Segmentacja danych otrzymanych z lasera 3D

• Autorzy: Siemiątkowska B. , Szklarski J. , Gnatowski M. , Zychewicz A.

Warianty tytułu

EN

3D laser data segmentation

• Języki publikacji: PL

Abstrakty

PL

Otoczenie robota - wnętrze budynku jak i obszar znajdujący się na zewnątrz może być podzielony na fragmenty, którym następnie możemy przypisać pewne znaczenie semantyczne. Przed przystąpieniem do dokonywania klasyfikacji należy jednak dokonać filtracji i segmentacji danych pomiarowych. W poniższym artykule przedstawione zostaną wyniki segmentacji chmury punktów, którą otrzymujemy na podstawie wskazań laserowego skanera 3D. Zastosowano nowatorską technikę, w której dane pomiarowe zamieniane są na postać kartezjańską, następnie obliczane są wektory normalne do powierzchni, na której punkty leżą. Składowe wektora są normalizowane i zapisywane w reprezentacji RGB. W wyniku opisanej transformacji powstaje kolorowy obraz. Dzięki temu problem segmentacji danych w przestrzeni 3D jest sprowadzony do zadania analizy kolorowych obrazów. Umożliwia to zastosowanie znanych z wizji algorytmów: usuwania szumów, rozrostu ziarna i segmentacji. Przeprowadzone eksperymenty w pomieszczeniu zamkniętym i na zewnątrz budynku potwierdziły efektywność przyjętej metody.

EN

Map building of unknown environment is a part of a navigation system and is one of the most important topics in modern mobile robotics. Many environment representations have been proposed. One of the most popular is 2D representation which has many limitations, for example the height of obstacles is not taken into account. In the last decade 3D sensors are being more popular which enable 3D map building. In our approach the laser scans a scene and gives 2D data. The rotating support rotates the laser vertically, which allows to make 3D scans. The cloud of points is transformed into a set of normal vectors. The coordinates of a vector are represented as: red, green and blue colors. And 3D information is represented as 2D color image. The segmentation of the RGB image is performed using classical image processing methods. 2D areas are transformed into a 3D representation and classified. Experimental results validated the proposed approach and showed the benefits of using classical method of image processing for 3D data segmentation.

Słowa kluczowe

PL

segmentacja; mapy 3D

EN

3D mapping; segmentation

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2010
• Tom: R. 56, nr 3
• Strony: 275--278
• Opis fizyczny: Bibliogr. 13 poz., fot., rys., wzory

Twórcy

autor

Siemiątkowska B.

autor

Szklarski J.

autor

Gnatowski M.

autor

Zychewicz A.

• Instytut Podstawowych problemów Techniki Polskiej Akademii Nauk,

Bibliografia

• [1] Iocci L., Konolige K., Bajracharya M.: Visually realistic mapping of a planar environment with stereo. Experimental robotics 7, pp. 521-532, 2001.
• [2] Gonzales R. C., Woods R. E.: Digital Image Processing,. Prentice Hall, 2002.
• [3] Siemiątkowska B., Olszewski M., Chojecki R., Marcinkiewicz P., Trojanek P. and Majchrowski M.: Mobile robot localization using laser range scanner and omni-camera., CISM Courses and Lectures - 16th CISM-IFToMM Symposium on Robot Design, Dynamics and Control, RoManSy’06, 487 pp. 229-236.
• [4] Zhang Q. and Pless R.: Extrinsic Calibration of a Camera and Laser Range Finder (improves camera intrinsic calibration), in Proc. of IEEE Intl. Conference on Intelligent Robots and Systems, 2004.
• [5] Triebel R., Pfaff P. and Burgard W.: Multi-level surface maps for outdoor terrain mapping and loop closing. Proc. of IROS, pp. 1-2, 2006.
• [6] Thrun S., Martin C., Liu Y., Hahnel D., Emery-Montermelo R., Charkarabli D., Burgard W.: A real-time expectation maximization algorithm for acquiring multiplanar maps of indoor environment with mobile robots, IEEE Trans. on Robotics and Automation, 20(3), pp. 433-443, 2004.
• [7] Siemiątkowska B., Gnatowski M. and Chojecki R.: Cellular neural networks in 3D laser data segmentation. In 9th WSEAS Int. Conf. on Neural Networks, pp. 84-88, 2008.
• [8] Weingarten J. and Siegwart R.: EKF-based 3D SLAM for structured environment reconstruction. In Proc. of IROS 2005, 2005.
• [9] Vosselman G.: Fusion of laser scanning data, maps, and aerial photographs for building reconstruction, Geoscience and Remote Sensing Symposium, vol. 1, 85-88, 2002.
• [10] Siemiątkowska B., Gnatowski M., Zychewicz A.: „Fast Method of 3D Map Building Based on Laser Range Data”, J. of Automation Mobile Robotics & Intelligent Systems, (1), 2007, nr 2, str. 35-39.
• [11] Weingarten J. and Siegwart R.: 3D SLAM using Planar Segments. In Proc. of IROS, Beijing, October 9-15, (2006).
• [12] Haehnel D., Burgard W. and Thrun S.: Learning compact 3d models of indoor and outdoor environments with a mobile robot. Robotics and Autonomous Systems, 44(1):15-27, (2003).
• [13] Liu Y., Emery R., Chakrabarti D., Burgard W. and Thrun S.: Using EM to learn 3D models with mobile robots. In Proc. of the Int. Conf. on Machine Learning (ICML), 2001.