ForschungMobilität
Klassifikation und Änderungsdetektion in Mobile Mapping LiDAR Punktwolken

Klassifikation und Änderungsdetektion in Mobile Mapping LiDAR Punktwolken

Leitung:  Brenner, Schachtschneider
Team:  Mirjana Voelsen
Jahr:  2019
Ist abgeschlossen:  ja

3D-Modelle der statischen Umgebung zu erstellen ist eine wichtige Aufgabe für das Voranbringen von Fahrerassistenzsystemen und dem autonomen Fahren. Hierzu stehen in dieser Arbeit Mobile Mapping LiDAR Punktwolken aus 14 Messepochen zur Verfügung, die mithilfe eines Voxel Grids zu einer Referenzkarte weiterverarbeitet werden. Ein Voxel Grid ist eine Datenstruktur, die den realen Raum in volumenhafte Elemente unterteilt und die Punktdichte der Punktwolken reduziert. Zusätzlich werden Daten aus einer Strahlverfolgung bereitgestellt, sodass zwischen durchschossenen und unbekannten Voxeln unterschieden werden kann, wodurch sich Verdeckungen erkennen lassen.

Der Ablauf der Datenverarbeitung folgt den folgenden Schritten: Segmentierung der Punktwolken mithilfe von Region Growing, Berechnung von Merkmalen für jedes Segment, Erstellung von Trainingsdaten, Klassifikation der Segmente mit Random Forest in acht Klassen, Eintragen der Klassen in die jeweiligen Voxel, Erstellung einer statischen Referenzkarte und Heatmaps für dynamische Objekte.

Die Klassifikation erreicht eine Genauigkeit von 94% mit den folgenden acht Klassen: Fassade, Kfz, Person, Stange/Pfosten, Zaun, Verkehrszeichen, Fahrrad und Vegetation. Die statische Referenzkarte liefert, unter Berücksichtigung der Strahlverfolgung, sehr gute Ergebnisse, welche bspw. als Referenzkarte in Navigationsgeräten verwendet werden kann. Hier werden temporäre Objekte wie Markisen oder Baugerüste nicht als statisch deklariert, auch wenn sie in der Klassifikation einer statischen Klasse zugewiesen werden. Dies ist durch einen berechneten Wert möglich, der Verdeckungen von Objekten mit einbezieht.

Auch die Heatmaps veranschaulichen deutlich die Bereiche, in denen die ausgewählten dynamischen Objekte häufig vertreten sind. So sind in der Heatmap für Kfz die Parkstreifen an den Straßenrändern und auch gut besuchte Kreuzungen deutlich zu erkennen. In der Heatmap für Personen und Fahrrad(-fahrer) werden vor allem Bereiche vor Geschäften und Cafés hervorgehoben, was den Erwartungen entspricht.

Insgesamt liefert die Kombination der Klassifikation der Segmente mit dem anschließenden Eintragen der Klassen in ein Voxel Grid gute und brauchbare Ergebnisse. Auftretende Komplikationen können durch Ergänzungen verbessert werden. Ein nächsteer Schritt wäre außerdem der automatische Einbezug neu aufgenommener Daten.