-
Die Erfindung betrifft ein Verfahren zum Rekonstruieren zumindest einer Fahrzeugkomponente eines Kraftfahrzeugs. Ein weiterer Aspekt der Erfindung betrifft eine Rekonstruktionseinrichtung zum Rekonstruieren zumindest einer Fahrzeugkomponente eines Kraftfahrzeugs.
-
Bei der Entwicklung eines neuen Kraftfahrzeugs werden üblicherweise formbare Materialien beim sogenannten „Straken“ eingesetzt, um ein Modell des Kraftfahrzeugs herzustellen. Hierbei erfolgt ein Modellieren des Kraftfahrzeugs, wodurch das sogenannte Strak gebildet wird, welches zur digitalisierten, geometrischen Darstellung von sichtbaren Oberflächen im Exterieur und zusätzlich oder alternativ im Interieur des Kraftfahrzeugs dient.
-
Aus der
DE 102 48 990 A1 ist ein Verfahren zur Rekonstruktion einer mittels eines Fünfachs-Fräsprozesses gebildeten Oberfläche eines Werkstücks und ein System zur näherungsweisen Wiedergabe der Oberfläche eines mit einem Fräser bearbeiteten Werkstücks bekannt. Ein das Werkstück ganz oder teilweise repräsentierender Ausgangskörper wird anhand eines ebenen Gitters aus Strahlen berechnet, wobei jeder Strahl anhand einer Folge von Höhenintervallen gebildet und in materialrelevante Bereiche unterteilt wird. Um den Rechenaufwand für eine diskretisierte quantitative Beschreibung der Werkstückoberfläche zu reduzieren, wird anstelle einer räumlichen Polyedrisierung ein flächiges Approximationsverfahren verwendet. Hierzu wird eine ebene Fläche, insbesondere ein ebenes Gitter von Strahlen in der Art eines sogenannten Nagelbretts bestimmt und zur Flächenapproximation verwendet.
-
Aufgabe der vorliegenden Erfindung ist es, ein Verfahren sowie eine Rekonstruktionseinrichtung der eingangs genannten Art zu schaffen, durch welche eine besonders zeitsparende Rekonstruktion zumindest einer Fahrzeugkomponente eines Kraftfahrzeugs ermöglicht ist.
-
Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Patentanspruchs 1 sowie durch eine Rekonstruktionseinrichtung mit den Merkmalen des Patentanspruchs 10 gelöst. Vorteilhafte Weiterbildungen der vorliegenden Erfindung sind Gegenstand der abhängigen Ansprüche.
-
Ein erster Aspekt der Erfindung betrifft ein Verfahren zum Rekonstruieren zumindest einer Fahrzeugkomponente eines Kraftfahrzeugs, umfassend zumindest die Schritte:
- a) Abtasten einer Modelloberfläche eines Modells der zumindest einen Fahrzeugkomponente durch zumindest einen Sensor, wobei in Abhängigkeit von beim Abtasten der Modelloberfläche durch den zumindest einen Sensor erzeugten Sensordaten zumindest eine räumliche Punktewolke, welche die Modelloberfläche charakterisiert, erzeugt wird;
- b) Erzeugen eines virtuellen Oberflächenmodells der Fahrzeugkomponente durch maschinelles Lernen anhand der zumindest einen räumlichen Punktewolke mittels einer Recheneinrichtung und dadurch virtuelles Rekonstruieren der zumindest einen Fahrzeugkom ponente.
