Паралельний метод RANSAC для потокового оброблення даних сенсорів LiDAR

2024

Науковий вісник НЛТУ України, Vol 34, Iss 3 (2024)

Встановлено, що технологія LiDAR у кластеризації дає змогу підвищити ефективність потокового оброблення даних й отримати точніші результати. Проаналізовано, що проблема створення тривимірного контуру кімнати на підставі даних, зібраних сенсорами виявлення та визначення відстані LiDAR, є ключовим аспектом просторового аналізу, оскільки від цього залежить точність моделі довкільного простору. З'ясовано, що одним з ефективних підходів до вирішення цієї проблеми є використання методу консенсусу випадкової вибірки RANSAC, який дає змогу виділити і відокремити відхилення та випадкові помилки в даних, що отримані зі сенсорів. Запропоновано вдосконалити метод RANSAC шляхом використання технології паралельних обчислень. Це дало можливість розділити початкове завдання на менші частини та обробляти їх одночасно, що сприяє збільшенню швидкості оброблення даних і зменшенню тривалості виконання алгоритму. Оцінено продуктивність методу кластеризації у спосіб запуску програми на виконання 50 разів для послідовного та розпаралеленого алгоритмів, зберігаючи час кожного запуску для розрахунку середньої тривалості виконання. Наведено теоретичну апріорну оцінку показника пришвидшення для різної кількості паралельних потоків. Унаслідок цього здійснено порівняння фактичної ефективності з теоретичною оцінкою. Наведено результати, які вказують на масштабованість підходу та його потенціал для подальшого підвищення ефективності систем за використання більшої кількості обчислювальних ядер. Зменшено тривалість обчислення в 5,5 раза за використання 8 паралельних потоків порівняно з послідовним виконанням, що підкреслює значну перевагу паралельних обчислень під час оброблення великих даних, таких як хмари точок. Наведено результати оцінювання обчислювальної складності послідовного та вдосконаленого паралельного алгоритмів та проаналізовано показники ефективності паралельного. Подальші дослідження полягають у модифікації методів кластеризації на підставі LiDAR для різних застосувань, враховуючи робототехніку та геологічні дослідження, а також розроблення ефективних підходів до паралельного оброблення даних з інших типів сенсорів.

article

English
Polish
Russian
Ukrainian

Ukrainian National Forestry University, 2024.

кластеризація, сенсор, розпаралелення, тривимірні моделі, пришвидшення, Forestry, SD1-669.5