NeRFs vs. SLAM: Ein neuer Standard im 3D-Mapping

3D Mapping geht darum, digitale Modelle von realen Szenen zu erstellen. Diese Modelle werden oft als Punktwolken dargestellt, die Sammlungen von Punkten im dreidimensionalen Raum sind. Punktwolken sind wichtig für viele Bereiche, darunter Bau, Stadtplanung und Forstwirtschaft. Zum Beispiel helfen sie dabei, Baumgrössen abzuschätzen, was eine Rolle in Klimastudien spielt.

#Traditionelle Methoden der 3D Kartierung

Traditionell hat die Erstellung von 3D-Karten eine Technologie namens LiDAR (Light Detection and Ranging) verwendet. LiDAR misst Distanzen mit Laserstrahlen. Eine gängige Anwendung ist das terrestrische Laserscanning (TLS), bei dem ein Laserscanner auf einem Stativ aufgestellt wird, um einzelne Scans des Gebiets zu machen. Obwohl TLS qualitativ hochwertige Karten produzieren kann, gibt es Herausforderungen, wie das Zusammenfügen von Scans aus verschiedenen Positionen. Dieser Prozess kann schwierig sein, besonders bei komplexen Formen. Ausserdem können TLS-Systeme ziemlich teuer sein, was sie für viele Anwendungen unzugänglich macht.

Um einige der Einschränkungen von TLS zu überwinden, haben Forscher mobile Roboter in Kombination mit einer Methode namens SLAM (Simultaneous Localization and Mapping) untersucht. SLAM ist eine fortschrittliche Technik, die es Robotern ermöglicht, Karten ihrer Umgebung zu erstellen und dabei ihre Position im Blick zu behalten. Allerdings erfordert SLAM auch teure Ausrüstung, einschliesslich hochwertiger LiDAR-Sensoren und anderer Hardware.

#Neue Ansätze in der 3D Kartierung

Neueste Fortschritte in der Computer Vision und im Deep Learning haben zu neuen Methoden für 3D-Kartierung geführt. Eine der spannendsten Entwicklungen sind Neural Radiance Fields (NeRFs). NeRFs ermöglichen die Erstellung von 3D-Modellen mit einer kleinen Anzahl von Bildern. Im Gegensatz zur traditionellen Photogrammetrie, die viele Bilder benötigt, um effektiv zu arbeiten, können NeRFs detaillierte 3D-Geometrien mit weniger Eingaben erzeugen. Sie funktionieren auch mit Standard-Smartphone-Kameras, was sie zugänglicher und erschwinglicher macht.

#Vergleich von NeRFs und SLAM

In einer aktuellen Studie wurde ein Experiment eingerichtet, um zwei NeRF-Rekonstruktionen mit SLAM-basierten Karten zu vergleichen. Der Fokus lag darauf, den Durchmesser eines PVC-Rohres zu messen, das 40 cm breit und drei Meter hoch ist. Zwei verschiedene Methoden wurden verwendet, um Daten für die NeRFs zu sammeln. Die erste Methode verwendete eine iPhone-Kamera, während die zweite einen Roboter mit fortgeschrittenen Sensoren verwendete.

Beide NeRF-Methoden wurden mit den Ergebnissen verglichen, die durch SLAM mit einem LiDAR-ausgestatteten Roboter erzielt wurden. Ziel war es, zu sehen, wie gut die NeRF-Modelle mit den SLAM-Ergebnissen in Bezug auf Rauschen und Genauigkeit übereinstimmten.

#Vorteile und Nachteile traditioneller Techniken

LiDAR-Systeme sind zwar effektiv, bringen jedoch hohe Kosten und technische Herausforderungen mit sich. Die Notwendigkeit mehrerer Scans kann zu Inkonsistenzen und Fehlern in der finalen Karte führen. Zudem erhöht die Komplexität der in SLAM verwendeten Geräte die Gesamtkosten. Die Kosten für hochwertige LiDAR- und Sensorsysteme können zwischen 10.000 und 25.000 Dollar liegen, was sie weniger zugänglich macht.

Im Gegensatz dazu können NeRFs Bilder von normalen Smartphones verwenden. Das bedeutet, dass die Erstellung von 3D-Modellen viel günstiger und einfacher wird. Für viele Anwendungen, besonders solche, die schnelle Bewertungen oder weniger komplexe Umgebungen erfordern, können NeRFs eine valide Alternative sein.