Dies ist von Vorteil, da durch das maschinelle Lernen auf ein manuelles Erzeugen des virtuellen Oberflächenmodells verzichtet werden kann, wodurch insgesamt eine besonders zeitsparende Rekonstruktion der zumindest einen Fahrzeugkomponente ermöglicht ist. Das Erzeugen des virtuellen Oberflächenmodells der Fahrzeugkomponente durch das maschinelle Lernen anhand der zumindest einen räumlichen Punktewolke kann mittels der Recheneinrichtung vollautomatisiert durchgeführt werden. Das Erzeugen des virtuellen Oberflächenmodells kann mittels der Recheneinrichtung also frei von manuellen Eingriffen durchgeführt werden. Das Modell der zumindest einen Fahrzeugkomponente kann als sogenanntes Clay-Modell ausgebildet sein. Ein solches Clay-Modell kann aus Plastilin gebildet sein. Der Sensor kann beispielsweise als Optiksensor, insbesondere als 3D-Scanner ausgebildet sein. Die räumliche Punktewolke kann durch den zumindest einen Sensor erzeugbar sein. Alternativ dazu kann die räumliche Punktewolke auch durch die Recheneinrichtung und basierend auf Sensordaten des Sensors, welche beim Abtasten der Modelloberfläche generiert werden, erzeugt werden. Unter dem Ausdruck „virtuelles Rekonstruieren“ ist im Rahmen der Erfindung ein „virtuelles Nachbilden“ zu verstehen.
-
In Schritt b) können insbesondere 3D-Flächen des virtuellen Oberflächenmodells mithilfe des maschinellen Lernens aus der zumindest einen räumlichen Punktewolke erzeugt werden. Mit anderen Worten können die 3D-Flächen des virtuellen Oberflächenmodells mithilfe des maschinellen Lernens, welches auch als „machine learning“ bezeichnet werden kann, basierend auf der zumindest einen räumlichen Punktewolke generiert werden. Die zumindest eine Punktewolke kann dabei mithilfe von maschinellem Lernen in die 3D-Flächen umgewandelt werden. Das Erzeugen des virtuellen Oberflächenmodells kann auch als Modell-Rückberechnung oder als Flächenrückberechnung bezeichnet werden. Unter dem Ausdruck „3D-Flächen“ sind im Rahmen der Erfindung derartige Flächen zu verstehen, welche sich räumlich, also beispielsweise in zwei voneinander verschiedenen Ebenen, erstrecken.
-
Der Erfindung liegt die Erkenntnis zugrunde, dass voneinander verschiedene Kraftfahrzeuge gleichartige Fahrzeugkomponenten mit zumindest ähnlicher Oberflächengestalt, welche auch als Oberflächenform bezeichnet werden kann, aufweisen können. So sind beispielsweise jeweilige Kotflügel verschiedener Kraftfahrzeugmodellreihen oder Kraftfahrzeugtypen, wie beispielsweise Limousinen, Kombis oder Cabriolets, zwar voneinander verschieden, also nicht vollkommen identisch, jedoch zumindest bereichsweise ähnlich geformt, wodurch eine Mustererkennung durch das maschinelle Lernen grundsätzlich ermöglicht ist. Dementsprechend können jeweils gleiche Muster der gleichartigen Fahrzeugkomponenten durch das maschinelle Lernen erkannt werden selbst wenn diese gleichartigen Fahrzeugkomponenten jeweils verschiedenen Kraftfahrzeugtypen, wie beispielsweise den besagten Limousinen, Kombis oder Cabriolets zugeordnet sind. Das maschinelle Lernen kann allgemein auf Referenzdatensätzen von vorbestimmten virtuellen Oberflächenmodellen vorbestimmter Fahrzeugkomponenten, zu welchen beispielsweise die beschriebenen Kotflügel der verschiedenen Kraftfahrzeugtypen gehören, basieren. Die Fahrzeugkomponente und die vorbestimmten Fahrzeugkomponenten können dabei zweckmäßigerweise gleichartig sein. Die Referenzdatensätze können die vorbestimmten virtuellen Oberflächenmodelle charakterisieren und dadurch zur Mustererkennung beim maschinellen Lernen dienen. Mit anderen Worten können die Referenzdatensätze beim maschinellen Lernen als Beispiele dienen, aus welchen durch das maschinelle Lernen Muster erkannt werden können. Aus der zumindest einen räumlichen Punktewolke, welche als Eingangsgröße für das maschinelle Lernen dient, kann dann zusammen mit den Referenzdatensätzen sowie den daraus erkannten Mustern das virtuelle Oberflächenmodell, welches beispielsweise als CAD-Modell ausgebildet sein kann, erzeugt werden.
