Maintaining an inventory of transportation infrastructure assets is vital for effective management and maintenance. LiDAR (Light Detection and Ranging) can be a useful resource for this purpose by collecting detailed 3D information. Mobile Mapping Systems (MMS) refers to collecting geospatial data by mounting laser scanners on top of a moving vehicle, e.g. a car. The LiDAR collects XYZ-coordinates of the environment by emitting laser pulses toward the surveyed objects. This enables an effective way to store and survey built-up urban areas that otherwise would need an on-site presence. WSP uses Mobile Mapping (MM) to capture and visualize infrastructure, primarily for inventory purposes. Currently, the point cloud registration in the MM-process is labor-intensive, so the company is looking to automate it. This thesis aims to investigate methods to automate the process of point cloud registration that eliminates manual labor. The proposed method was evaluated with regards to its accuracy, advantages and disadvantages. The study area of the thesis was a light rail facility with surrounding residential buildings and vegetation. The proposed method was implemented in Python and utilizes open source libraries. The registration uses Fast Global Registration (FGR) for coarse alignment with Iterative Closest Point (ICP) for fine refinement. The FGR algorithm finds a rigid transformation between a pair of point clouds by establishing a feature correspondence set between the point clouds. The algorithm utilizes Fast Point Feature Histograms (FPFH) that simplifies the description of 3D point relationships as the feature descriptors. The object used for registration is the general area around catenary poles. The segments between poles is adjusted by linear interpolation of the obtained transformation matrices from the registration. The results of this thesis show that automatic point cloud registration is feasible. However, while the proposed method improves registration over raw data, it does not fully replace WSP's current procedure.  The advantages of the proposed method are that it does not require classified data and is open source. The main source of error in the method is the presence of vegetation, and an experiment was conducted to support this hypothesis. The experiment shows that dense vegetation skews the registration, and generates an incorrect transformation matrix. Furthermore, the proposed method is only semi-automated, as it still needs manual post-processing. Accuracy assessment showed that removing outlier, presumably caused by vegetation, improved the planar offsets. Further studies to improve the result could utilize machine learning which could identify and extract poles for registration or remove surrounding vegetation. / Att upprätthålla inventering av tillgångar av transportinfrastruktur är avgörande för effektiv förvaltning och underhåll samt för att tillhandahålla korrekta data och underlätta beslutsfattande. LiDAR-data (Light Detection and Ranging) kan vara ett användbart verktyg för detta ändamål genom att samla in detaljerad 3D-information. Mobile Mapping Systems (MMS) refererar till att samla geospatial data genom att montera laserskannrar ovanpå taket på ett rörligt fordon, exempelvis en bil. LiDAR samlar XYZ-koordinater av kringliggande miljö genom att sända ut laserpulser mot de undersökta objekten. Detta möjliggör ett effektivt sätt att förvara och undersöka bebyggda stadsmiljöer som annars skulle behöva fysisk närvaro. WSP använder Mobile Mapping (MM) för att samla och visualisera infrastruktur, främst för inventeringsändamål. För närvarande är punktmolnregistreringen i MM-processen manuellt arbetskrävande, och därför vill WSP se en automatisering av processen. Detta examensarbete syftar till att undersöka metoder för att automatisera processen för registrering av punktmoln som eliminerar manuellt arbete. Den utvecklade metoden kommer att utvärderas med avseende på dess noggrannhet, för- och nackdelar. Arbetets studieområde är en järnvägsanläggninng med omgivande av bostadshus och vegetation. Den föreslagna metoden implementerades i Python och använder sig av open source-bibliotek. Registeringen tillämpar Fast Global Registration (FGR) för grov justering av punktmolnen, och Iterative Closest Point (ICP) för finjustering. FGR-algoritmen hittar en stel transformation mellan två punktmoln genom att etablera ett set av korresponderande attribut. Algoritmen använder Fast Point Feature Histograms (FPFH) som förenklar euklidiska förhållanden till attributbaserade förhållanden. Objekt som används för registrering är det generella området kring kontaktledningsstolpar. Segmenten mellan stolpar justeras genom linjär interpolation av de erhållna transformationsmatriserna från registreringen. Resultaten av detta arbete visar att automatisk registrering av punktmoln är genomförbar, och att metoden förbättrar registreringen jämfört med den råa datan. Den är dock inte tillräckligt bra för att helt ersätta den nuvarande proceduren som används av WSP. Fördelarna med den föreslagna metoden är att den inte kräver klassificerad data och är open source. Den huvudsakliga felkällan i metoden är förekomsten av vegetation, och ett experiment utfördes för att stödja denna hypotes. Experimentet visar att tät vegetation snedvrider registreringen och genererar en felaktig transformationsmatris. Vidare, är den föreslagna metoden endast semi-automatiserad, eftersom den fortfarande kräver manuell efterbearbetning. Noggrannhetsbedömningn visade att borttagningen av avvikande värden, förmodligen orsakade av vegetation, förbättrade den plana förskjutningen. Vidare studier för att ge ett mer tillfredsställande resultatet kan möjligen vara att använda maskininlärning för att identifiera och extrahera stolpar för matching, samtidigt som växtligheten kan elimineras.

