儘管許多建築物都有竣工2D平面圖，但在需要時通常無法足夠快地提供這些平面圖。這些計劃也經常過時，因為建築物經常變化，而且使用靜態測繪系統（如地面雷射掃描儀（TLS））更新其信息的成本很高。我們提出了一種能夠生成現實世界中各種室內環境的3D地圖的無人機。與常用的無人機相比，我們通過使用簡單且相對低成本的傳感器來保持無人機設計儘可能便宜。反過來，這會導致在發生碰撞時易於更換的無人機。提出的無人機具有以下特性：
①在硬體方面，它是一架微型無人機，配備六個1D掃描儀和一個光流量傳感器。我們選擇了平台和連接的傳感器，在性能、應用、尺寸和成本之間進行權衡。
②在軟體方面，我們的無人機採用基於特徵的圖形SLAM進行定位和映射。我們的SLAM受到Karam等人的啟發。它旨在通過連續LiDAR數據中檢測到的線性段來映射具有平面結構的室內環境。
我們配置了一個微型無人機，帶有一個用於測繪和避障的多範圍甲板，以及一個用於測量水平運動的Flow甲板V2。兩副牌都由Bitcraze出售。無人機的圖片如圖1 所示，它是一種四軸飛行器微型無人機，尺寸為182 × 158 × 56毫米，最大有效載荷能力約為 150克。微型無人機基於四軸飛行器配置，因為它的結構簡單，控制穩定。
圖1 帶有傳感器的四軸飛行器平台
該平台配備了四個塑料螺旋槳，電子速度控制器（ESC）和四個SkyRC X2208電機，直徑為28毫米，長度為35毫米，重量為37.5克。無人機由兩節三節鋰電池供電，標稱電壓為11.1 V，尺寸為57 × 30 × 23毫米，重量為70克，最小容量為800mAh。電池為長達12分鐘的連續飛行提供能量。包括無人機結構（52克）在內的關鍵部件的總重量為401.5克。由於我們的無人機配備了一維掃描儀，因此每個時間戳記錄的雷射數據不足以提取平面段。因此，我們利用EKF預測的點雲來提取平面段（圖2）。
圖2 算法總體框架
我們通過使用線分割算法，在預測的點雲中獨立地檢測到每個邊走廊的線性段，然後基於線性段提取平面段，假設牆是垂直的（圖3）。對於垂直測距儀，使用表面生長分割提取平面段。
圖3.左側護林員在走廊左側牆壁上捕獲的雷射點的俯視圖。顏色顯示平面關聯，黑線表示提取的平面（2D 邊界框）
我們從三個不同的測試站點收集了數據。在每個站點，我們選擇了映射場景，使操作員無法從起飛位置看到觀察到的空間。第一個、第二個和第三個數據集，命名為ITC1、ITC2和ITC3，是在荷蘭恩斯赫德的特溫特大學地理信息科學和地球觀測學院（ITC）大樓收集的。ITC1是L形六邊形形式的走廊（圖 4 和圖5），而ITC3是圍繞不規則形狀房間的環形（圖 6）。ITC1和ITC2（圖7）數據集分別用於評估所提出的室內測繪方法的性能，分別與RIEGL TLS（圖5）和平面圖獲得的地面事實進行比較。
圖4.ITC1 數據集的點雲（顏色顯示平面關聯）與牆平面（黑線）的傾斜視圖。藍色箭頭表示起始位置，紅色虛線表示位於走廊中的櫥櫃。出於可視化目的，未顯示天花板和樓層點
圖5.ITC1數據集的TLS 3D點雲的傾斜視圖。出於可視化目的，未顯示天花板和樓層點
圖6.ITC3 數據集的點雲（顏色顯示平面關聯）與牆平面（黑線）的傾斜視圖。藍星和加號分別指軌跡的起點和終點（綠松石色）。出於可視化目的，未顯示天花板和樓層點
圖7.我們的ITC2數據集地圖。（a） 我們的點雲（顏色顯示平面關聯）與牆平面（黑線）的俯視圖。出於可視化目的，不顯示樓層的點。綠色橢圓形環繞著走廊上的一根柱子。紅色虛線表示走廊中的相應空間。（b） 地圖的傾斜視圖
第四個數據集名為「公寓」，收集在德國明斯特一個典型學生公寓的走廊上。與ITC數據集類似，我們利用該數據集來評估無人機在繪製室內空間方面的性能，並將地圖中的一些距離與平面圖中的相應距離進行比較（圖8）。
圖8 公寓數據集的點雲的頂視圖（左）和傾斜視圖（右）。顏色顯示平面關聯。出於可視化目的，不顯示天花板和地板的點。黑色 2D 邊界框表示重建的平面。綠色橢圓形環繞著打開的門，藍色箭頭表示距離測量值，黑色箭頭指向另一個空間的開口
第五和第六個數據集分別命名為DLR1和DLR2，在德國柏林的德國航空航天中心（DLR）室內捕獲。DLR1數據集是從走廊和印表機室獲得的，它們通過一扇敞開的門連接（圖9）。DLR2數據集是在幾乎U形的空間中捕獲的（圖10）。這些數據集用於將擬議的室內測繪方法的性能與IPS頭盔和MAX無人機的性能進行比較。
圖9.DLR1數據集的點雲（顏色顯示平面關聯）與牆平面（黑線）的俯視圖。天花板點（藍色）和地板點（綠色）在掃描空間的中間重疊。紅色圓圈表示物體，紅色箭頭指向櫥櫃,參見圖11
圖10.DLR2數據集的點雲（顏色顯示平面關聯）與牆平面（黑線）的頂視圖。天花板（黃色和粉紅色）和地板點（綠色）兩個不同高度的點在掃描空間的中間重疊。紅色圓圈表示我們的無人機未訪問的區域，紅色箭頭指向廚房空間。紅色虛線表示廚房中的相應物體
圖 11.MAX和我們的DLR1數據集地圖。（a）地圖的傾斜視圖（彩色邊界框是指3D平面要素）。（b）MAX 3D點雲（綠色）和我們的地圖的傾斜視圖（黑色邊界框是指 3D 平面特徵）。（c）MAX 3D點雲（綠色）和我們的地圖（黑色邊界框指3D平面特徵）的頂視圖，其中點位於天花板的兩個不同高度（藍色和紫色）。紅色圓圈表示對象
同樣，DLR數據集的點雲（圖 9和圖 10）在幾何上與MAX無人機（圖11）和IPS頭盔（圖 12）得出的相應點雲相似。此外，圖12表明，我們的點雲比IPS點雲更精確地描繪了DLR站點的幾何形狀。
圖12 DLR數據集的IPS 3D 點雲（綠色）和點雲（藍色）的俯視圖
我們的無人機能夠繪製本研究中使用的所有測試地點，並提供點雲形狀的地圖，這為探索目的提供了足夠的信息。實驗結果表明，我們的無人機在繪製小型室內空間方面具有良好的性能。從我們的點雲與與之進行比較的系統（MAX無人機，IPS頭盔和TLS）的點雲之間的偏差相對較低中可以明顯看出這一點。此外，與平面圖的比較表明，距離差異不超過15厘米。
源自：Karam, S.; Nex, F.; Chidura, B.T.; Kerle, N. Microdrone-Based
Indoor Mapping with Graph SLAM. Drones 2022, 6, 352. https://doi.org/
10.3390/drones611035