Quantitative Analyse verschiedener SLAM-Algorithmen für das Geomonitoring in einem untertägigen Testfeld

Das Geomonitoring liefert verlässliche Informationen zur Gefahrenidentifikation und ermöglicht das rechtzeitige Einleiten korrigierender Maßnahmen. Dies erfordert jedoch umfangreiche und wiederholte Messarbeiten, insbesondere in untertägigen Bereichen, die selbst Gefahren bergen. Autonome Geomonitoring-Roboter können hier eine wertvolle Unterstützung bieten. Seit 2000 kann in vielen Studien die Entwicklung automatisierter Robotersysteme sowie über- als auch untertage verfolgt werden. Allerdings wurden die eingesetzten Methoden selten quantitativ analysiert, noch weniger dokumentierte Studien bewerten systematisch die Qualität der Erzeugnisse von Vermessungsrobotern im Kontext des untertägigen Geomonitorings. In dieser Arbeit werden die Genauigkeit und Präzision der LiDAR- und Visuell-basierten SLAM-Algorithmen: HDL Graph SLAM und RTAB-Map, die auf einem speziell konzipierten Robotersystem implementiert wurden, systematisch und quantitativ untersucht. Dazu wurde ein untertägiges Testfeld entwickelt: eine 20 m lange Strecke zur Genauigkeitsanalyse mit Passpunkten und ein 80 m langer natürlicher kreisförmiger Bereich zur Genauigkeitsanalyse von Punkten, Linien und Ebenen. In diesem Testfeld wurde eine Reihe von Versuchen durchgeführt und empirisch ausgewertet. Die Ergebnisse wurden mit einem präzisen Referenzdatensatz, generiert mit Totalstation und einem terrestrischen Laserscanner, verglichen. Die Bewertung erfolgte anhand der Genauigkeit und Präzision der Algorithmen sowie der Nachvollziehbarkeit und Zuverlässigkeit der Ergebnisse. Analysiert wurden u. a. die Passpunktkoordinaten, die Diskrepanzen zwischen den Ergebnissen und der Referenzpunktwolke, Normalvektoren, Mittelpunkt-Koordinaten und Flächen der ebenen Ziele. Die Ergebnisse zeigen, dass HDL Graph SLAM eine höhere Präzision, Genauigkeit und Wiederholbarkeit erreicht, mit einer mittleren Cloud-to-Cloud-Distanz von 0,12 m (Standardabweichung 0,13 m) im 80 m Bereich. Obwohl RTAB-Map besser für die Erfassung von Ebenen geeignet ist, zeigen die Messergebnisse Instabilitäten und Ungenauigkeiten.

Geomonitoring provides quantitative and reliable information to identify hazards and adopt appropriate measures timely. However, it often requires extensive and repeated measurements, especially in underground environments where additional dangers may arise. Since 2000s, many studies have focused on establishing autonomous mobile robotic systems as well as solving the issue of underground navigation and mapping. Only a few studies have conducted quantitative evaluations of these methods, and almost none have provided a systematic and comprehensive assessment of the suitability of mapping robots for underground geomonitoring. In this study, a methodology for objective and quantitative assessment of the applicability of SLAM methods in underground geomonitoring is proposed. This involves the development of an underground test field and some specific metrics, which allow detailed local accuracy analysis of point measurements, line segments, and areas using artificial targets. With this proposed methodology, a series of repeated experimental measurements has been performed with an autonomous driving robot and the selected LiDAR- and visual-based SLAM methods. The resulting point cloud was compared with the reference data measured by a total station and a terrestrial laser scanner. The accuracy and precision of the selected SLAM methods as well as the verifiability and reliability of the results are evaluated and discussed by analysing quantities such as the deviations of the control points coordinates, cloud-to-cloud distances between the test and reference point cloud, normal vector, centre point coordinates and area of the planar objects. The results demonstrate that the LiDAR-based HDL Graph SLAM achieves satisfactory precision, accuracy, and repeatability with a mean cloud-to-cloud distance of 0.12 m (with a standard deviation of 0.13 m) in an 80 m closed-loop measurement area. Although RTAB-Map exhibits better plane-capturing capabilities, the measurement results reveal instability and inaccuracies.