtung wird als notwendiger nächster Schritt identifiziert. Die Verwendung des Volksbot RT3 [31] des Fraunhofer Instituts als mobile Plattform wird erwähnt.