-
Die Fahrzeugkomponente und die vorbestimmten Fahrzeugkomponenten können auch beispielsweise jeweils als Fahrzeugtüren, als Motorhauben oder andere, einem Exterieur des Kraftfahrzeugs zugeordnete Außenteile ausgebildet sein, um nur einige Beispiele zu nennen. Die Fahrzeugkomponente und die vorbestimmten Fahrzeugkomponenten können auch beispielsweise jeweils als Türinnenverkleidung, als Instrumententafel oder als Fahrzeugsäulenverkleidung (beispielsweise A-Säulen-Verkleidung) oder als andere, einem Interieur des Kraftfahrzeugs zugeordnete Innenteile ausgebildet sein, um nur einige Beispiele zu nennen.
-
In einer vorteilhaften Weiterbildung der Erfindung wird bei dem maschinellen Lernen ein stochastisches Gradientenabstiegsverfahren herangezogen. Das stochastisches Gradientenabstiegsverfahren kann also herangezogen und damit verwendet werden, um das virtuelle Oberflächenmodell anhand der zumindest einen räumlichen Punktewolke zu erzeugen. Das stochastisches Gradientenabstiegsverfahren kann auch als SGD-Verfahren (Stochastic Gradient Design-Verfahren) bezeichnet werden. Das stochastisches Gradientenabstiegsverfahren ermöglicht eine Minimierung von Verlusten durch Berechnung von Verlustgradienten in Bezug auf jeweilige Parameter eines mathematischen Modells, basierend auf den Referenzdatensätzen, welche auch als Trainingsdaten bezeichnet werden können. Das mathematische Modell kann beispielsweise Polynome und/oder Bezier-Funktionen umfassen. Die Polynome bzw. Bezier-Funktionen können eine mehrdimensionale Fläche bzw. eine Bezier-Fläche oder mehrere mehrdimensionale Flächen bzw. Bezier-Flächen charakterisieren. Beim stochastischen Gradientenabstiegsverfahren können iterativ Parameter angepasst werden, wobei nach und nach die beste Kombination von Gewichtungen (weights) und systematischen Fehlern (bias) gefunden wird, um die Minimierung der Verluste zu bewirken.
-
In einer weiteren vorteilhaften Weiterbildung der Erfindung erfolgt der weitere Schritt c) Generieren von Fertigungsdaten basierend auf dem virtuellen Oberflächenmodell, wobei die Fahrzeugkomponente zumindest teilweise anhand der Fertigungsdaten durch eine Fertigungsvorrichtung rekonstruierbar ist. Dies ist von Vorteil, da hierdurch die körperliche Rekonstruktion und damit die Herstellung der Fahrzeugkomponente anhand der Fertigungsdaten im Rahmen des Verfahrens erfolgen kann. Anhand der Fertigungsdaten kann ein Herstellen der Fahrzeugkomponente oder zumindest eines Teilbereichs der Fahrzeugkomponente mittels der Fertigungsvorrichtung erfolgen. Die Fertigungsdaten können Herstellverfahren, wie beispielsweise ein Gussverfahren, ein spanendes Verfahren (beispielsweise Fräsverfahren oder Drehverfahren), oder ein generatives Fertigungsverfahren (Schichtaufbauverfahren) charakterisieren, um nur einige Beispiele zu nennen. Mit anderen Worten können die Fertigungsdaten zumindest ein Verfahren zum Herstellen der Fahrzeugkomponente (Herstellverfahren) charakterisieren. Anhand der Fertigungsdaten kann die Fahrzeugkomponente als körperliche (physische) Fahrzeugkomponente hergestellt werden.
-
In einer weiteren vorteilhaften Weiterbildung der Erfindung werden die Fertigungsdaten in Schritt c) basierend auf dem virtuellen Oberflächenmodell durch die Recheneinrichtung generiert. Dies ist von Vorteil, da die Recheneinrichtung somit nicht nur zum Erzeugen des virtuellen Oberflächenmodells, sondern auch zum Generieren der Fertigungsdaten herangezogen werden kann, wodurch die Recheneinrichtung eine besonders hohe Funktionalität aufweisen kann. Die Recheneinrichtung kann also in vorteilhafter Weise dazu eingerichtet sein, die Fertigungsdaten basierend auf dem virtuellen Oberflächenmodell zu generieren.
