【技术实现步骤摘要】
提供对3D测量数据生成的反馈的移动现实捕获装置
[0001]本专利技术涉及一种通过被配置成在3D测量数据的生成期间被搬运(carried)和移动的移动现实捕获装置来提供环境的3D测量的系统。
技术介绍
[0002]举例来说,建筑物和周围地形的3D测量是建筑师或工匠所关注的,以便分别快速评估房间的实际状况或者建筑工地的施工进度,例如有效且高效地计划接下来的工作步骤。借助于实际状态的数字可视化(例如,采用点云或矢量文件模型的形式),或者借助于增强现实功能,可以检查用于另一些步骤的不同选项或者扩展选项,并且可选地以容易访问的方式将所述选项呈现给雇员或客户。
[0003]再例如,将3D测量用于环境的地图构建(mapping),例如,用于生成建筑物的楼层和房间平面图、地下设施的隧道平面图、或者工厂中的管道地图。
[0004]可以例如借助于光飞行时间方法或摄影测量法对环境进行光学扫描,以便测量场景的3D坐标。例如,借助于发射测量激光束(laser measurement beam)的激光扫描仪,例如使用脉冲化电磁辐射,来对环境进行扫描,其中,接收来自环境的反向散射表面点的回波,并且获得距该表面点的距离并将该距离与关联的测量激光束的角发射方向相关联。这样,生成三维点云。例如,距离测量可以基于脉冲的飞行时间、形状和/或相位。
[0005]对于附加信息,可以例如借助于RGB摄像机或红外摄像机,来将激光扫描仪数据与摄像机数据组合,例如提供高分辨率光谱信息。
[0006]例如,在激光雷达(光检测和测距)扫描 ...
【技术保护点】
【技术特征摘要】
1.一种提供环境(31)的3D测量的系统,所述系统包括移动现实捕获装置(1),所述移动现实捕获装置被配置成在3D测量数据的生成期间被搬运和移动,其中,所述系统包括:
·
3D测量单元,所述3D测量单元设置在所述移动现实捕获装置(1)上,并且所述3D测量单元被配置成提供所述3D测量数据的生成,用于执行所述环境(31)相对于所述移动现实捕获装置(1)的空间3D测量,其中,所述3D测量单元被配置成,以绕第一装置轴线(8)的360度视场以及绕垂直于所述第一装置轴线(8)的第二装置轴线(11)的120度视场来提供所述空间3D测量,
·
惯性测量单元(20),所述惯性测量单元包括具有加速度计和/或陀螺仪的传感器,并且所述惯性测量单元被配置成,连续地生成与所述移动现实捕获装置(1)的姿势和/或加速度相关的IMU数据,以及
·
同时定位和地图构建单元,所述同时定位和地图构建单元被配置成执行同时定位和地图构建过程,所述同时定位和地图构建过程包括生成所述环境的地图以及确定所述移动现实捕获装置(1)在所述环境的所述地图中的轨迹,其特征在于,所述系统包括运动状态跟踪器(19),所述运动状态跟踪器被配置成,使用与所述移动现实捕获装置(1)的移动有关的运动数据来确定所述移动现实捕获装置(1)的运动模式(21),其中,如果所确定的运动模式(21)与关联至所述移动现实捕获装置(1)的环境特定测量移动的定义移动类别(23)相对应,则所述系统被配置成,针对所述环境特定测量移动,自动地执行所述移动现实捕获装置(1)的预期运动模式(26)的获得,并且执行所确定的运动模式(21)与所述预期运动模式(26)的比较,其中,所述系统被配置成,提供与所确定的运动模式(21)和所述预期运动模式(26)的比较有关的反馈(27),特别是其中,所述移动现实捕获装置(1)被配置成,考虑所述反馈(27)以自动地执行与所述预期运动模式(26)相关联的动作。2.根据权利要求1所述的系统,其中,所述系统包括数据库,所述数据库包括多个定义运动模式(26),各个定义运动模式与所述移动现实捕获装置(1)的环境特定测量移动相关联,特别是其中,各个定义运动模式(26)是预定义的或者用户定义的,其中,所述数据库被用于所确定的运动模式(21)的归类和/或所述预期运动模式(26)的所述获得。3.根据权利要求2所述的系统,其中,所述系统被配置成,与远程服务器计算机建立数据连接,并且向所述远程服务器计算机提供运动数据,其中,所述系统被配置成:
·
根据所述运动数据来检测所述移动现实捕获装置(1)的搬运者(30)的典型行为,并且向所述远程服务器计算机发送对应的运动数据,其中,所发送的数据被专用于更新存储在所述远程服务器计算机处的预定义运动模式,并且
·
从所述远程服务器计算机接收经更新的预定义运动模式。4.根据前述权利要求中的一项所述的系统,其中,所述预期运动模式(26)提供:
·
所述移动现实捕获装置(1)关于所述移动现实捕获装置(1)的三个相互垂直的旋转轴线的标称取向或一序列标称取向,和/或
·
所述移动现实捕获装置(1)相对于所述移动现实捕获装置(1)的当前位置的关于三个相互垂直的空间轴线的标称相对位置变化或者一序列标称相对位置变化。5.根据前述权利要求中的一项所述的系统,其中,所确定的运动模式(21)与所述定义
移动类别(23)的对应关系和/或所述预期运动模式(26)的所述获得是由机器学习算法(22)来提供的,所述机器学习算法包括由卡尔曼滤波器处理所述运动数据,用于估计所述移动现实捕获装置(1)的姿态参数,特别是速度参数,特别是其中,处理所述运动数据是针对每至少1.5秒钟的时间窗口分段执行的,或者其中,处理所述运动数据是通过连续地处理连续生成的运动数据的时间系列而以滚动方式执行的。6.根据权利要求5所述的系统,其中,所确定的运动模式(21)与所述定义移动类别(23)的对应关系和/或所述预期运动模式(26)的所述获得是通过考虑特征提取步骤来提供的,所述特征提取步骤:
·
提供从多个不同信号特征中检测信号特征,其中,所述多个不同信号特征中的各个信号特征指示多个定义环境特定测量移动中的定义环境特定测量移动,并且
·
被用于所述姿态参数的估计,特别是所述速度参数的估计,特别是其中,所述特征提取步骤是由深度学习算法(24)来提供的,所述深度学习算法被配置成独立地学习所述信号特征,或者其中,所述特征提取步骤是通过在所述运动数据的频域或时域中利用定义统计计算所述运动数据来提供的。7.根据前述权利要求中的一项所述的系统,其中,所述系统被配置成,对运动数据进行分析以便生成移动模型,所述移动模型考虑在所述移动现实捕获装置(1)被所述搬运者(30)搬运和对准时,针对所述移动现实捕获装置的相对移动的运动范围的参数,和/或所述移动现实捕获装置(1)与伴随装置(17)和/或所述搬运者(30)的组合的重量分布,其中,所述移动模型被考虑用于以下项中的至少一项:提供所确定的运动模式(21)与所述定义移动类别(23)的对应关系、获得所述预期运动模式(26)、以及比较所确定的运动模式(21)与所述预期运动模式(26),特别是其中,所述移动现实捕获装置(1)与所述伴随装置(17)和/或所述搬运者(30)的组合的质心和惯性矩被确定。8.根据权利要求7所述的系统,其中,所述移动现实捕获装置(1)包括校准功能,所述校准功能是基于将被所述搬运者(30)执行的所述移动现实捕获装置(1)的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。