Entwicklung und Evaluierung eines multisensorischen Kamera-Setups zur 3D-Raumrekonstruktion in einer dynamischen Industrieumgebung mittels Gaussian Splatting auf einem autonomen Robotersystem

Die präzise und kosteneffiziente 3D-Rekonstruktion industrieller Umgebungen gewinnt zu-nehmend an Bedeutung, insbesondere für digitale Zwillinge und automatisierte Inspektions-prozesse. Diese Arbeit untersucht die Entwicklung und Evaluierung eines multisensorischen Kamera-Setups, das mit Gaussian Splatting eine speichereffiziente und schnelle Modellierung von Produktionsumgebungen ermöglicht. Dafür wurde ein mobiles, autonomes System auf Basis eines MiR-Roboters entwickelt, das Bilddaten von verschiedenen USB-Kameras (Lo-gitech Brio, Anker C200), einer DSLR und iPhone Kamera sowie Raspberry Pi Kameras er-fasst und verarbeitet. Die zentrale Forschungsfrage adressiert die Effizienz, Bildqualität und Wirtschaftlichkeit von Gaussian Splatting im Vergleich zu etablierten Verfahren wie Photogrammetrie und LiDAR. Erste Testläufe mit DSLR-Aufnahmen und einer manuell rekonstruierten Pipeline zeigen, dass Gaussian Splatting hochdetaillierte Punktwolken generieren kann, jedoch mit Herausfor-derungen hinsichtlich Kameraausrichtung, Überlappung der Bilder und automatisierter Missi-onsplanung des Roboters konfrontiert ist. Die Ergebnisse zeigen, dass das System eine schnelle und speichereffiziente 3D-Rekonstruk-tion ermöglicht, jedoch in seiner aktuellen Form noch Optimierungspotenzial aufweist. Be-sonders die genaue Kalibrierung der Kameras, eine verbesserte Synchronisation der Bilder so-wie eine präzisere Steuerung des Roboters sind entscheidend für die Qualität der Punktwol-ken. Während Gaussian Splatting eine überzeugende Alternative zu klassischen Verfahren darstellt, ist die Systemstabilität derzeit noch abhängig von manuellen Eingriffen und Justie-rungen. Zukünftige Arbeiten sollten sich darauf konzentrieren, die Automatisierung des gesamten Workflows weiter voranzutreiben, insbesondere durch den Einsatz verbesserter Kamera-A-lignment-Algorithmen, Hardware-Trigger für synchrone Bildaufnahme und Machine-Learn-ing-gestützte Bildoptimierung. Zudem könnte eine Erweiterung des Systems um zusätzliche Sensortechnologien wie Time-of-Flight-Sensoren oder LiDAR-Module helfen, die Detailge-nauigkeit weiter zu verbessern und eine robuste Echtzeit-Rekonstruktion zu ermöglichen.