-
In einer weiteren vorteilhaften Weiterbildung der Erfindung erfolgt der weitere Schritt d) Rekonstruieren der zumindest einen Fahrzeugkomponente anhand der Fertigungsdaten durch die Fertigungsvorrichtung. Dies ist von Vorteil, da hierdurch anhand der Fertigungsdaten und der Fertigungsvorrichtung das unmittelbare Rekonstruieren der Fahrzeugkomponente und dadurch das physische Erzeugen der Fahrzeugkomponente ermöglicht ist.
-
In einer weiteren vorteilhaften Weiterbildung der Erfindung wird als der zumindest eine Sensor ein 3D-Scanner herangezogen. Dies ist von Vorteil, da der 3D-Scanner ein besonders genaues Abtasten der Modelloberfläche ermöglicht.
-
In einer weiteren vorteilhaften Weiterbildung der Erfindung wird der zumindest eine Sensor durch die Recheneinrichtung gesteuert. Dies ist von Vorteil, da die Recheneinrichtung somit eine besonders hohe Funktionalität aufweist. Insbesondere kann dadurch auf ein manuelles Führen des Sensors verzichtet werden.
-
In einer weiteren vorteilhaften Weiterbildung der Erfindung wird eine Führungsvorrichtung herangezogen, um eine Relativbewegung zwischen dem zumindest einen Sensor und dem Modell der zumindest einen Fahrzeugkomponente beim Abtasten der Modelloberfläche zu bewirken. Dies ist von Vorteil, da durch eine derartige Führungsvorrichtung ein besonders effizientes Abtasten der Modelloberfläche erfolgen kann. Die Führungsvorrichtung kann beispielsweise als Roboterarm ausgebildet sein, um nur ein Beispiel zu nennen. An der Führungsvorrichtung kann der Sensor bewegbar, beispielsweise schwenkbar, aufgenommen und signalübertragend mit der Recheneinrichtung gekoppelt sein.
-
In einer weiteren vorteilhaften Weiterbildung der Erfindung wird die Führungsvorrichtung durch die Recheneinrichtung gesteuert. Dies ist von Vorteil, da die Recheneinrichtung somit eine besonders hohe Funktionalität aufweisen kann.
-
Ein zweiter Aspekt der Erfindung betrifft eine Rekonstruktionseinrichtung zum Rekonstruieren zumindest einer Fahrzeugkomponente eines Kraftfahrzeugs, umfassend:
- - zumindest einen Sensor zum Abtasten einer Modelloberfläche eines Modells der zumindest einen Fahrzeugkomponente, wobei in Abhängigkeit von beim Abtasten der Modelloberfläche durch den zumindest einen Sensor erzeugbaren Sensordaten zumindest eine, die Modelloberfläche charakterisierende, räumliche Punktewolke mittels des Sensors erzeugbar ist;
- - eine Recheneinrichtung, welche dazu eingerichtet ist, ein virtuelles Oberflächenmodell der Fahrzeugkomponente durch maschinelles Lernen anhand der zumindest einen räumlichen Punktewolke zu erzeugen und dadurch die zumindest eine Fahrzeugkomponente virtuell zu rekonstruieren.
Die im Zusammenhang mit dem erfindungsgemäßen Verfahren vorgestellten Merkmale sowie deren Vorteile gelten entsprechend für die erfindungsgemäße Rekonstruktionseinrichtung und umgekehrt.
