Als Grundlage der Arbeit dient die an der Universität Osnabrück entwickelte Open-Source-Software Las Vegas Reconstruction Toolkit. Diese Software ist in der Lage, aus 3D-Punktwolken Polygonmodelle der Umgebung zu rekonstruieren. Bei dieser Rekonstruktion ist es notwendig, eine sehr zeitaufwendige Normalenschätzung für jeden einzelnen Punkt durchzuführen. Hierzu wird eine bestimmte Anzahl von Nachbarpunkten und Nachbarnormalen zur Berechnung bzw. zum Interpolieren herangezogen. Das Ziel der Arbeit ist es, diese Berechnung via MPI auf mehrere Rechner zu verteilen.
Als Grundlage der Arbeit dient die an der Universität Osnabrück entwickelte Open-Source-Software Las Vegas Reconstruction Toolkit. Diese Software ist in der Lage, aus 3D-Punktwolken Polygonmodelle der Umgebung zu rekonstruieren. Bei dieser Rekonstruktion ist es notwendig, eine sehr zeitaufwendige Normalenschätzung für jeden einzelnen Punkt durchzuführen. Hierzu wird eine bestimmte Anzahl von Nachbarpunkten und Nachbarnormalen zur Berechnung bzw. zum Interpolieren herangezogen. Das Ziel der Arbeit ist es, diese Berechnung via MPI auf mehrere Rechner zu verteilen.
Zur Erfüllung komplexer Aufgaben benötigen autonom agierende Roboter die Fähigkeit sich anhand von Sensordaten ein möglichst präzises Modell ihrer Umgebung zu erstellen. Ein Ansatz für die Lösung dieses Problems ist die Erstellung von 3D-Polygonnetzen aus 3D Punktwolken. In der AG Wissensbasierte Systeme wurde ein umfangreiches Softwarepaket entwickelt das eben dieses Ziel verfolgt und bereits Werkzeuge zur Verfügung stellt um aus einem vorhandenem 3D-Polygonnetz Flächen zu extrahieren. Ziel dieser Bachelorarbeit ist es nun besagte Software insofern zu erweitern, dass neben Flächen auch runde oder zylinderförmige Objekte erkannt werden können.
Das Ziel dieser Masterarbeit ist die Erfassung einer möglichst realitätsnahen Abbildung einer beliebigen Umgebung durch ein autonomes System. Um dieses zu erreichen werden Farbwerte von Webcams mit Tiefeninformationen der jeweiligen Umbgebung verknüpft. Diese Tiefeninformationen werden durch einen Laserscanner gewonnen. Gegeben ist ein Verfahren, das aus einer 3D-Punktwolke eine fllächige Rekonstruktion in Form von Dreiecksmeshes erstellt. Ziel ist es, diese Dreiecksmeshes zu texturieren. Um dieses zu realisieren, muss zunächst eine farbige Punktwolke erstellt werden, bei der die Korrespondenz zwischen Farbwert und Tiefeninformation für jeden Punkt nahe dem realen Verhältnis ist.
Zur Erfüllung komplexer Aufgaben benötigen autonom agierende Roboter die Fähigkeit sich anhand von Sensordaten ein möglichst präzises Modell ihrer Umgebung zu erstellen. Ein Ansatz für die Lösung dieses Problems ist die Erstellung von 3D-Polygonnetzen aus 3D Punktwolken. In der AG Wissensbasierte Systeme wurde ein umfangreiches Softwarepaket entwickelt das eben dieses Ziel verfolgt und bereits Werkzeuge zur Verfügung stellt um aus einem vorhandenem 3D-Polygonnetz Flächen zu extrahieren. Ziel dieser Bachelorarbeit ist es nun besagte Software insofern zu erweitern, dass neben Flächen auch runde oder zylinderförmige Objekte erkannt werden können.
Bei der Verarbeitung von ungeordneten 3D-Punktdaten, wie sie z.B. von 3D-Laserscannern geliefert werden, tritt immer wieder das Problem auf, die nächsten Nachbarn eines gegebenen Messpunktes zu finden. Dies k�nnen die n n�chsten Nachbarn oder alle Punkte innerhalb eines vorgegebenen Radius sein. Ein in der AG Wissensbasierte Systeme verwendetes, effizient implementiertes Standardverfahren zur L�sung dieses Problems sind kD-Bäume, allerdings ist dies darauf spezialisiert, genau den nächsten Nachbarn eines Punktes zu finden. Diese Bachelorarbeit stellt dar, wie dieses Problem mit Hilfe des CUDA-Frameworks von NVidia auf die Grafikkarte ausgelagert werden und dies in die bereits vorhandenen Algorithmen integriert werden kann.