Identifizierung von Unterflurcontainern in urbanen Punktwolkenumgebungen

  • Hai Du

Studienabschlussarbeit: Masterarbeit

Abstract

Um eine automatisierte oder halbautomatisierte Erfassung der Unterflurcontainer in städtischen Müllentsorgungssystemen durch Kräne zu ermöglichen, muss die Position und Orientierung (6D-Pose) der Unterflurcontainer in ihrer Umgebung bestimmt werden. Im Gegensatz zu zweidimensionalen RGB-Bildern bieten LiDAR-Scans eine reichhaltige Quelle an Positionsinformationen. Aufgrund der Begrenztheit von Datensätzen und Ressourcen zielt diese Masterarbeit darauf ab, die Machbarkeit der Objekterkennung in Punktwolken zu untersuchen und mit traditionellen Punktwolkenverarbeitungsmethoden einen leichten und robusten Ansatz zu finden. Im Experiment wurde ein Solid-State-LiDAR verwendet, um in realen Nutzungsszenarien aus einer festen Perspektive Daten der Zielumgebung aufzuzeichnen. Die Rohdaten wurden nach Punktwolkenrauschunterdrückung, Bodensegmentierung und DBSCAN (Density-Based Spatial Clustering of Applications with Noise) -Clustering in mehrere Subgruppen aufgeteilt. Anschließend wurden diese Cluster durch Registrierung identifiziert, um die Zielcontainer und ihre 6D-Pose zu bestimmen. Da die Geometrie der Unterflurcontainer bekannt ist, konnte ein ideales Punktwolkenmodell durch Hinzufügen von simuliertem Rauschen erzeugt werden. Durch Berechnung der Abstände und Verteilung zwischen den simulierten Punktwolken und den registrierten Punktwolken wurde bestimmt, ob ein Cluster das Zielobjekt darstellt. Für die „automatisierte“ globale Registrierung wurden FPFH (Fast Point Feature Histograms) -Features für jeden Punkt extrahiert und dann mittels RANSAC (Random Sample Consensus) verglichen, um die beste Transformationsmatrix zu finden. Bei der „manuellen“ globalen Registrierung wurden in den beiden Punktwolken jeweils drei korrespondierende Punkte gefunden, um die Transformation zu berechnen. Alle Datenverarbeitungen wurden in Python mit der Open3D-Bibliothek durchgeführt. Die Ergebnisse zeigten, dass die manuelle Registrierung aufgrund des hohen Rauschens in den gesammelten Daten und der Unvollständigkeit der Zielpunktwolken durch die Einzelperspektive sowohl in der Berechnungszeit als auch in der Genauigkeit und Robustheit große Vorteile aufwies.
Datum der Bewilligung2024
OriginalspracheDeutsch (Österreich)
Betreuer/-inGerald Zauner (Betreuer*in) & Raimund Edlinger (Betreuer*in)

Zitieren

'