#Das Experiment

Im Experiment wurde das PVC-Rohr in einem Betonhof platziert. Zwei NeRF-Rekonstruktionen wurden erstellt. Das iPhone sammelte Bilder und Daten über eine Anwendung, die Kamerapositionen bereitstellt, während der Roboter Bilder sammelte und Pose aus seinen Sensoren ableitete.

Der letzte Schritt bestand darin, die von NeRF erzeugten Modelle mit der Punktwolke zu vergleichen, die durch den SLAM-Ansatz generiert wurde. Dieser Vergleich betrachtete die Qualität der Karten und die Genauigkeit des geschätzten Durchmessers des PVC-Rohres.

#Analyse der Ergebnisse

Die anfängliche visuelle Ausgabe beider NeRF-Methoden war beeindruckend. Allerdings gab es einige Mängel. Das Roboter-NeRF zeigte einige Löcher im rekonstruierten Boden aufgrund von schlechten Lichtverhältnissen.

Bei den Metriken stellte sich heraus, dass das vom iPhone produzierte NeRF in Bezug auf einige Qualitätsmessungen besser abschneidet als das Roboter-NeRF. Interessanterweise erzielte das Roboter-NeRF trotz seiner insgesamt schlechteren Leistung in einem spezifischen strukturellen Ähnlichkeitsindex bessere Ergebnisse. Dieses Ergebnis deutet darauf hin, dass unterschiedliche Faktoren zu den Gesamtergebnissen beigetragen haben, wie Kamerabelichtung und Lichtverhältnisse während der Datensammlung.

Obwohl das LiDAR-System eine dichte Punktwolke erzeugte, reduzierte es signifikant die Anzahl der Punkte, wenn der Fokus auf das PVC-Rohr gelegt wurde. Im Gegensatz dazu nutzten NeRFs ihre Methodik, um eine viel höhere Darstellung des Objekts zu ermöglichen, ohne Details zu verlieren.

#Erkenntnisse zur Rekonstruktionsgenauigkeit

Weitere Analysen wurden zur Genauigkeit der Durchmesserabschätzungen für das PVC-Rohr durchgeführt. Die Punktwolkenrekonstruktionen aus der SLAM-Methode, NeRF-LIOSAM-Fusion und den NeRF-Capture-Methoden wurden verglichen. Die Studie stellte fest, dass NeRF-Modelle insgesamt weniger Rauschen zeigten als LiDAR-Scans. Dieses Ergebnis deutet darauf hin, dass die SLAM-Methode möglicherweise Kalibrierungsprobleme hatte, die zu nicht ausgerichteten Scans führten.

Obwohl beide NeRF-Methoden ein gewisses Rauschen aufwiesen, lieferten sie dennoch anständige Schätzungen des Durchmessers des Rohres. Die Roboter-Methode schätzte den Durchmesser um 2,2 bis 2,7 cm ab, während der SLAM-Ansatz innerhalb von 5 mm der tatsächlichen Grösse lag. Das deutet darauf hin, dass NeRFs nützliche Messungen liefern können, auch mit weniger Ressourcen.

#Fazit

Die Ergebnisse deuten darauf hin, dass NeRFs eine praktikable Option für 3D-Kartierungs- und Messaufgaben sind. Diese Forschung zeigt, dass sowohl Roboter- als auch Smartphone-Daten effektiv zur Erstellung von NeRF-Rekonstruktionen verwendet werden können.

Die Studie hob hervor, wie NeRF-Methoden weniger rauschende Ergebnisse liefern als traditionelle SLAM-Techniken, die auf teure Geräte angewiesen sind. Zudem liegt die Genauigkeit der Durchmesserschätzungen aus NeRF-Daten in einem akzeptablen Bereich im Vergleich zu hochwertigen SLAM-Methoden.

Zusammenfassend hat der Einsatz von NeRFs grosses Potenzial in Kartierungsaufgaben. Die Fähigkeit, detaillierte 3D-Modelle mit alltäglichen Kamera-Ausrüstungen zu erfassen, könnte zu schnelleren und günstigeren Kartierungslösungen führen, insbesondere in Bereichen wie Forstwirtschaft und Umweltüberwachung. Mit weiteren Studien könnten sich Möglichkeiten ergeben, NeRF-Techniken mit bestehenden SLAM-Algorithmen zu integrieren, um die Kartierungsgenauigkeit und Effizienz weiter zu verbessern.