Indoor Mapping and Positioning Applications of Hand-Held LiDAR Simultaneous Localization and Mapping (SLAM) Systems

Yıl 2021, , 7 - 16, 17.06.2021

Mustafa Zeybek

https://doi.org/10.51946/melid.927004

Cited By: 6

Öz

Indoor mobile laser scanning (MLS) systems, based on the principles of simultaneous localization and mapping (SLAM), have become an approved method in recent years to obtain indoor environment data. 2D and 3D laser scanning systems based on SLAM algorithms have now become portable systems hand-held and on the back. The SLAM approach instantly determines the necessary positioning and mapping parameters by using the sensors' data and thus produces data representing the environment in 2D or 3D with point clouds. 3D and 2D building plans provide reference base maps for indoor location and positioning. These data are also of high importance for architectural surveys and restoration works, and indoor design. However, the SLAM process generating duplicated and noisy point clouds causes challenges in defining the characteristics of linear edges and planes. In this study, preliminary study results of the methodology applied for the semi-automatic drawing of a building plan from a building section obtained from SLAM data are presented. With this proposed method, it is provided to facilitate indoor drawings and extract 2D planar and geometric information from the complexity of 3D point clouds. Since the proposed study is becoming an adaptive methodology, it is a method capable of development, and it is thought that performance criteria can be increased.

Anahtar Kelimeler

Point cloud, LiDAR, Hand-held laser scanner, Indoor mapping, Building plan extraction, Building Information Modeling (BIM)

Teşekkür

The author thanks Geomatics Group Surveying company and Survey Engineer Melih Ergün for measuring and sharing the data used in the study.

El-tipi LiDAR Eş Zamanlı Konumlama ve Haritalama (SLAM) Sistemlerinin İç Mekân Haritalama ve Konumlandırma Amaçlı Uygulamaları

Öz

Eşzamanlı konumlandırma ve haritalama (SLAM) prensiplerine dayanan iç mekân mobil lazer tarama (MLS) sistemleri, iç mekan ortam verilerinin elde edilmesinde son yıllarda tercih edilen bir yöntem haline gelmiştir. SLAM algoritmaları temelli 2B ve 3B lazer tarama sistemleri günümüzde artık elde ve sırtta taşınabilir portatif bir sistem halini almıştır. SLAM yaklaşımı, sensörlerden gelen verileri kullanarak gerekli konumlandırma ve haritalama amaçlı parametreleri anlık olarak çözüme ulaştırmaktadır ve bu sayede ortamı 2B veya 3B olarak nokta bulutlarıyla temsil eden verileri üretmektedir. 3B ve 2B bina planları, iç mekân konumlandırma amaçlı referans altlık haritalar sunmaktadır. Üretilen bu veriler aynı zamanda mimari rölöve ve yenileme çalışmaları için ve iç mekan tasarımlarında da büyük bir öneme sahiptir. Ancak SLAM sürecinin tekrarlı ve gürültülü nokta bulutlarını üretmesi doğrusal hatların ve düzlemlerin karakteristiğinin tanımlanmasında zorluklara neden olmaktadır. Bu çalışmada, SLAM verilerinden elde edilmiş bir binanın yarı otomatik olarak bir kesit üzerinden bina planının çıkarımı için uygulanan metodolojinin ön çalışma sonuçları sunulmuştur. Önerilen bu yöntem ile iç mekan çizimlerinin kolaylaştırılması ve 3B nokta bulutlarının karmaşasından 2B düzlemsel ve geometrik bilgilerin çıkarımının kolaylaştırılması sağlanmıştır. Önerilen çalışma adaptif bir metodolojiye açık olduğu için geliştirilmeye açık bir yöntemdir ve performans kriterlerinin artırılabileceği düşünülmektedir.

Anahtar Kelimeler

Nokta bulutu, LiDAR, El-tipi lazer tarayıcı, İç mekan haritalama, Bina planı çıkarımı, Bina bilgi modeli

