Computational Acceleration of 3D Point-Cloud Algorithms for Embedded_Discover-format

In der Welt des modernen Bauwesens und der Infrastruktur werden Roboter zunehmend mit der kritischen Aufgabe betraut, Tunnel, Minen und Baustellen zu inspizieren, bevor Beton gegossen wird. Um dies zu tun, nutzen sie Laserscanner, die die physische Welt als eine massive Punktwolke aus winzigen Punkten erfassen und so eine digitale Karte von Stahlstäben, Rohren und Wänden erstellen. Das Umwandeln dieser Punktwolke in nützliche Informationen stellt jedoch eine enorme Rechenbelastung dar. Die Standardmethoden zur Analyse dieser Punkte, wie etwa das Überprüfen der Ausrichtung von Stahlstäben oder das Finden ihrer Kreuzungspunkte, wurden für leistungsstarke Desktop-Computer mit großen Speicherbänken entwickelt. Diese Methoden sind viel zu langsam und speicherhungrig für die kleinen, batteriebetriebenen Computer, die in Robotern zu finden sind. Wenn ein Roboter diese Daten nicht schnell verarbeiten kann, kann er keine Entscheidungen in Echtzeit treffen, was den Inspektionsprozess entweder in der Vergangenheit feststecken lässt oder die Notwendigkeit schafft, dass der Roboter die Daten an einen entfernten Server sendet, was den Zweck der Autonomie zunichtemacht.

Ein Team von Forschern der China MCC20 Group und des Central Research Institute of Building and Construction hat einen Weg gefunden, diese Lücke zu schließen. Sie haben nicht eine neue Art der Stahlstaberkennung erfunden; stattdessen haben sie entdeckt, wie man die mathematischen Anweisungen umschreibt, die der Computer zur Datenverarbeitung nutzt. Ihre Arbeit konzentriert sich auf eine spezifische, schwierige Aufgabe: das Identifizieren der Stellen, an denen sich Stahlbewehrungsstäbe in einem Geflecht kreuzen – ein entscheidender Schritt, um sicherzustellen, dass die Struktur stabil genug sein wird. Die ursprüngliche Methode für diesen Vorgang dauerte auf einem Hochleistungs-Desktop-Computer fast zwanzig Sekunden und benötigte Gigabytes an Speicher, was die Ausführung auf einem Roboter unmöglich machte. Den Forschern gelang es zu beweisen, dass die komplexen mathematischen Operationen zur Bestimmung dieser Schnittpunkte in viel einfachere, sequentielle Schritte zerlegt werden können. Durch die Neuordnung der Berechnung reduzierten sie die Anzahl der erforderlichen mathematischen Operationen um den Faktor fünfunddreißig. Zudem ersetzten sie eine langsame, repetitive Methode zur Überprüfung der Nachbarschaft von Punkten durch einen einzigen, durchgehenden Durchlauf durch die Daten, der Statistiken instantan akkumuliert.

Die Ergebnisse dieser Neuorganisation sind dramatisch. Als die Forscher ihren neuen Ansatz auf einem Computersystem testeten, das die begrenzten Ressourcen eines eingebetteten Roboters nachbildete, sank die Verarbeitungszeit von fast zwanzig Sekunden auf etwas mehr als eine Sekunde. Der für die Durchführung der gleichen Aufgabe benötigte Speicher schrumpfte von mehreren Gigabytes auf etwa einhundert Megabyte. Diese Reduktion bedeutet, dass der Algorithmus nun auf Hardware laufen kann, die direkt am Roboter montiert ist, anstatt einen Serverraum zu benötigen. Das Team validierte seine Methode anhand eines Scans eines realen Nutztunnels mit einem Boden, der über eine Million Punkte enthielt. Das optimierte System identifizierte erfolgreich sechsundneunzig Schnittpunkte in einem Gitter aus Stahlstäben und erreichte dabei die Genauigkeit der ursprünglichen, langsameren Methode. Der Abstand zwischen den Stäben wurde mit einem Fehler von weniger als einem halben Millimeter gemessen, was weit innerhalb der für die Baustellensicherheit erforderlichen Toleranz liegt.

Obwohl die Geschwindigkeits- und Speichergewinne die Schlagzeilen bilden, betonten die Forscher sorgfältig, wo die Grenzen liegen. Die neue Methode ist mathematisch exakt bei der Bestimmung der Schnittpunkte, was bedeutet, dass der Roboter dasselbe Muster sieht wie der Desktop-Computer. Bei der Messung des Abstands der Stahlstäbe zur Betonform hingegen zeigte das System eine konsistente Unterschätzung von etwa sechsundvierzig Millimetern. Die Forscher führten diesen Fehler nicht auf ihre neuen Beschleunigungstechniken zurück, sondern auf die Art und Weise, wie das System das Zentrum der Stäbe relativ zum Voxelgitter berechnet – ein bekanntes Problem, das sie in zukünftigen Arbeiten beheben wollen. Sie stellten zudem fest, dass die Methode zwar auf einem simulierten Vierkern-Prozessor perfekt funktioniert, die Ausführung auf tatsächlicher physischer Hardware mit externem Speicher jedoch Verzögerungen durch Datentransfergeschwindigkeiten verursachen könnte, was die Zeit potenziell auf einige Minuten statt Sekunden verlängern könnte.

Die Bedeutung dieser Arbeit reicht über bloße Stahlstäbe hinaus. Die zwei Techniken, die das Team entwickelt hat – das Zerlegen komplexer 3D-Filter in einfachere eindimensionale Schritte und die Verwendung einer statistischen Zusammenfassung in einem einzigen Durchlauf anstelle repetitiver Prüfungen – sind allgemeine Werkzeuge. Sie können auf jede Aufgabe angewendet werden, bei der ein Roboter die Form zylindrischer Objekte wie Rohre, Kabel oder sogar Blutgefäße in der medizinischen Bildgebung verstehen muss. Indem sie bewiesen haben, dass diese schweren Algorithmen so weit reduziert werden können, dass sie auf kleine Geräte passen, ohne an Genauigkeit zu verlieren, haben die Forscher die Tür für autonome Roboter geöffnet, komplexe, hochpräzise Inspektionen im Feld durchzuführen. Die Studie bestätigt, dass mit dem richtigen mathematischen Ansatz die Lücke zwischen leistungsstarker Desktop-Analyse und leichtgewichtiger robotergestützter Implementierung geschlossen werden kann, sodass Maschinen ihre Umgebung so klar verstehen können wie ihre menschlichen Gegenüber, jedoch mit der Geschwindigkeit, die für ein Handeln in Echtzeit erforderlich ist.