Punktwolke

TLDR: Eine Punktwolke ist eine Sammlung von 3D-Datenpunkten im Raum. Jeder Punkt hat X-, Y-, Z-Koordinaten. Punktwolken ermöglichen die 3D-Wahrnehmung in autonomen Fahrzeugen und Robotern.

Eine Punktwolke ist eine diskrete Menge von Datenpunkten im dreidimensionalen Raum. Jeder Punkt besitzt eine durch kartesische Koordinaten (X, Y, Z) definierte Position. Punkte können auch zusätzliche Attribute tragen: Farbe (RGB), Intensität oder Zeitstempel. Punktwolken repräsentieren die Oberflächen physischer Objekte und Umgebungen. Sie sind die primäre Ausgabe von LiDAR-Sensoren und 3D-Scannern.

Wie Punktwolken erstellt werden

1. LiDAR-Scanning: Ein LiDAR-Sensor sendet Laserimpulse aus und erfasst die Rückkehrzeit jedes einzelnen. Diese Laufzeitdaten liefern präzise 3D-Positionen.
2. Photogrammetrie: Mehrere überlappende Bilder werden verarbeitet, um 3D-Geometrie zu rekonstruieren.
3. Stereovision: Zwei versetzte Kameras imitieren das binokulare Sehen, um Tiefe zu schätzen.
4. Strukturiertes Licht: Ein projiziertes Muster verformt sich über die Objektoberfläche. Eine Kamera erfasst die Verformung und berechnet die Tiefe.

Punktwolken in autonomen Fahrzeugen

Selbstfahrende Autos erfassen dichte Punktwolken mit bis zu 10 Aufnahmen pro Sekunde. Die Punktwolke zeigt das 3D-Layout der Straße, anderer Fahrzeuge und Fußgänger. KI-Modelle, die auf annotierten Punktwolken trainiert wurden, lernen, Objekte im 3D-Raum zu erkennen und zu klassifizieren. Mehrere aufeinanderfolgende Punktwolken-Frames verfolgen sich bewegende Objekte über die Zeit. Dies ist entscheidend für sichere Pfadplanung und Kollisionsvermeidung.

Punktwolken in Robotik und Kartierung

1. SLAM: Roboter erstellen und aktualisieren 3D-Karten unbekannter Umgebungen in Echtzeit.
2. Objektgreifung: Roboterarme nutzen Punktwolken, um die Objektpose vor dem Greifen zu schätzen.
3. Digitale Zwillinge: Fabriken und Städte werden in hochauflösende 3D-Modelle gescannt.
4. GIS und Geländekartierung: Luftgestützte LiDAR-Punktwolken erzeugen digitale Höhenmodelle.

Punktwolken-Verarbeitung für KI

Rohe Punktwolken sind unstrukturiert. KI-Modelle müssen direkt aus unregelmäßigen 3D-Daten lernen. PointNet und PointNet++ sind wegweisende neuronale Architekturen für das Lernen aus Punktwolken. Voxel-basierte Methoden konvertieren Punktwolken in ein reguläres 3D-Gitter für die CNN-Verarbeitung. Die Annotation von Punktwolken ist arbeitsintensiv – jeder Punkt in einem Frame kann eine Klassenannotation benötigen. Die Datensätze von Bright Data umfassen 3D-Sensordaten, um Pipelines für Trainingsdaten für Computer Vision und Robotik zu beschleunigen.