-
Die Recheneinrichtung der Rekonstruktionseinrichtung kann dazu eingerichtet sein, Fertigungsdaten basierend auf dem virtuellen Oberflächenmodell zu generieren, wobei die Fahrzeugkomponente zumindest teilweise anhand der Fertigungsdaten durch eine Fertigungsvorrichtung rekonstruierbar ist. Die Rekonstruktionseinrichtung kann diese Fertigungsvorrichtung umfassen. Die Rekonstruktionseinrichtung kann zudem eine Führungsvorrichtung umfassen, welche herangezogen werden kann, um eine Relativbewegung zwischen dem zumindest einen Sensor und dem Modell der zumindest einen Fahrzeugkomponente beim Abtasten der Modelloberfläche zu bewirken. Die Recheneinrichtung kann dazu eingerichtet sein, die Führungsvorrichtung zu steuern. Dadurch kann die Recheneinrichtung in vorteilhafter Weise besonders flexibel und für eine Vielzahl an Arbeitsschritten eingesetzt werden.
-
Zu der Erfindung gehören auch Weiterbildungen der erfindungsgemäßen Rekonstruktionseinrichtung, die Merkmale aufweisen, wie sie bereits im Zusammenhang mit den Weiterbildungen des erfindungsgemäßen Verfahrens beschrieben worden sind. Aus diesem Grund sind die entsprechenden Weiterbildungen der erfindungsgemäßen Rekonstruktionseinrichtung hier nicht noch einmal beschrieben.
-
Im Folgenden sind Ausführungsbeispiele der Erfindung beschrieben. Hierzu zeigt:
- 1 eine schematische Darstellung einer Rekonstruktionseinrichtung zum Rekonstruieren einer Fahrzeugkomponente eines Kraftfahrzeugs, wobei die Rekonstruktionseinrichtung einen Sensor, eine Führungsvorrichtung, eine Recheneinrichtung und eine Fertigungsvorrichtung umfasst;
- 2 ein qualitatives Diagramm, welches beispielhaft einen Querschnitt einer Punktewolke, welche aus Sensordaten des Sensors beim Abtasten einer Modelloberfläche eines Modells der Fahrzeugkomponente erzeugt wurde, sowie eine durch maschinelles Lernen aus der Punktewolke erzeugte Oberflächenkonturlinie eines virtuellen Oberflächenmodells der Fahrzeugkomponente zeigt; und
- 3 ein Ablaufdiagramm, welches schematisch einzelne Verfahrensschritte eines Verfahrens zum Rekonstruieren der Fahrzeugkomponente des Kraftfahrzeugs zeigt.
-
Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsformen der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten der Ausführungsformen jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden. Daher soll die Offenbarung auch andere als die dargestellten Kombinationen der Merkmale der Ausführungsformen umfassen. Des Weiteren sind die beschriebenen Ausführungsformen auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.
-
In den Figuren bezeichnen gleiche Bezugszeichen jeweils funktionsgleiche Elemente.
-
Die 1, 2 und 3 dienen zur Veranschaulichung eines Verfahrens zum Rekonstruieren einer Fahrzeugkomponente 50 eines Kraftfahrzeugs. Die Fahrzeugkomponente 50 kann, wie exemplarisch in 1 erkennbar ist, beispielsweise als Außenteil, insbesondere Außenblech oder Außenhülle, einer Fahrzeugtür des Kraftfahrzeugs ausgebildet sein.
-
Zur Durchführung des Verfahrens kann eine Rekonstruktionseinrichtung 100 verwendet werden, welche schematisch ebenfalls in 1 gezeigt ist.
-
3 veranschaulicht anhand eines Ablaufdiagramms einzelne Schritte a), b), c) und d) des Verfahrens.
-
In Schritt a) erfolgt ein Abtasten einer in 1 gezeigten Modelloberfläche 12 eines Modells 10 der Fahrzeugkomponente 50 durch zumindest einen Sensor 20 der Rekonstruktionseinrichtung 100, wobei in Abhängigkeit von beim Abtasten der Modelloberfläche 12 durch den zumindest einen Sensor 20 erzeugten Sensordaten 22 zumindest eine räumliche Punktewolke 30, welche die Modelloberfläche 12 charakterisiert, erzeugt wird. Die Modelloberfläche 12 kann vorliegend Außenflächen, Innenflächen sowie Seitenflächen des Modells 10 umfassen. Als der Sensor 20 wird dabei ein 3D-Scanner herangezogen.
