Veranstaltungsprogramm

Eine Übersicht aller Sessions/Sitzungen dieser Tagung.
Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen. Wählen Sie eine Sitzung aus, um zur Detailanzeige zu gelangen.

 
 
Sitzungsübersicht
Sitzung
S4.1: Mobile Mapping/Bildanalyse und Computer Vision
Zeit:
Freitag, 06.03.2020:
8:30 - 10:00

Chair der Sitzung: Martin Weinmann
Chair der Sitzung: Stephan Nebiker
Ort: Raum 114

Zeige Hilfe zu 'Vergrößern oder verkleinern Sie den Text der Zusammenfassung' an
Präsentationen

Leistungsfähiges portables Mobile Mapping im Aussenraum – Genauigkeitspotential und Grenzen unterschiedlicher Georeferenzierungsansätze in der Stadt und im Wald

J. Meyer, S. Blaser, S. Nebiker, L. Fricker, D. Weber

FHNW Fachhochschule Nordwestschweiz, Schweiz

Mit der fortschreitenden Urbanisierung sowie Digitalisierung und der baulichen Verdichtung gewinnen genaue Daten von Infrastrukturbauten zunehmend an Bedeutung. Die Digitalisierung führt zu tiefgreifenden Veränderungen im gesamten Planungs- und Bauprozess. Sie bietet insbesondere grosse Chancen im Management von Infrastrukturanlagen, indem zahlreiche aufwändige und potentiell gefährliche Mess-, Beurteilungs- und Planungsaufgaben vom Feld ins Büro verlagert werden können. Voraussetzung dafür bilden realitätsgetreue, genaue, zuverlässige und aktuelle 3D-Daten, die sich in kollaborativen digitalen Planungs- und Managementprozessen nutzen lassen. Im Strassen- und Schienenbereich werden dazu bildbasierte Webdienste mit 3D-Messfunktionalität – im Ansatz vergleichbar mit Street View – bereits verbreitet eingesetzt. Damit dieser Ansatz der effizienten 3D-Dokumentation von Infrastrukturen auch für enge Gassen oder Wald-/Forstwege verfügbar wird, wurde der prototypische portable Messrucksack «BIMAGE Backpack» um die direkte Georeferenzierung mittels GNSS/INS erweitert. Die aktuelle Systemkonfiguration besteht aus einer Mehrkopf-Panoramakamera Ladybug5, zwei Multiprofillaserscannern Velodyne VLP-16, einem GNSS Empfänger, sowie einer Inertialnavigaitonseinheit Novatel SPAN CPT7. Sämtliche Sensoren werden hardwarebasiert mit der Navigationseinheit, welche die Zeitbasis des MMS ist, synchronisiert. Während der Aufnahme kann die Mehrkopf-Panoramakamera aufgrund zeitlicher oder geometrischer Bedingungen, wie beispielsweise Distanz- oder Azimutänderungen, ausgelöst werden. Für die geometrisch bedingte Kameraauslösung stehen nun wahlweise die Posen des SLAM-Algorithmus sowie die Posen des Inertialnavigationssystems in Echtzeit zur Verfügung.

Die äusseren Orientierungen der Einzelbilder der Panoramakamera können nun einerseits, wie in Blaser et al. (2018) beschrieben, mit dem LiDAR-SLAM und anschliessender 6 DoF-Transformation über Passpunkte, oder andererseits – dank der erweiterten Systemkonfiguration – mit direkter Georeferenzierung durch die eng gekoppelte Sensordatenfusion von GNSS und INS berechnet werden. Cavegn et al. (2018) zeigten auf, dass sich sowohl die äusseren Orientierungen des LiDAR-SLAM, als auch jene der direkten Georeferenzierung signifikant verbessert werden können, indem die Einzelbilder der Panoramakamera mit einer leistungsfähigen Structure-from-Motion (SfM)-Pipeline prozessiert werden und somit eine Bündelblockausgleichung durchgeführt wird. Die zuvor kalibrierten relativen Orientierungen zwischen den einzelnen Panoramakameraköpfen wurden als Bedingungen in die Bündelblockausgleichung eingeführt und fixiert.

Das Genauigkeitspotenzial des bildbasierten portablen MMS wurde bereits im Innenraum (Blaser et al., 2018) und unter Tage (Blaser et al., 2019) in verschiedenen kleinräumigen Testgebieten untersucht und aufgezeigt. In diesem Beitrag werden grossflächige Untersuchungen der erweiterten Systemkonfiguration im Aussenraum durchgeführt, um das Potenzial der verschiedenen zur Verfügung stehenden Georeferenzierungsansätzen in unterschiedlichen Umgebungen aufzuzeigen. Ein Testgebiet befindet sich im Wald und ein weiteres Testfeld liegt in der Innenstadt mit jeweils unterschiedlichen Strassen- und Wegbreiten und GNSS-Signalabschattungen durch Bäume und enge Strassenschluchten. In beiden Testgebieten wurde ein dichtes Referenzpunktnetz angelegt, welches tachymetrisch eingemessen wurde. In den Testgebieten wurden mit dem portablen MMS mehrere schleifenförmige Trajektorien mit einer Gesamtlänge zwischen 700 und 800 m aufgezeichnet.

