Mobile Mapping Mesh Change Detection and Update

要約

モバイル マッピング、特にモバイル ライダー スキャン (MLS) はますます普及しており、前例のない解像度と精度で都市規模で都市のシーンを監視およびマッピングしています。
結果として得られるシーン ジオメトリのポイント クラウド サンプリングをメッシュ化して、視覚化、シミュレーション、ナビゲーションなどのさまざまなアプリケーションの連続表現を作成できます。これらの都市シーンは非常に動的な性質であるため、長期的なマッピングは頻繁なマップに依存する必要があります。
更新します。
簡単な解決策は、新しい取得が行われるたびに古いデータを新しいデータに単純に置き換えることです。
ただし、2 つの欠点があります。1) 古いデータは新しいデータよりも高品質 (解像度、精度) である可能性があり、2) さまざまなオクルージョンを含むさまざまな取得でシーンのカバレッジが異なる可能性があります。
この論文では、品質、カバレッジ、および取得時間が異なるメッシュをマージする問題を定式化することにより、これら 2 つの問題に対処する完全自動パイプラインを提案します。
私たちの方法は、距離と可視性の組み合わせに基づく変化検出、変化の持続可能性を評価するための時系列分析、グローバル ブール最適化に基づくメッシュ モザイク、および最終的に得られたメッシュ ピースの境界を三角形ストリップでステッチすることに基づいています。
最後に、Robotcar と Stereopolis のデータセットでこの方法を示します。

要約(オリジナル)

Mobile mapping, in particular, Mobile Lidar Scanning (MLS) is increasingly widespread to monitor and map urban scenes at city scale with unprecedented resolution and accuracy. The resulting point cloud sampling of the scene geometry can be meshed in order to create a continuous representation for different applications: visualization, simulation, navigation, etc. Because of the highly dynamic nature of these urban scenes, long term mapping should rely on frequent map updates. A trivial solution is to simply replace old data with newer data each time a new acquisition is made. However it has two drawbacks: 1) the old data may be of higher quality (resolution, precision) than the new and 2) the coverage of the scene might be different in various acquisitions, including varying occlusions. In this paper, we propose a fully automatic pipeline to address these two issues by formulating the problem of merging meshes with different quality, coverage and acquisition time. Our method is based on a combined distance and visibility based change detection, a time series analysis to assess the sustainability of changes, a mesh mosaicking based on a global boolean optimization and finally a stitching of the resulting mesh pieces boundaries with triangle strips. Finally, our method is demonstrated on Robotcar and Stereopolis datasets.

arxiv情報

著者 Teng Wu,Bruno Vallet,Cédric Demonceaux
発行日 2023-03-13 15:24:06+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: 65D19, cs.CV, I.4.5 パーマリンク