@misc{12646,
  abstract     = {{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. }},
  author       = {{Wiemann, Sam}},
  keywords     = {{3D-Rekonstruktion, Gaussian Splatting, Photogrammetrie, LiDAR, autonome Robotik, digitale Zwillinge, Industrie 4.0}},
  publisher    = {{Technische Hochschule Ostwestfalen-Lippe}},
  title        = {{{Entwicklung und Evaluierung eines multisensorischen Kamera-Setups zur 3D-Raumrekonstruktion in einer dynamischen Industrieumgebung mittels Gaussian Splatting auf einem autonomen Robotersystem}}},
  year         = {{2025}},
}

@misc{7734,
  abstract     = {{    Der Konferenzbeitrag zeigt den Forschungs- und Technikstand bezüglich des Griff-in-die-Kiste auf. Basierend auf einer Literaturrecherche werden Beispiele für regelbasierte und lernende Verfahren vorgestellt. Anschließend erfolgt eine systematische Gegenüberstellung der Verfahren. Hierfür werden die Anforderungen, die ein Griff-in-die-Kiste-System zu erfüllen hat, dargelegt. Die Kriterien resultieren aus einer Expertenbefragung des produktionstechnischen Umfelds der Weidmüller Gruppe. Neben den Anforderungen werden die Gewichtungen zur Bildung einer Rangfolge ermittelt. Die erarbeiteten Anforderungen dienen anschließend zur Bewertung der regelbasierten und lernenden Verfahren. Die Analyse mündet in einer methodischen Lücke zwischen beiden Paradigmen und stellt die Ausgangsbasis für die weitere Arbeit zur Entwicklung des industriellen Griff-in-die-Kiste dar. Abschließend werden erste Arbeitsergebnisse zur Objekterkennung von Reihenklemmen veröffentlicht. In einer Untersuchung werden die Zuverlässigkeit, die Robustheit sowie die Einrichtdauer einer Objekterkennung mithilfe von Deep Learning ermittelt. Das angestrebte Forschungsergebnis stellt einen Entwicklungsschritt von automatisierten Systemen, die in einem definierten Wirkbereich eigenständig arbeiten, zu autonomen Systemen, die selbstständig auf zeitvariante Größen reagieren, dar.}},
  author       = {{Stuke, Tobias and Bartsch, Thomas and Rauschenbach, Thomas}},
  booktitle    = {{Tagungsband AALE 2022: Wissenstransfer im Spannungsfeld von Autonomisierung und Fachkräftemangel}},
  editor       = {{Härle, Christian and Jäkel, Jens and Sand, Guido}},
  keywords     = {{Griff-in-die-Kiste, Bildverarbeitung, Robotik, Deep Learning, lernende Verfahren, regelbasierte Verfahren}},
  location     = {{Pforzheim}},
  pages        = {{145 – 154}},
  publisher    = {{Open Access}},
  title        = {{{Adaptiver Griff-in-die-Kiste – Die methodische Lücke zwischen Forschung und Industrie}}},
  doi          = {{https://doi.org/10.33968/2022.14}},
  year         = {{2022}},
}