Sowohl die SLAM-basierte, die direkte und die bildbasierte Georeferenzierung wurden qualitativ und quantitativ untersucht. Für die quantitative Untersuchung der Georeferenzierung wurden die Fixpunkte jeweils in mehreren Bildern gemessen und deren Koordinaten mithilfe des Vorwärtseinschnitts im lokalen Bezugsrahmen berechnet. Mit einer 3D-Koordinatentransformation wurden die in den Bildern gemessenen Fixpunkte in den globalen Bezugsrahmen überführt und die Differenzen zu den tachymetrisch bestimmten Fixpunktkoordinaten ausgewiesen.

In der Innenstadt wurde mit der direkten Georeferenzierung ein RMSE der Differenzen zu den Referenzpunkten von 86 cm nachgewiesen und im Wald war der betrug der entsprechende RMSE 147 cm. Mit SLAM-basierter Georeferenzierung wurde in beiden Testgebieten eine um Faktor 2 gesteigerte absolute Genauigkeit erreicht, wobei der RMSE der Differenzen zu den Referenzpunkten in der Stadt 42 cm und im Wald 87 cm betrug. Die in der Stadt erreichten Resultate sind mit den Untersuchungen im Untergrund – in ebenfalls herausfordernder Umgebung – vergleichbar (20 – 23 cm) (Blaser et al., 2018). Im Wald verursachten einige Ausreisser den erhöhten RMSE. Des Weiteren ist anzumerken, dass die untersuchten Trajektorien gegenüber den Trajektorien im Untergrund um Faktor 10 länger sind.

Die bildbasierte Georeferenzierung verspricht, aufgrund der Erfahrungen aus den Untersuchungen im Untertagebau (Blaser et al., 2018) und Indoor (Blaser et al., 2019), eine signifikante Genauigkeitssteigerung um Faktor 10. Diese Resultate werden in der Langfassung publiziert.

Cavegn, S., Blaser, S., Nebiker, S., & Haala, N., 2018: Robust and Accurate Image-Based Georeferencing Exploiting Relative Orientation Constraints. In: ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci., Riva del Garda, Italy, Vol. IV-2, pp 57–64.

Blaser, S., Cavegn, S. & Nebiker, S., 2018: Development of a Portable High Performance Mobile Mapping System using the Robot Operating System. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 4(1), 13-20.

Blaser, S., Nebiker, S. & Wisler, D., 2019: Portables bildbasiertes Mobile Mapping System im Einsatz unter Tage – Systemaufbau, Georeferenzierungs- und Genauigkeitsuntersuchungen. Dreiländertagung. Publikationen der DGPF, Band 28, 458-471.



Seamless Outdoor and Indoor Mapping using a LiDAR-based Multi-Sensor System: Case Study on Kalman-Filter Fusion

A. Javanmard-Gh1, T. Charles2, D. Iwaszczuk1

1Technische Universität Darmstadt, Deutschland; 2Ohio State University, USA

Due to recent developments in field of autonomous systems, pedestrian navigation and Building Information Modeling, increasing interest in 3D indoor maps has been observed. One of main challenges in indoor modelling is registration with outdoor models. A possible solution is seamless outdoor-indoor mapping using a mobile system operating well in both environments.
In this paper, we introduce and compare some indoor and outdoor mapping methods for fusing outputs of a mobile multi-sensor system, such as IMU, GNSS, LiDAR and cameras, where we enhance classical Extenden Kalman Filter (EKF) based methods. In the first places we will show the results of an loosley coupled error-based EKF for navigation, where we exploit the IMU measurments for prediction and the output of the iterative closest point (ICP) algorithm on the point cloud of the LiDARs for correction. Furthermore we will also examine and compare the leverage of different ICP algorithms on the task of pose estimation. Finally, we will use all sensors jointly for 3D-Reconstruction of the scene.



Unsicherheitsauswertung von semantischer Segmentierung mittels Neuronaler Netze

L. E. Budde, S. Schmohl, U. Sörgel

Universität Stuttgart, Institut für Photogrammetrie, Deutschland

Eine häufige Klassifikationsaufgabe in der Bildanalyse im Allgemeinen und in der Fernerkundung im Besonderen ist die sogenannte semantische Segmentierung von Bildern, bei der jedem Pixel eine Klasse zugeordnet wird. State-of-the-art ist die Verwendung von Deep Learning, also künstlichen Neuronalen Netzen. Neben den Klassifikationsergebnissen sind zudem Indikatoren über die Qualität der Klassifikation. Übliche Genauigkeitsmaße zur Beurteilung der Qualität benötigen allerdings Referenzdaten als direkte Vergleichswerte, im Fall der Fernerkundung z.B. ausgewählte Referenzflächen im Testgebiet. Solche Referenzdaten mit bekannten Klassenzuordnungen sind aufwendig in der Erstellung und daher leider nur begrenzt verfügbar. Eine Alternative stellt daher die Quantifizierung der Klassifikations-Unsicherheit dar, bei der Unsicherheiten unmittelbar vom Klassifikationsmodell mitgeliefert werden. In dieser Arbeit präsentieren wir eine detaillierte Analyse dreier aus Monte-Carlo Dropout abgeleiteter Unsicherheitsmaße (Standardabweichung, Shannon Entropie und Mutual Information) und untersuchen diese hinsichtlich ihrer Tauglichkeit, unsichere Pixel zu identifizieren.



 
Impressum · Kontaktadresse:
Datenschutzerklärung · Veranstaltung: Jahrestagung 2020
Conference Software - ConfTool Pro 2.6.135
© 2001 - 2020 by Dr. H. Weinreich, Hamburg, Germany