3D mapování s využitím řídkých dat senzoru LiDAR
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
P
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Tato práce se zabývá návrhem nových algoritmů pro zpracování řídkých 3D dat senzorů LiDAR, včetně kompletního návrhu batohovího mobilního mapovacího řešení. Tento výzkum byl motivován potřebou takových řešení v oblasti geodézie, mobilního průzkumu a výstavby. Nejprve je prezentován iterační algoritmus pro spolehlivou registraci mračen bodů a odhad odometrie z měření 3D LiDARu. Problém řídkosti a velikosti těchto dat je řešen pomocí náhodného vzorkování pomocí Collar Line Segments (CLS). Vyhodnocení na standardní datové sadě KITTI ukázalo vynikající přesnost oproti známému algoritmu General ICP. Konvoluční neuronové sítě hrají důležitou roli ve druhé metodě odhadu odometrie, která zpracovává kódovaná data LiDARu do 2D matic. Metoda je schopna online výkonu, zatímco je zachována přesnost, když požadujeme pouze parametry posunu. To může být užitečné v situacích, kdy je vyžadován online náhled mapování a parametry rotace mohou být spolehlivě poskytnuty např. senzorem IMU. Na základě algoritmu CLS bylo navrženo a implementováno batohové mobilní mapovací řešení 4RECON. S využitím kalibrovaného a synchronizovaného páru LiDARů Velodyne a s nasazením řešení GNSS/INS s duální anténou, byl vyvinut univerzální systém poskytující přesné 3D modelování malých vnitřních i velkých otevřených prostředí. Naše hodnocení prokázalo, že požadavky stanovené pro tento systém byly splněny -- relativní přesnost do $5$~cm a průměrná chyba georeferencí pod $12$~cm. Poslední stránky obsahují popis a vyhodnocení další metody založené na konvolučních neuronových sítích -- navržených pro segmentaci země v mračnech bodů 3D LiDARu. Tato metoda překonala současný stav techniky v této oblasti a představuje způsob, jakým může být sémantická informace vložena do 3D laserových dat.
This work deals with the proposal of novel algorithms for sparse 3D LiDAR data processing, including the design of a whole mobile backpack mapping solution. This research was driven by the need for such solutions in the field of geodesy, mobile surveying, and the building construction. Firstly, there is a proposal of the iterative algorithm for reliable point cloud registration and odometry estimation from 3D LiDAR point clouds. The sparsity and the size of these data are overcome using random sampling by Collar Line Segments (CLS). The evaluation, using standard KITTI dataset, showed superior accuracy over the well known General ICP algorithm. Convolutional neural networks play an important role in the second method of odometry estimation, which processes encoded LiDAR data in form of 2D matrices. The method is able to run online, while the accuracy is preserved when only translation motion parameters are required. This can be handy when the online preview of mapping is required and the rotation parameters can be reliably provided by e.g. IMU sensor. Based on the CLS algorithm, mobile backpack mapping solution 4RECON was designed and implemented. Using the calibrated and synchronized pair of Velodyne LiDARS and the deployment of dual antenna GNSS/INS solution, the universal system, providing accurate 3D modeling of both small indoor and large open environments, was developed. Our evaluation proved that the requirements set for this system were fulfilled -- relative accuracy up to $5$~cm and the average error of georeferencing under $12$~cm. The last pages contain the description and the evaluation of another method based on the convolutional neural networks -- designed for ground segmentation of 3D LiDAR point clouds. This method outperformed the current state-of-the-art in this task and represents the way semantics cad be introduced into the 3D laser data.
This work deals with the proposal of novel algorithms for sparse 3D LiDAR data processing, including the design of a whole mobile backpack mapping solution. This research was driven by the need for such solutions in the field of geodesy, mobile surveying, and the building construction. Firstly, there is a proposal of the iterative algorithm for reliable point cloud registration and odometry estimation from 3D LiDAR point clouds. The sparsity and the size of these data are overcome using random sampling by Collar Line Segments (CLS). The evaluation, using standard KITTI dataset, showed superior accuracy over the well known General ICP algorithm. Convolutional neural networks play an important role in the second method of odometry estimation, which processes encoded LiDAR data in form of 2D matrices. The method is able to run online, while the accuracy is preserved when only translation motion parameters are required. This can be handy when the online preview of mapping is required and the rotation parameters can be reliably provided by e.g. IMU sensor. Based on the CLS algorithm, mobile backpack mapping solution 4RECON was designed and implemented. Using the calibrated and synchronized pair of Velodyne LiDARS and the deployment of dual antenna GNSS/INS solution, the universal system, providing accurate 3D modeling of both small indoor and large open environments, was developed. Our evaluation proved that the requirements set for this system were fulfilled -- relative accuracy up to $5$~cm and the average error of georeferencing under $12$~cm. The last pages contain the description and the evaluation of another method based on the convolutional neural networks -- designed for ground segmentation of 3D LiDAR point clouds. This method outperformed the current state-of-the-art in this task and represents the way semantics cad be introduced into the 3D laser data.
Description
Keywords
Citation
VEĽAS, M. 3D mapování s využitím řídkých dat senzoru LiDAR [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. .
Document type
Document version
Date of access to the full text
Language of document
en
Study field
Výpočetní technika a informatika
Comittee
Date of acceptance
Defence
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení