Online-Übersetzung

【 Deutsche Sprache 】
Mit der Weiterentwicklung 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 wurden. 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 erschweren jedoch die Komprimierung und Verarbeitung von Punktwolken. Mit dem 64-Linien Radarsensor von velodyne [11] beträgt 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 angewendet werden, um die Speicherung und Übertragung solcher Daten, einschließlich geometrischer und Attributinformationen, zu gewährleisten. Die Menge an 3D-Daten, die von Punktwolkenerfassungsanlagen erzeugt werden, stellt eine höhere Herausforderung für die Datenspeicherung und -übertragung dar. In den letzten Jahren wurde die Technologie zur Komprimierung von 3D-Punktwolken im Detail untersucht und erforscht. Die speziell von der Moving Image Expert Group (MPEG) gegründete 3D-Bildgruppe schlug die Komprimierung von Punktwolken in 2014 vor. G-pcc (geometry-based point cloud coding) wird häufig für statische oder spärliche Punktwolkensequenzen verwendet.
z.B. Straßenpunktwolken, die von Sensor
【 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 it difficult to compress and process point clouds. With 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 acquisition systems 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 the compression of point clouds in 2014. G-pcc (geometry-based point cloud coding) is commonly used for static or sparse point cloud sequences.
e.g. road point clouds