Stellen Sie sich vor, Sie navigieren unter einem sternenklaren Nachthimmel – die Sterne sind Ihre zuverlässigen Wegweiser. Aber was, wenn einige dieser Sterne, wie der Nordstern Polaris nur leicht verschoben wären? Schon kleinste Abweichungen könnten dazu führen, dass Sie Ihren Kurs verfehlen und Ihr Ziel nicht erreichen.
Die Herausforderung des Rauschens in Punktwolken
Ähnlich verhält es sich mit Punktwolken in modernen Technologien. Diese dreidimensionalen Datenpunkte beschreiben Objekte durch Punkte auf ihrer Oberfläche. Ein anschauliches Beispiel ist die Punktwolke in der Abbildung, die die obere Hälfte eines Flugzeugs einmal ohne und einmal mit Rauschen darstellt. Solche Punktwolken zur Darstellung der Umgebung sind wie Sterne, die Robotern helfen, ihre Umgebung zu verstehen und sicher zu navigieren. Doch was passiert, wenn einige dieser Punkte „verrauscht“ und damit verschoben sind? Ein autonomes Fahrzeug könnte ein Hindernis übersehen oder ein Roboter ein Bauteil nicht korrekt greifen – und das alles, weil die zugrunde liegenden Daten ungenau sind.
Unsere LumiScanX-Kamerasysteme erfassen die Umgebung in Form von Punktwolken. Dies bietet Robotern die Grundlage, ihre Umwelt zu verstehen und mit ihr zu interagieren. Unsere Systeme erreichen bei der Automatisierung von Fertigungsprozessen eine Präzision im Millimeterbereich. Auch bei anderen anspruchsvollen Industrieanwendungen, wie Prüfverfahren zur Qualitätsinspektion von Bauteilen, erzielen sie diese Genauigkeit. Diese hohe Präzision ist essenziell für zuverlässige und exakte Ergebnisse. Doch wir sehen noch Potenzial für Verbesserungen: Eine noch höhere Genauigkeit kann nicht nur die Ergebnisse weiter verfeinern, sondern auch neue Anwendungen ermöglichen.
Punktwolken Flügzeug mit den Rauschen
Punktwolken Flügzeug ohne Rauschen
Optimierung durch Maschinelles Lernen
In den letzten Jahren hat der Aufstieg des maschinellen Lernens enorme Fortschritte im Denoising von Punktwolken ermöglicht. Unsere Untersuchungen zeigen, dass viele dieser neuen Ansätze beeindruckende Ergebnisse liefern, besonders bei der Verarbeitung komplexer Daten. So konnte damit in Tests bereits die Genauigkeit unserer Systeme von 0,77 mm auf 0,40 mm erhöht werden. Dennoch hat unser Team um unseren Denoising-Experten Maximilian Michael Winterer festgestellt, dass viele dieser Denoising-Techniken weiter optimiert werden können, da sie nicht speziell auf die Anforderungen realer Anwendungen in der Robotik zugeschnitten sind.
Unter der Leitung von Herrn Winterer entwickeln wir deshalb einen neuen Denoising-Algorithmus, der speziell auf die Struktur unserer Robotik-Daten abgestimmt ist. Durch die Anpassung an unsere spezifischen Anwendungsanforderungen möchten wir eine noch präzisere Denoising-Methode entwickeln. Unser Ziel ist es, damit die Genauigkeit zu steigern und die aktuell verfügbaren Ansätze in Robotikanwendungen zu übertreffen. Diese zusätzliche Genauigkeit ist entscheidend, um das volle Potenzial unserer Technologien auszuschöpfen, neue Einsatzbereiche zu erschließen und das Vertrauen in die Nutzung von Robotikanwendungen weiter zu stärken.
Fraktalanalyse: Eine innovative Bewertungsmethode
Im Rahmen seiner Recherchen stellte Herr Winterer außerdem fest, dass die derzeitigen Bewertungsmethoden für Denoising-Algorithmen unvollständig sind. Es fehlt an einer Methode, die statistisch relevante Aussagen darüber ermöglicht, ob kleine, aber wesentliche Details zusammen mit dem Rauschen zu stark geglättet werden oder ob sie erhalten bleiben. Dies ist ähnlich wie bei der Bearbeitung eines digitalen Fotos, bei der das Glätten von Rauschen nicht dazu führen darf, dass feine Texturen und Details, wie die Blätter eines Baumes, verschwinden.
Um diese Lücke zu schließen, hat das Team um Herrn Winterer eine neue Metrik entwickelt, die auf den Prinzipien der Fraktalanalyse basiert. Fraktale, wie man sie in der Natur bei Farnen oder Schneckenhäusern findet, zeichnen sich durch sich wiederholende Muster aus, die in immer kleineren Maßstäben auftreten. „Wir haben eine Methodik zur Analyse solcher Geometrien angepasst, um höchste Qualität beim Denoising unserer Punktwolken zu gewährleisten. Mit unserer neuen Metrik können wir sicherstellen, dass Denoising-Methoden feinste Details in Punktwolken bewahren. Dies ist entscheidend, um die Präzision und Zuverlässigkeit unserer Systeme weiter zu steigern“, erklärt Herr Winterer.
Ein Blick in die Zukunft: Höchste Präzision und Sicherheit für unsere Kunden
Derzeit entwickeln wir unser Denoising weiter, um unseren Kunden in Zukunft noch mehr Sicherheit durch höhere Genauigkeit zu bieten. Die neue, eigens entwickelte Bewertungsmethode wird es uns ermöglichen, unseren Kunden diese Genauigkeit konstant zu garantieren, was gerade bei Anwendungen mit extrem hohen Genauigkeitsanforderungen entscheidend ist. Durch die erhöhte Genauigkeit können auch neue Anwendungsbereiche im Submillimeterbereich bedient werden, die bisher in der Robotik und Automatisierungstechnik nicht realisierbar waren. Darüber hinaus arbeiten wir daran, die Rechenzeit der Denoising-Algorithmen zu reduzieren, um sie in immer schneller ablaufende Automatisierungsprozesse integrieren zu können. Damit schaffen wir die Grundlage für zukunftsweisende und sichere Robotikanwendungen.
Abschließend die Frage an Sie: Was könnte das für die Zukunft Ihrer Anwendungen bedeuten? Welche neuen Automatisierungsbereiche können Sie mit dieser gesteigerten Sicherheit und Präzision erschließen?