Zusammenfassung
Die Datenerfassung mit kinematischen Laserscannern wird derzeit als schnellste Lösung zur Erfassung von 3D-Punktwolken angepriesen. Trotz ihrer eindeutigen Vorteile werden die folgenden praktischen Probleme jedoch in der Regel nicht thematisiert. Zunächst einmal sind kinematische Systeme überwiegend als Black Boxes konzipiert, was zu einem Mangel an transparenter Qualitätssicherung führt. Infolgedessen sind Anwender in der Regel nicht in der Lage, die erzielte Qualität eines Datensatzes transparent zu beurteilen. Während in den meisten Fällen davon ausgegangen werden kann, dass das Problem der Minimierung von Widersprüchen innerhalb eines einzelnen kinematischen Datensatzes in den meisten Fällen gelöst ist, gibt es keine fundierten Lösungen für Projekte, bei denen statische und kinematische Daten gemischt werden, sowie für Projekte, bei denen zahlreiche kinematische Datensätze zu prozessieren sind. Lösungen, die auf dem Iterative Closest Point-Algorithmus (Besl und McKay 1992) basieren, sind nicht in der Lage, die innere Geometrie kinematischer Punktwolken zu verändern, um die unvermeidlichen Widersprüche zwischen unterschiedlichen Datensätzen zu minimieren. Der Vorteil der wesentlich schnelleren Datenerfassung durch kinematische Scanner geht mit enormen Datenmengen einher, die in sehr kurzer Zeit erfasst werden können.
Folglich führt dieser Vorteil zu dem offensichtlichen Problem, dass die Grenzen der Rechenressourcen erreicht werden, insbesondere angesichts immer umfangreicherer Projekte. Schließlich kann das Ergebnis eines einzelnen kinematischen Scans durch systematische Fehler oder Ausreißer verzerrt sein. Infolgedessen enthält die resultierende Punktwolke Fehler, die vor der weiteren Verarbeitung korrigiert werden müssen.
Dieser Artikel stellt einen Algorithmus vor, der die oben genannten Schwächen behebt. Er ermöglicht die Minimierung von Widersprüchen zwischen mehreren kinematischen Datensätzen sowie zwischen statischen und kinematischen Punktwolken. Darüber hinaus können verzerrte kinematische Punktwolken mithilfe eines neuartigen adaptiven Verfahrens korrigiert werden. Zudem werden etablierte geodätische Qualitätsmaße abgeleitet, die eine aussagekräftige Qualitätssicherung ermöglichen. Die Leistungsfähigkeit des Algorithmus wird anhand von zwei Datensätzen aus der Praxis demonstriert.
Summary
Data acquisition with kinematic laser scanners is currently being promoted as the fastest solution for observing 3D point clouds. However, despite its clear advantages the following practical issues are typically left out of the discussion. First of all, kinematic systems are predominantly designed as black boxes which yields in a lack of transparent quality assurance metrics. As a result, users are typically not able to transparently assess the achieved quality of a dataset. While the problem of minimising contradictions within a single kinematic dataset can be assumed to be solved in most cases, there are no sound solutions for projects where static and kinematic data is mixed or where numerous kinematic datasets need to be processed. Solutions that are based on the iterative closest point algorithm (Besl and McKay 1992) are not capable of changing the inner geometry of given kinematic point clouds in order to minimise inevitable contradictions among different data sources. The advantage of much faster data acquisition of kinematic scanners comes at the price of huge amounts of data that can be captured in very short amounts of time.
Consequently, this benefit leads to the obvious problem of reaching the limits of computational resources, particularly in the light of ever increasing projects. Lastly, the outcome of a single kinematic scan can be biased by systematic errors or outliers. As a consequence, the resulting point cloud contains errors that need to be corrected before further processing.
This article presents an algorithm that addresses the aforementioned weaknesses. It enables the minimisation of contradictions between several kinematic data sets as well as between static and kinematic point clouds. Furthermore, biased kinematic point clouds can be corrected deploying a novel adaptive procedure. In addition, established geodetic quality measures are derived that enable meaningful quality assurance. The performance of the algorithm is demonstrated on two practical data sets.
Die PDF wird etwa 2 bis 3 Wochen nach Erscheinen der zfv zum Download zur Verfügung gestellt.
