Crowdbasierte Erfassung und Modellierung von Fahrzeugen aus 3D-Punktwolken

Masterarbeit am ifp - Ivan Shiller

Ivan Shiller

Crowdbasierte Erfassung und Modellierung von Fahrzeugen aus 3D-Punktwolken

Dauer der Arbeit: 6 Monate
Fertigstellung: Juni 2020
Betreuer: M.Sc. Michael Kölle, Dr.-Ing. Volker Walter
Prüfer: Prof. Dr.-Ing. Uwe Sörgel


 

Motivation und Ziel

Moderne Methoden der Geodatenbearbeitung, wie das maschinelle Lernen erfordern oft großer Mengen von annotierten Daten, die als Trainingsdaten verwendet werden. Der Erzeugung solcher Trainingsdaten ist ein ist meistens ein zeitlich anstrengender Prozess. Crowdsourcing bietet eine Möglichkeit zum Reduzieren der Zeit- und Kostenaufwand solcher Aufgaben. Dabei wird die Arbeit, die früher von qualifizierten Mitarbeitern ausgeführt wurde durch das Anbieten bei Online-Communities an andere ausgelagert. Das Ziel dieser Arbeit besteht darin, ein webbasiertes Programm zur Erfassung und Modellierung von Fahrzeugen aus 3D Punktwolken zu entwickeln. Dabei wird ein für das Crowdsourcing Projekte geeignetes Webinterface entwickelt. Somit muss das Programm sowohl eine präzise Erfassung der Fahrzeuge ermöglichen, als auch über ein benutzerfreundliches GUI (Graphical User Interface) verfügen. Außerdem werden bei den Crowdsourcingkampagnen unterschiedliche Zahlungsmodelle hinsichtlich der Qualität der Ergebnisse untersucht. Konkret bedeutet dies, dass die gleichen Datensätze im Rahmen der unterschiedlichen Kampagnen bearbeitet werden. Anschließend werden die Ergebnisse miteinander verglichen und die Einflüsse der verwendeten Zahlungsmodelle analysiert.

Vorgehensweise

Die Erfassung und Modellierung von Fahrzeugen wird durch die Verwendung der 3D Modelle zusammen mit 3D Punktwolken realisiert. Damit können die Datenmanipulationen in einer verständlichen und intuitiv klaren Form durchgeführt werden. Abbildung 1 stellt die Benutzeroberfläche des entwickelten Programms dar. Dabei werden die 3D Fahrzeugmodelle zu den Punktwolkenausschnitten angepasst. Die Modelle sind dabei beweglich, drehbar und skalierbar. Auch der Typ kann aus elf vorhandenen Modellen ausgewählt werden. Durch diese Modellparameter werden die Fahrzeuge am Ende der Erfassung eindeutig definiert.

Abbildung 1. Web-Interface des entwickelten Programms

Die Qualitätskontrolle wird benötigt, um die Missbrauchsfälle und die qualitativ minderwertige Erfassungen auszuschließen. Um die Qualität einer Erfassung zu schätzen, werden unterschiedliche Merkmale untersucht: die Anzahl der zum Modell nahliegenden Punkten, die Punktdichte und die Punkteverteilung im Modellbereich und andere Aspekte.
Außerdem werden weitere Programme entwickelt, die die Bearbeitung und die Darstellung der gesammelten Ergebnisse realisieren. Die Abbildung 2 zeigt eine beispielhafte Erfassung.

Abbildung 2. Beispielhafte Erfassung (rechts) einer Punktwolke (links)

Ergebnisse und Fazit

Die im Rahmen dieser Arbeit gesammelten Ergebnisse wurden mit dem Referenzdatensatz verglichen. Dadurch wurden eine durchschnittliche Positionsabweichung von ca. 6 cm und eine durchschnittliche Rotationsabweichung von ca. 3° berechnet. Die erfassten Fahrzeuge werden in der Abbildung 3 zusammen mit der Gesamtpunktwolke dargestellt.

Abbildung 3. Darstellung der Ergebnisse in der Gesamtpunktwolke

Außerdem wurden unterschiedliche Zahlungsmodelle getestet. Dabei wurden die gleichen Daten in unterschiedlichen Kampagnen bearbeitet. Bei einer Kampagne wurde ein Bonus in Abhängigkeit von der erreichten Qualität ausgezahlt. Bei einer anderen Kampagne wurde die Höhe der Belohnung konstant gehalten. Bei der Referenzkampagne wurde die Auszahlungshöhe ebenfalls konstant gehalten. Außerdem wurde dabei das Erreichen des Mindestwertes bei der Qualitätskontrolle nicht erforderlich. Die Ergebnisse dieser Kampagnen werden in der Abbildungen 4 und 5 zusammengefasst.

Abbildung 4. Vergleich der Kampagnen hinsichtlich der geschätzten Erfassungsqualität
Abbildung 5. Vergleich der durchschnittlichen Ergebnisse der Kampagnen

In dieser Arbeit wurde aufgezeigt, dass die Erfassung von Fahrzeugen aus 3D Punktwolken mit Hilfe des Crowdsourcings erfolgreich realisiert werden kann. Die entwickelte Methode der automatischen Plausibilitätskontrolle hat im Rahmen der durchgeführten Kampagnen einen positiven Effekt gezeigt. Bei dem Vergleich der unterschiedlichen Zahlungsmodelle wurde festgestellt, dass die Einführung einer Qualitätskontrolle tatsächlich häufiger zu qualitativ hochwertigen Ergebnissen führt. Das Zahlungsmodell, bei dem die Crowdworker abhängig von dem Qualitätswert der erreichten Ergebnisse vergütet wurden, hat einige positive Tendenzen gezeigt. Allerdings kann mit Hilfe des berechneten Preis-Leistung-Verhältnisses eine Aussage getroffen werden, dass die Kampagne ohne Bonus sich als die beste herausgestellt hat.

Ansprechpartner

Dieses Bild zeigt Volker Walter
Dr.-Ing.

Volker Walter

Gruppenleiter Geoinformatik

Zum Seitenanfang