Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Progressives Indexieren von massiven Punktwolken mit Big-Data-Technologien

Progressive Indexing of Massive Point Clouds with Big Data Technology
 
: Kocon, Kevin
: Kuijper, Arjan; Bormann, Pascal

Darmstadt, 2021, 145 S.
Darmstadt, TU, Master Thesis, 2021
Deutsch
Master Thesis
Fraunhofer IGD ()
Lead Topic: Smart City; Lead Topic: Visual Computing as a Service; Research Line: Computer graphics (CG); point clouds; acceleration structures; Big Data

Abstract
Aufgrund der steigenden Beliebtheit von Punktwolken und der genauer werdenden LiDAR Aufnahmeverfahren wachsen die Punktwolkengrößen exponentiell. Ein wichtiger, in dieser Thesis betrachteter Anwendungsfall, ist der Aufbau eines räumlichen Index für die Web-basierte Echtzeitvisualisierung. Bereits bei aktuellen Punktwolken dauert dieser zeitintensive Prozess mit derzeitigen Verfahren bis zu mehreren Tagen. In dieser Thesis werden zwei Ansätze vorgestellt, die die Indexierungsdauer deutlich reduzieren. Zum einen wird durch die Verwendung von Big-Data-Technologien und der daraus folgenden Skalierbarkeit eine Reduktion der Gesamtindexierungsdauer erreicht. Zum anderen werden durch einen progressiven Ansatz relevante Teilbereiche der Punktwolke sukzessiv indexiert, wodurch diese bereits vor dem Verarbeiten der gesamten Punktwolke visualisiert werden können. Als Big-Data-Technologien werden Apache Spark und Apache Cassandra verwendet. Die Grundvoraussetzung für die Verwendung von Spark bietet der implementierte Top-Down Ansatz, der den Indexierungsvorgang auf das Map-Reduce Schema abbildet. Für den progressiven Ansatz werden für den Nutzer relevante Teilbereiche der Punktwolke bestimmt und nacheinander verarbeitet. Die neu eingeführte Datenstruktur des hybriden Nested-Octree Gitters ermöglicht dafür unter Anderem das sukzessive Erweitern des räumlichen Index. Die Ergebnisse zeigen, dass bei horizontaler Hardwareerweiterung eine lineare Skalierbarkeit um den Faktor 0.58 gegeben ist. Dadurch konnten massive Punktwolken im Vergleich zu lokalen Anwendungen wie dem PotreeConverter 2.0, Schwarzwald oder Entwine deutlich schneller indexiert werden. Zusätzlich ist durch den progressiven Ansatz eine Visualisierung der aktuell vom Nutzer betrachteten Teile der Punktewolke schon nach einem Bruchteil der Gesamtverarbeitungsdauer möglich.

: http://publica.fraunhofer.de/dokumente/N-635991.html