Kaynakça

• Alexa M, Behr J, Cohen-Or D, Fleishman S, Levin D & Silva C T (2003). Computing and rendering point set surfaces. Ieee Transactions on Visualization and Computer Graphics, 9(1), 3-15. doi:10.1109/Tvcg.2003.1175093
• Aybar E (2008). Sobel işleci kullanılarak renkli görüntülerde kenar bulma. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 8(1), 205-217.
• Bauwens S, Bartholomeus H, Calders K & Lejeune P (2016). Forest Inventory with Terrestrial LiDAR: A Comparison of Static and Hand-Held Mobile Laser Scanning. Forests, 7(12). doi:10.3390/f7060127
• Dewez T J B, Yart S, Thuon Y, Pannet P & Plat E (2017). Towards cavity-collapse hazard maps with Zeb-Revo handheld laser scanner point clouds. The Photogrammetric Record, 32(160), 354-376. doi:10.1111/phor.12223
• Fengguang X & Xie H (2017). A 3D surface matching method using keypoint- based covariance matrix descriptors. Ieee Access, 5, 14204-14220. doi:10.1109/ACCESS.2017.2727066
• Fischler M A & Bolles R C (1981). Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography. Commun. ACM, 24(6), 381-395. doi:10.1145/358669.358692
• Girardeau-Montaut D (2019). Cloudcompare GPL software verison 2.10. Erişim Linki https://www.danielgm.net/cc/. Erişim tarihi: 08 December 2020
• Gopi S, Sathikumar R & Madhu N (2018). Adavanced Surveying, Total Station, GPS, GIS and Remote Sensing.
• Grizonnet M, Michel J, Poughon V, Inglada J, Savinaud M & Cresson R (2017). Orfeo ToolBox: open source processing of remote sensing images. Open Geospatial Data, Software and Standards, 2(1), 15. doi:10.1186/s40965-017-0031-6
• Güler M (2018). Lidar Verisinden Bina Çatı Düzlemlerinin Otomatik Çıkarımı ve Modellemesi. Hacettepe Üniversitesi, Ankara.
• James M R & Quinton J N (2014). Ultra-rapid topographic surveying for complex environments: the hand-held mobile laser scanner (HMLS). Earth Surface Processes and Landforms, 39(1), 138-142. doi:10.1002/esp.3489
• Karakaş G & Türker M (2019). Yüksek Çözünürlüklü Ortofoto ve Lidar Verisinden Hough Dönüşümü ve Algısal Gruplama Kuralları ile Bina Sınırlarının Çıkarımı. Afyon Kocatepe University Journal of Sciences and Engineering, 19(3), 716-731. doi:10.35414/akufemubid.559183
• Karasaka L (2012). Mobil yersel lazer tarama sistemlerinin fotogrametrik rölöve projelerinde kullanılabilirliği üzerine bir çalışma. (Doktora). Selçuk Üniversitesi Konya.
• Karslı F & Pfeifer N (2012). Ransac Algoritması ile Lidar Verilerinden Otomatik Detay Çıkarımı. Paper presented at the IV. Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Sempozyumu (UZAL-CBS 2012), Zonguldak.
• Ketenci S (2011). Otomatik tohumlandırmalı bölge büyütme metoduyla renkli görüntülerde bölge ve kenar tespiti. (Yüksek Linsans). Karadeniz Teknik Üniversitesi, Trabzon.
• Nurunnabi A, West G & Belton D (2015). Outlier detection and robust normal-curvature estimation in mobile laser scanning 3D point cloud data. Pattern Recognition, 48(4), 1404-1419. doi:10.1016/j.patcog.2014.10.014
• Rabbani T, Van Den Heuvel F & Vosselmann G (2006). Segmentation of point clouds using smoothness constraint. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 36(5), 248-253.
• Rusu R B (2010). Semantic 3D object maps for everyday manipulation in human living environments. KI - Künstliche Intelligenz, 24(4), 345-348. doi:10.1007/s13218-010-0059-6
• Sammartano G & Spanò A (2018). Point clouds by SLAM-based mobile mapping systems: accuracy and geometric content validation in multisensor survey and stand-alone acquisition. Applied Geomatics. doi:10.1007/s12518-018-0221-7
• Sevgen S C, Karslı F & Pfeifer N (2018). Lidar Verisinden Otomatik Bina Çatı Düzlemi Çıkarmada Ransac Algoritmasının İyileştirilmesi. Paper presented at the VII. Uzaktan Algılama-CBS Sempozyumu (UZAL-CBS 2018), Eskişehir.
• Shamseldin T, Manerikar A, Elbahnasawy M & Habib A (2018). SLAM-based Pseudo-GNSS/INS Localization System for Indoor LiDAR Mobile Mapping Systems. 2018 Ieee/Ion Position, Location and Navigation Symposium (Plans), 197-208.
• Sirmacek B, Shen Y, Lindenbergh R, Zlatanova S & Diakite A (2016). Comparison of Zeb1 and Leica C10 Indoor Laser Scanning Point Clouds. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, III-1, 143-149. doi:10.5194/isprs-annals-III-1-143-2016
• Sümer E & Türker M (2013). Cephe dokularının tekli yersel bina görüntülerinden bölge büyütme tabanlı bir yaklaşım kullanılarak otomatik çıkarımı. Jeodezi ve Jeoinformasyon Dergisi(107), 49-57.
• Team R C (2020). R: A Language and Environment for Statistical Computing. Erişim Linki https://cran.r-project.org/. Access date: 21/04/2021
• Velas M, Spanel M, Sleziak T, Habrovec J & Herout A (2019). Indoor and Outdoor Backpack Mapping with Calibrated Pair of Velodyne LiDARs. Sensors, 19(18). doi:10.3390/s19183944
• Weinmann M, Dittrich A, Hinz S & Jutzi B (2013). Automatic Feature-Based Point Cloud Registration for a Moving Sensor Platform. Isprs Hannover Workshop 2013, 40-1(W-1), 373-378.
• Yadav M & Singh A K (2018). Rural Road Surface Extraction Using Mobile LiDAR Point Cloud Data. Journal of the Indian Society of Remote Sensing, 46(4), 531-538. doi:10.1007/s12524-017-0732-4
• ZEB-REVO (2019). GeoSLAM ZEB-REVO. Retrived From https://geoslam.com/solutions/zeb-go/. Access Date: 6 Nisan 2021
• Zeybek M (2019). El-tipi LiDAR ölçme sistemleri ve 3B veri işleme. Türkiye Lidar Dergisi, 1(1), 10 - 15.