Manche Umgebungen haben einen bestimmten Ruf. Als wir Zeichnungen und Fotos eines Abwassertunnels in der Schweiz erhielten, wussten wir genau, warum sich der Kunde an uns gewandt hatte – mehrere führende SLAM Lösungen hatten bereits versucht, diese Baustelle zu bewältigen, waren dabei jedoch gescheitert.
Ein 1,48 km langer unterirdischer Tunnel mit einem Durchmesser von etwa 3 Metern, betonausgekleidet, in dem ein Stahlkanalrohr auf Betonpfählen über die gesamte Länge des Bodens verläuft. Spärliche Ausstattungsmerkmale, sich wiederholende Geometrie, minimale Beleuchtung. Die Art von Umgebung, die die mobile Kartierungstechnologie an ihre Grenzen bringt.
Tunnel sind für SLAM bekanntermaßen eine Herausforderung. Dieser hier war besonders schwierig: Betonfundamente alle fünf bis zehn Meter, größere Infrastrukturelemente alle fünfzig Meter, vereinzelte Leitungsrohre oder Rohrleitungen etwa alle hundert Meter. Salzablagerungen an den Wänden – dort, wo Grundwasser durch den Beton gesickert und kristallisiert war – sorgten für etwas Abwechslung, aber nur geringfügig. Alles sah gleich aus, und genau das ist das Problem.
SLAM Simultaneous Localization and Mapping (gleichzeitige Lokalisierung und Kartierung) – funktioniert, indem es kontinuierlich die Geometrie seiner Umgebung erfasst, um seinen Standort zu bestimmen. Fehlen ausreichende, eindeutige Merkmale, die erkannt und wiedererkannt werden können, versagt die Lokalisierung und es kommt zu Fehlerakkumulation. Stellen Sie sich vor, Sie befänden sich in einem Stahlrohr, in dem alles identisch aussieht. Selbst ein Mensch würde schnell den Überblick darüber verlieren, wo er sich befindet. Der Algorithmus steht vor derselben Herausforderung.
Der Kunde hatte bereits Zeit und Geld in alternative Lösungen investiert, doch keine davon hatte brauchbare Ergebnisse geliefert. Jedes Mal kam es zu Verschiebungen und Abweichungen.
Außerdem hatten sie eine konkrete Anforderung: keine Bodenkontrollpunkte. Sie benötigten eine Lösung, die ohne GCPs oder Georeferenzierung genaue Ergebnisse liefern konnte – einfach hineingehen, scannen und liefern.
Unser Außendienstmitarbeiter fuhr 12 Stunden, um zum Einsatzort zu gelangen. Am Abend vor der Vermessung schickte der Kunde Fotos vom Inneren des Tunnels.
„Ich dachte mir: Das sieht nicht nach einer SLAM Umgebung aus“, erinnert sich Jeremy Sofonia. „Ich musste mir überlegen, wie ich die Erwartungen steuern könnte.“
Was er noch nicht wusste, war, dass die Erwartungen des Kunden ohnehin schon gering waren. Als Jeremy vor Ort eintraf, hatte der Kunde bereits genug gescheiterte Versuche miterlebt, um davon auszugehen, dass auch dieser dem gleichen Muster folgen würde.
Es gab keine Garantie dafür, dass es keine vergebliche Fahrt werden würde – nur Vertrauen in die Technologie und eine methodische Herangehensweise an eine schwierige Umgebung.
Wenn man sich in einer SLAM unsicher ist, fängt man mit dem Handgerät an. Man geht langsam vor. Man lässt den Sensor das tun, was er am besten kann. Genau das haben wir getan. Wir sind die gesamten 1,48 km hinuntergelaufen, haben kehrtgemacht und sind zurückgegangen – ein einziger durchgehender Scan, bei dem fast die gesamten zwei Stunden der verfügbaren Akkulaufzeit aufgebraucht wurden.
Entscheidend war, zu erkennen, was vorhanden war, und dem Algorithmus die bestmöglichen Voraussetzungen zu bieten, damit er damit arbeiten konnte.
In einer anspruchsvollen Umgebung kommt es vor allem auf die Auflösung an. Je dichter die Punktwolke, desto größer die Chance, die vorhandenen kleinen Merkmale zu erkennen und zu verfolgen – Betonfundamente, Rohrkonstruktionen, die kaum wahrnehmbare Struktur von Salzablagerungen an den Wänden. Langsames Gehen maximiert die Punktdichte. Da ich Hovermap , anstatt ihn in der Rucksackhalterung zu befestigen, konnte der Sensor gleichzeitig nach vorne und nach hinten blicken und so bereits passierte Merkmale mit denen verknüpfen, die noch vor mir lagen.
„Egal, welche Merkmale sich in der Umgebung befanden – ich wollte eine möglichst hohe Auflösung für sie“, erklärt Jeremy. „Also ging ich langsam, hielt das Gerät an meiner Seite, damit es nach vorne und hinten sehen konnte, und versuchte, die Merkmale miteinander zu verknüpfen.“
Der Kunde ging neben ihm her und beobachtete, wie sich die Punktwolke in Echtzeit im Emesent Commander aufbaute.
Die erste Verarbeitung wies einige Abweichungen auf – was bei einem Tunnel dieser Länge mit so wenigen Merkmalen und ohne GCPs, die als Orientierungshilfen dienen könnten, nicht unerwartet war. Nach einigen Anpassungen der Verarbeitungseinstellungen ergab sich eine saubere Punktwolke.
Der Kunde benötigte ein paar Tage, um seine technische Bewertung abzuschließen. Als er zurückkam, hatten die Daten die Genauigkeitsanforderungen erfüllt, die bei allen vorherigen Versuchen nicht erreicht worden waren.
„Er konnte es kaum glauben, dass er endlich ein Gerät gefunden hatte, das diese Aufgabe bewältigen konnte“, sagt Jeremy.
Jeremy drückt es so aus: „Wir können den Leuten zwar sagen, dass Emesent SLAM das BesteSLAM – aber das hat nur begrenztes Gewicht. Erst bei Projekten wie diesem können wir genau aufzeigen, warum das so ist. Wir wissen, wo unsere Mitbewerber Schwierigkeiten hatten und wo wir erfolgreich waren, während sie gescheitert sind.“