Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 4

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  mapa 3D
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
PL
Planowanie przestrzenne sensorów obserwacyjnych na śródlądowych drogach wodnych wymaga opracowania trójwymiarowej mapy akwatorium, na podstawie której możliwe jest wstępne określenie pozycji kamery CCTV bądź radaru. Mając na uwadze przestrzenny charakter planowania, mapa taka powinna w odpowiedni sposób reprezentować obiekty rzeczywiste zarówno w aspekcie ich identyfikacji jak również przeprowadzenia analizy widoczności. W przypadku tworzenia różnych obiektów mapy największe trudności wystąpiły podczas modelowania drzew. Biorąc pod uwagę ich liczebność i znaczenie w przestrzennym planowaniu sensorów, opracowanie odpowiednich modeli oraz ich implementacja w mapie wymagały zastosowania dla nich zróżnicowanej reprezentacji geometrycznej. Poziom szczegółowości modeli związany jest głównie z charakterem terenu badanego akwatorium, który ogólnie można podzielić na teren zurbanizowany, niezurbanizowany oraz portowy. Nawiązując do standardu City GML, roślinność można przedstawić w postaci indywidualnych modeli roślinności (np. pojedyncze drzewo) oraz modeli reprezentujących ich zgrupowania (np. obszar zalesiony). W przypadku obszarów zurbanizowanych i portowych przeważały drzewa pojedyncze oraz zgrupowane na niewielkich obszarach, natomiast na niezurbanizowanych obszary zalesione. W związku z powyższym w artykule zaprezentowano metody modelowania drzew dostosowanych do typu obszaru, co sprowadzało się do opracowania odpowiednich modeli powierzchniowych oraz pojedynczych modeli drzew. Stworzenie odpowiednich modeli drzew dostosowanych do charakteru obszaru akwatorium umożliwia przeprowadzenie odpowiednich analiz przestrzennych z wykorzystaniem dedykowanej mapy trójwymiarowej.
EN
Spatial planning of observation sensors on inland waterways requires creating a 3D map of water area, on which basis defining an initial position of a CCTV camera or radar is possible. Bearing in mind the spatial character of planning, such a map should represent in a proper way real objects in aspect of their identification as well as visibility analysis. In case of creating different map objects the most difficulties occurred during process of trees modeling. Taking in consideration their quantity and importance in spatial planning of sensors, developing adequate models and their implementation in 3D map required applying diversified geometric representation. The level of model details related mainly with the character the water area, which can be classified as urbanized, not urbanized or port terrain. Referring to the CityGML standard, vegetation can be represented in the form of individual vegetation model (eg. single tree) or the models representing their groups (eg. wooded area). In the case of urban and port areas single trees or their small groups are dominating, while in the non-urbanized terrain wooded areas are dominant. Accordingly, the article presents methods for threes modelling adapted to the type of terrain, which amounted to developing appropriate surface models and individual tree models. The creation of appropriate tree models adapted to the nature of the area allowed for the appropriate spatial analysis using a dedicated three-dimensional map.
EN
The following paper shows an improvement of the 3D map-building algorithm and 3D map fast rendering using Compute Unified Device Architecture (CUDA). A computational intelligence algorithm has been applied to approximate 3D LRF data. The 3D data are acquired using 3D Laser Range Finder based on LRF SICK400 mounted onto rotated head of the robot chassis. The new idea of 3D map model is shown. The approximation is performed using the support vector machine (SVM) algorithm that allows to trade off between the model complexity and fitting accuracy. Hough Transform is implemented to obtain the approximation of the flat areas. The composition of the non-linear SVM function and linear function of the Hough algorithm result is implemented to obtain proper representation of the robot environment.
PL
W niniejszym artykule przedstawiono algorytm budowy trójwymiarowej sceny 3D oraz możliwość jej szybkiego odtwarzania z wykorzystaniem architektury obliczeń równoległych CUDA (Compute Unified Device Architecture). Algorytm sztucznej inteligencji zastał zastosowany do aproksymacji danych 3D zebranych z laserowego czujnika odległości. Dane do eksperymentu zostały zebrane z laserowego czujnika odległości LRF SICK 400 zamontowanego na obrotowej głowicy umieszczonej na robocie mobilnym. W artykule zaprezentowano nowe podejście do budowy trójwymiarowej mapy otoczenia. Aproksymacja została zrealizowana przy użyciu algorytmu maszyny wektorów wspierających SVM (Support Vector Machine) pozwalającego na zapewnienie równowagi pomiędzy złożonością modelu a dokładnością obliczeń. Transformata Hough-a została zaimplementowana w celu aproksymacji płaskich powierzchni. Połączenie nieliniowej funkcji SVM oraz liniowej funkcji transformaty Hough-a pozwala na otrzymanie poprawnej reprezentacji otoczenia robota.
3
Content available remote Co dalej ze stereoortofoto?
PL
W zaprezentowanym artykule przedstawiono wyniki efektywności pomiarów aktualizacyjnych w oparciu o pięć przykładowych sekcji mapy w skali 1:1250 miasta Abu Dhabi (Zjednoczone Emiraty Arabskie). Pomiary były wykonywane technologią fotogrametrii cyfrowej z wykorzystaniem ImageStation oraz SSK firmy Intergraph. Ponadto w opracowaniu przybliżono problematykę digitalizacji stereoskopowej materiałów pochodzących z systemów klasy 2.5D.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.