Online-Übersetzung

【 Deutsche Sprache 】
Mit dem Fortschritt der dreidimensionalen Erfassungs- und Erfassungstechnologie wurde eine neue Runde von Innovationen in den Bereichen Virtual Reality (VR), Smart City, Roboter und automatisches Fahren gestartet. Die Identifizierung der Umgebung und des Zustandes des Fahrzeugs mit Lidar ist eine der Grundlagen des automatischen Fahrens.
Da die 3D-Punktwolkenerfassung viele Vorteile wie hohe Effizienz, hohe Präzision, hohe Auflösung und digitale Erfassung bietet, werden viele automatische Fahrsysteme wie Google und Uber tatsächlich auf Basis von 3D-Punktwolkendaten entwickelt und angewendet, die von Onboard-Lidar gesammelt werden. Das Punktwolkenmodell stellt die visuelle Szene durch eine Reihe dreidimensionaler Punkte dar und beschreibt die topologischen Informationen der Objektoberfläche und die zugehörigen Attribute jedes Punktes. Die ungleichmäßige Probenahme von Punktwolken und die Störung der räumlichen Strukturverteilung machen die Komprimierung und Verarbeitung von Punktwolken jedoch ziemlich schwierig. Am Beispiel des 64-Linien-Radarsensors von velodyne [11] ist die Anzahl der Punkte, die in einer Rotation gesammelt werden, mehr als 100000. Unter normalen Einstellungen beträgt die in einer halben Stunde gesammelten Daten mehr als 50g. Daher müssen wirksame Komprimierungsmethoden angewandt werden, um die Speicherung und Übertragung solcher Daten, einschließlich geometrischer und Attributinformationen, zu gewährleisten. Die Menge an 3D-Daten, die durch die Sammelausrüstung der Punktwolke erzeugt werden, stellt eine höhere Herausforderung für die Speicherung und Übertragung von Daten dar. In den letzten Jahren wurde die Technologie zur Komprimierung von 3D-Punktwolken nach und nach eingehend untersucht und erforscht. Die eigens von der Bewegtbild-Expertengruppe (MPEG) gegründete 3D-Bildgruppe schlug im 2014 die Punktwolkenkomprimierung vor. G-pcc (geometriebasierte Punktwolkencodierung) wird üblicherweise für statische oder spärliche Punktwolkensequenzen verwe
【 Englische Sprache 】
With the advancement of three-dimensional capture and capture technology, a new round of innovations has been launched in the areas of virtual reality (VR), smart city, robots and automatic driving. Identifying the environment and condition of the vehicle with Lidar is one of the basics of automatic driving.
Because 3D point cloud acquisition offers many advantages such as high efficiency, high precision, high resolution and digital acquisition, many automatic driving systems such as Google and Uber are actually developed and applied based on 3D point cloud data collected by Onboard-Lidar. The point cloud model represents the visual scene through a series of three-dimensional points and describes the topological information of the object surface and the associated attributes of each point. However, the uneven sampling of point clouds and the disturbance of the spatial structure distribution make the compression and processing of point clouds quite difficult. Using the 64-line radar sensor from velodyne [11], the number of points collected in a rotation is more than 100000. Under normal settings, the data collected in half an hour is more than 50g. Therefore, effective compression methods must be applied to ensure the storage and transmission of such data, including geometric and attribute information. The amount of 3D data generated by point cloud collection equipment poses a higher challenge for data storage and transmission. In recent years, the technology for compressing 3D point clouds has been studied and researched in detail. The 3D image group, founded especially by the Moving Image Expert Group (MPEG), proposed point cloud compression in 2014. G-pcc (geometry-based point cloud coding) is commonly used for static or sparse point cloud sequences.