Browse Prior Art Database

Modellbasierte 3D-Lokalisierung zur autarken Navigation

IP.com Disclosure Number: IPCOM000202340D
Original Publication Date: 2010-Dec-14
Included in the Prior Art Database: 2010-Dec-14
Document File: 3 page(s) / 637K

Publishing Venue

Siemens

Related People

Juergen Carstens: CONTACT

Abstract

Mobile Systeme, wie beispielsweise fahrerlose Transportfahrzeuge, navigieren autark und orientieren sich hierbei im Wesentlichen an Landmarken, wie z.B. Kanten. Diese Landmarken werden jedoch nur zweidimensional erfasst. In einer Büro-Umgebung stellt die Beschränkung auf zweidimensionale natürliche Landmarken kein Problem dar. In einem großen Lager dagegen, stehen vor Wänden oft große Maschinen oder es sind Installationen angebracht, so dass ein fahrerloses Fahrzeug die Wand nicht mehr als Landmarke identifizieren kann. Zudem befinden sich dort oft weitere Hindernisse wie z.B. mobile Systeme, Menschen, Paletten und ähnliches. Die Umgebung wechselt ständig, sodass eine dreidimensionale Bestimmung der Lage und Orientierung des fahrerlosen Fahrzeugs notwendig ist. Dies macht die Bestimmung sowohl der Translation des Referenzkoordinatensystems des mobilen Systems in Bezug auf ein ortsfestes Koordinatensystems, als auch die Erfassung der Rotation in drei Rotationsachsen nötig.

This text was extracted from a PDF file.
This is the abbreviated version, containing approximately 51% of the total text.

Page 01 of 3

(This page contains 01 pictures or other non-text object)

(This page contains 00 pictures or other non-text object)

Modellbasierte 3D-Lokalisierung zur autarken Navigation

Idee: Dr. Thomas Woesch, DE-München; Dr. Wendelin Feiten, DE-München; Merten Lipkowski,
DE-Stuttgart

Mobile Systeme, wie beispielsweise fahrerlose Transportfahrzeuge, navigieren autark und orientieren sich hierbei im Wesentlichen an Landmarken, wie z.B. Kanten. Diese Landmarken werden jedoch nur zweidimensional erfasst. In einer Büro-Umgebung stellt die Beschränkung auf zweidimensionale natürliche Landmarken kein Problem dar. In einem großen Lager dagegen, stehen vor Wänden oft große Maschinen oder es sind Installationen angebracht, so dass ein fahrerloses Fahrzeug die Wand nicht mehr als Landmarke identifizieren kann. Zudem befinden sich dort oft weitere Hindernisse wie z.B. mobile Systeme, Menschen, Paletten und ähnliches. Die Umgebung wechselt ständig, sodass eine dreidimensionale Bestimmung der Lage und Orientierung des fahrerlosen Fahrzeugs notwendig ist. Dies macht die Bestimmung sowohl der Translation des Referenzkoordinatensystems des mobilen Systems in Bezug auf ein ortsfestes Koordinatensystems, als auch die Erfassung der Rotation in drei Rotationsachsen nötig.

Systeme nach dem Stand der Technik sind zwar in der Lage den sie umgebenden Raum dreidimensional zu erfassen, aus diesen Informationen werden jedoch nur zweidimensionale Landmarken extrahiert. Dabei werden nur Positionen in der Ebene und die Rotation um die Vertikalachse bestimmt. Hierzu kommt ein zweidimensionaler Laser-Scanner zum Einsatz, der auf einem Servoantrieb befestigt wird. Dies ist in Abbildung 1 dargestellt. Der Servoantrieb dreht den Laser-Scanner um die vertikale Achse. Zunächst werden von jedem einzelnen Bild des zweidimensionalen Laser-Scanners die vertikalen Linien mit Hilfe eines bestimmen Algorithmus extrahiert. Diese werden mit dann mit mehreren horizontalen Flächen geschnitten. Diese horizontalen Flächen werden manuell selektiert, abhängig von der Umgebung. Daraus ergibt sich dann eine Anzahl von Punkten, eine dreidimensionale Punktwolke. Um aus der Punktwolke Landmarken zu extrahieren, werden mit Hilfe eines bestimmten Algorithmus horizontale Linien den Punkten angepasst. Diese horizontalen Linien werden als Landmarken benutzt. Diese sind jedoch nur zweidimensional. Besonders bei großen Gegenstände und Gebäudeteile, die als Landmarken dienen, stellt dieses Vorgehen ein Problem dar. Die daraus resultierende große Punktmenge hat eine hohe Rechenleistung zur Folge und ist daher nicht praxistauglich.

Im Folgenden wird vorgeschlagen, dreidimensionale Objekte in dreidimensionalen Punktwolken automatisiert zu erkennen und zu modellieren. Hierbei werden die Modellparameter aus einer Folge von dreidi...