Modern 3D printing technology is becoming a more viable option for use in industrial manufacturing. As the speed and precision of rapid prototyping technology improves, so too must the 3D scanning and verification technology. Current 3D scanning technology (such as CT Scanners) produce the resolution needed for micron precision inspection. However, the method lacks in speed. Some scans can be multiple gigabytes in size taking several minutes to acquire and process. Especially in high volume manufacturing of 3D printed parts, such delays prohibit the widespread adaptation of 3D scanning technology for quality control. The limiting factors of current technology boil down to computational and processing power along with available sensor resolution and operational frequency. Realizing a 3D scanning system that produces micron precision results within a single minute promises to revolutionize the quality control industry. The specific 3D scanning method considered in this thesis utilizes a line profile triangulation sensor with high operational frequency, and a high-precision mechanical actuation apparatus for controlling the scan. By syncing the operational frequency of the sensor to the actuation velocity of the apparatus, a 3D point cloud is rapidly acquired. Processing of the data is then performed using MATLAB on contemporary computing hardware, which includes proper point cloud formatting and implementation of the Iterative Closest Point (ICP) algorithm for point cloud stitching. Theoretical and physical experiments are performed to demonstrate the validity of the method. The prototyped system is shown to produce multiple loosely-registered micron precision point clouds of a 3D printed object that are then stitched together to form a full point cloud representative of the original part. This prototype produces micron precision results in approximately 130 seconds, but the experiments illuminate upon the additional investments by which this time could be further reduced to approach the revolutionizing one-minute milestone.

A key component for automated driving is 360◦ environment detection. The recognition capabilities of mod- ern sensors are always limited to their direct field of view. In urban areas a lot of objects occlude important areas of in- terest. The information captured by another sensor from an- other perspective could solve such occluded situations. Fur- thermore, the capabilities to detect and classify various ob- jects in the surrounding can be improved by taking multiple views into account. In order to combine the data of two sensors into one co- ordinate system, a rigid transformation matrix has to be de- rived. The accuracy of modern e.g. satellite based relative pose estimation systems is not sufficient to guarantee a suit- able alignment. Therefore, a registration based approach is used in this work which aligns the captured environment data of two sensors from different positions. Thus their relative pose estimation obtained by traditional methods is improved and the data can be fused. To support this we present an approach which utilizes the uncertainty information of modern tracking systems to de- termine the possible field of view of the other sensor. Fur- thermore, it is estimated which parts of the captured data is directly visible to both, taking occlusion and shadowing ef- fects into account. Afterwards a registration method, based on the iterative closest point (ICP) algorithm, is applied to that data in order to get an accurate alignment. The contribution of the presented approch to the achiev- able accuracy is shown with the help of ground truth data from a LiDAR simulation within a 3-D crossroad model. Re- sults show that a two dimensional position and heading esti- mation is sufficient to initialize a successful 3-D registration process. Furthermore it is shown which initial spatial align- ment is necessary to obtain suitable registration results.

Die Kartierung und Lokalisierung eines mobilen Roboters in seiner Umgebung ist eine wichtige Voraussetzung für dessen Autonomie. In dieser Arbeit wird der Einsatz eines 3D-Laserscanners zur Erfüllung dieser Aufgaben untersucht. Durch die optimierte Anordnung eines rotierenden 2D-Laserscanners werden hochauflösende Bereiche vorgegeben. Zudem wird mit Hilfe von ICP die Kartierung und Lokalisierung im Stillstand durchgeführt. Bei der Betrachtung zur Verbesserung der Bewegungsschätzung wird auch eine Möglichkeit zur Lokalisierung während der Bewegung mit 3D-Scans vorgestellt. Die vorgestellten Algorithmen werden durch Experimente mit realer Hardware evaluiert.

Diplomová práce je zaměřena na problematiku detekce a sledování polohy hlavy v obraze jako jednu s možností jak zlepšit možnosti interakce mezi počítačem a člověkem. Hlavním přínosem diplomové práce je využití inovativních hardwarových a softwarových technologií jakými jsou Microsoft Kinect, Point Cloud Library a CImg Library. Na úvod je představeno shrnutí předchozích prací na podobné téma. Následuje charakteristika a popis databáze, která byla vytvořena pro účely diplomové práce. Vyvinutý systém pro detekci a sledování polohy hlavy je založený na akvizici 3D obrazových dat a registračním algoritmu Iterative Closest Point. V závěru diplomové práce je nabídnuto hodnocení vzniklého systému a jsou navrženy možnosti jeho budoucího zlepšení.

Die Kartierung und Lokalisierung eines mobilen Roboters in seiner Umgebung ist eine wichtige Voraussetzung für dessen Autonomie. In dieser Arbeit wird der Einsatz eines 3D-Laserscanners zur Erfüllung dieser Aufgaben untersucht. Durch die optimierte Anordnung eines rotierenden 2D-Laserscanners werden hochauflösende Bereiche vorgegeben. Zudem wird mit Hilfe von ICP die Kartierung und Lokalisierung im Stillstand durchgeführt. Bei der Betrachtung zur Verbesserung der Bewegungsschätzung wird auch eine Möglichkeit zur Lokalisierung während der Bewegung mit 3D-Scans vorgestellt. Die vorgestellten Algorithmen werden durch Experimente mit realer Hardware evaluiert.