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

In de wereld van moderne constructie en infrastructuur krijgen robots steeds vaker de cruciale taak toegewezen om tunnels, mijnen en bouwplaatsen te inspecteren voordat het beton wordt gestort. Hiervoor gebruiken ze laserscanners die de fysieke wereld vastleggen als een enorme wolk van minuscule punten, waardoor een digitale kaart van stalen staven, buizen en muren ontstaat. Het omzetten van deze wolk aan gegevens naar bruikbare informatie is echter een zware computationele last. De standaardmethoden voor het analyseren van deze punten, zoals het controleren van de oriëntatie van stalen staven of het vinden van de snijpunten, zijn ontworpen voor krachtige desktopcomputers met grote geheugenbanken. Deze methoden zijn veel te traag en verbruiken te veel geheugen voor de kleine, op batterijen werkende computers die op robots te vinden zijn. Als een robot deze gegevens niet snel kan verwerken, kan hij geen realtime beslissingen nemen, waardoor het inspectieproces in het verleden blijft steken of vereist dat de robot gegevens terugstuurt naar een verre server, wat het doel van autonomie tenietdoet.

Een team onderzoekers van de Chinese MCC20 Group en het Central Research Institute of Building and Construction heeft een manier gevonden om deze kloof te overbruggen. Ze hebben niet een nieuwe manier uitgevonden om stalen staven te detecteren; in plaats daarvan hebben ze ontdekt hoe ze de wiskundige instructies die de computer gebruikt om de gegevens te verwerken, kunnen herschrijven. Hun werk richt zich op een specifieke, moeilijke taak: het identificeren van waar stalen wapeningsstaven elkaar kruisen in een raster, een cruciale stap om te garanderen dat de structuur sterk genoeg zal zijn. De oorspronkelijke methode om dit te doen, nam bijna twintig seconden in beslag op een hoogwaardige desktopcomputer en vereiste gigabytes aan geheugen, wat het onmogelijk maakte om op een robot te draaien. De onderzoekers bewezen dat de complexe wiskundige operaties die worden gebruikt om deze snijpunten te vinden, konden worden afgebroken tot veel eenvoudigere, sequentiële stappen. Door de berekening te herorganiseren, verminderden ze het aantal wiskundige operaties met een factor dertigzes. Ze vervingen ook een trage, repetitieve methode voor het controleren van buren van punten door een enkele, vegende passage door de gegevens die statistieken direct cumuleert.

De resultaten van deze reorganisatie zijn spectaculair. Wanneer de onderzoekers hun nieuwe aanpak testten op een computersysteem dat ontworpen is om de beperkte middelen van een embedded robot na te bootsen, daalde de verwerkingstijd van bijna twintig seconden naar net iets meer dan één seconde. Het geheugen dat nodig is om dezelfde taak uit te voeren, kromp van enkele gigabytes naar ongeveer honderd megabytes. Deze reductie betekent dat het algoritme nu kan draaien op hardware die op een robot past, in plaats van een serverruimte nodig te hebben. Het team valideerde hun methode met een real-world scan van de vloer van een nuttunnel die meer dan één miljoen punten bevatte. Het geoptimaliseerde systeem identificeerde succesvol zesennegentig snijpunten in een raster van stalen staven, waarbij de nauwkeurigheid overeenkwam met die van de oorspronkelijke, tragere methode. De afstand tussen de staven werd gemeten met een fout van minder dan een halve millimeter, wat ruim binnen de tolerantie ligt die nodig is voor de veiligheid in de bouw.

Hoewel de snelheid en de winst in geheugen de kopstukken zijn, merkten de onderzoekers zorgvuldig op waar de beperkingen liggen. De nieuwe methode is wiskundig exact voor het vinden van de snijpunten, wat betekent dat de robot hetzelfde patroon ziet als de desktopcomputer. Echter, bij het meten van de afstand van de stalen staven tot de bekisting van het beton, vertoonde het systeem een consistente onderschatting van ongeveer zesenzestig millimeter. De onderzoekers herleidden deze fout niet tot hun nieuwe versnellingsmethoden, maar naar de manier waarop het systeem het centrum van de staven ten opzichte van het voxelgrid berekent, een bekend probleem dat ze in toekomstig werk van plan zijn op te lossen. Ze ontdekten ook dat hoewel de methode perfect werkt op een gesimuleerde vierkernprocessor, het draaien ervan op daadwerkelijke fysieke hardware met extern geheugen vertragingen kan introduceren door de snelheid van gegevensoverdracht, wat de tijd potentieel kan verlengen van seconden naar enkele minuten.

De betekenis van dit werk strekt zich uit voorbij alleen stalen staven. De twee technieken die het team heeft ontwikkeld — het afbreken van complexe 3D-filters in eenvoudigere eendimensionale stappen en het gebruik van een single-pass statistische samenvatting in plaats van repetitieve controles — zijn algemene instrumenten. Ze kunnen worden toegepast op elke taak waarbij een robot de vorm van cilindrische objecten moet begrijpen, zoals buizen, kabels of zelfs bloedvaten in medische beeldvorming. Door te bewijzen dat deze zware algoritmen kunnen worden gestript om op kleine apparaten te passen zonder hun nauwkeurigheid te verliezen, hebben de onderzoekers de deur geopend voor autonome robots om complexe, hoogprecisie inspecties in het veld uit te voeren. De studie bevestigt dat met de juiste wiskundige benadering de kloof tussen krachtige desktopanalyse en lichtgewicht robotische inzet kan worden gedicht, waardoor machines de omgeving net zo duidelijk kunnen zien en begrijpen als hun menselijke tegenhangers, maar met de snelheid die vereist is om in realtime te handelen.