Zusammenfassung
Mobiles Laserscanning (MLS) ermöglicht eine effiziente Erfassung großflächiger industrieller und städtischer Umgebungen, ist jedoch im Vergleich zum terrestrischen Laserscanning stärker von geometrischen Messunsicherheiten geprägt. Besonders kritisch sind Drifteffekte aus der Trajektorienschätzung, die sich entlang des Messwegs orts- und zeitabhängig akkumulieren können. Der Beitrag stellt drei Ansätze vor, um diese Unsicherheiten zu quantifizieren, vorherzusagen und zu reduzieren. Für industrielle Innenräume beschreiben wir eine automatisierte, ebenenbasierte Methode, die MLS-Punktwolken in Fragmente unterteilt und lokale Transformationsparameter gegenüber hochgenauen Referenzdaten schätzt. Dadurch lassen sich Driftmuster sichtbar machen. Ergänzend diskutieren wir einen lernbasierten Ansatz, der Punktwolkenunsicherheiten anhand lokaler geometrischer Merkmale prädizieren soll und Referenzdaten nur während des Trainings benötigt. Erste Ergebnisse zeigen Potenzial, verdeutlichen aber zugleich weiteren Forschungsbedarf. Für städtische Anwendungen schlagen wir schließlich eine adaptive Fragmentierungs- und Registrierungsstrategie vor, mit der MLS-Punktwolken robuster in bestehende Punktwolken oder CityGML-Modelle integriert werden können. Eine zugehörige Software ist frei verfügbar. Insgesamt zeigt der Artikel, dass referenzdatenbasierte Verfahren zur Unsicherheitsanalyse von MLS-Punktwolken bereits praxisnah einsetzbar sind, während maschinelles Lernen eine noch nicht abschließend bewertbare Perspektive für künftige Unsicherheitsmodellierungen bietet.
Summary
Mobile laser scanning (MLS) enables the efficient acquisition of large-scale industrial and urban environments. However, compared to terrestrial laser scanning, it is more strongly affected by geometric measurement uncertainties. Particularly critical are drift effects resulting from trajectory estimation, which may accumulate along the measurement path in a spatially and temporally varying manner. This contribution presents three approaches to quantify, predict and reduce these uncertainties. For industrial indoor environments, we describe an automated plane-based method that divides MLS point clouds into fragments and estimates local transformation parameters with respect to highly accurate reference data. This makes drift patterns visible. In addition, we discuss a learning-based approach that aims to predict point cloud uncertainties from local geometric features. It requires reference data only during training. Initial results indicate its potential, while highlighting the need for further research. For urban applications, we finally propose an adaptive fragmentation and registration strategy that enables MLS point clouds to be integrated more robustly into existing point clouds or CityGML models. The corresponding software is freely available. Overall, the article shows that reference-data-based methods for uncertainty analysis of MLS point clouds are already applicable in practice, whereas machine learning represents a promising perspective for future uncertainty modelling, although its potential cannot yet be conclusively assessed.
Die PDF wird etwa 2 bis 3 Wochen nach Erscheinen der zfv zum Download zur Verfügung gestellt.