-
In einem Schritt b) erfolgt ein Erzeugen eines virtuellen Oberflächenmodells 40 der Fahrzeugkomponente 50 durch maschinelles Lernen anhand zumindest einer räumlichen Punktewolke 30 mittels einer Recheneinrichtung 70 der Rekonstruktionseinrichtung 100 und dadurch ein virtuelles Rekonstruieren der zumindest einen Fahrzeugkomponente 50. Der zumindest eine Sensor 20 kann durch die Recheneinrichtung 70 gesteuert werden.
-
Um eine Relativbewegung zwischen dem Sensor 20 und dem Modell 10 beim Abtasten der Modelloberfläche 12 zu bewirken wird eine Führungsvorrichtung 90 der Rekonstruktionseinrichtung 100 herangezogen. Die Führungsvorrichtung 90, welche - wie in 1 angedeutet - beispielsweise als Roboterarm ausgebildet sein kann, kann durch die Recheneinrichtung 70 gesteuert werden.
-
Die räumliche Punktewolke 30 dient als Eingangsgröße für das maschinelle Lernen. Anhand der räumlichen Punktewolke 30 sowie anhand von Referenzdatensätzen 32, 34 von vorbestimmten virtuellen Oberflächenmodellen hier nicht weiter gezeigter, vorbestimmter Fahrzeugkomponenten, welche der Fahrzeugkomponente 50 zumindest ähnlich sind, wird das virtuelle Oberflächenmodell 40 der Fahrzeugkomponente 50 erzeugt. 2 zeigt hierzu exemplarisch und qualitativ - aus Gründen der Übersichtlichkeit - lediglich ein Diagramm mit einer aus einem Querschnitt 31 der Punktewolke 30 generierte Oberflächenkonturlinie 41 des virtuellen Oberflächenmodells 40. Die Oberflächenkonturlinie 41 stellt vorliegend einen zweidimensionalen Teilbereich eines Querschnitts des virtuellen Oberflächenmodells 40 dar.
-
In einem Schritt c) erfolgt ein Generieren von Fertigungsdaten 42 basierend auf dem virtuellen Oberflächenmodell 40, wobei die Fahrzeugkomponente 50 zumindest teilweise anhand der Fertigungsdaten 42 durch eine Fertigungsvorrichtung 80 der Rekonstruktionseinrichtung 100 rekonstruierbar ist. Die Fertigungsdaten 42 in Schritt c) werden basierend auf dem virtuellen Oberflächenmodell 40 durch die Recheneinrichtung 70 generiert.
-
In einem Schritt d) erfolgt ein Rekonstruieren der zumindest einen Fahrzeugkomponente 50 anhand der Fertigungsdaten 42 durch die Fertigungsvorrichtung 80.
-
Bei dem maschinellen Lernen in Schritt b) wird ein stochastisches Gradientenabstiegsverfahren herangezogen.
-
Beim stochastischen Gradientenabstiegsverfahren können Polynome der Art
verwendet werden, wobei jeweilige, zu ermittelnde Parameter
a,
b,
c,
d durch das maschinelle Lernen anhand der Punktewolke
30 und der Referenzdatensätze
32,
34 ermittelt werden können. In dem Diagramm in
2 ist die Variable x auf der Abszisse aufgetragen, wohingegen die Variable y auf der Ordinate aufgetragen ist.
-
Diese Parameter lassen sich bei der in 2 exemplarisch lediglich im zweidimensionalen Querschnitt 31 dargestellten Punktewolke 30 durch das stochastisches Gradientenabstiegsverfahren als Methode des maschinellen Lernens ermitteln.
-
Das Erzeugen dreidimensionaler Flächen B, Z des virtuellen Oberflächenmodells 40, was auch als 3D-Flächengenerierung im (dreidimensionalen) Raum bezeichnet werden kann, kann auf Basis der räumlichen und damit dreidimensionalen Punktewolke 30 erfolgen, wobei die räumliche Punktewolke 30 als Eingangsgröße (input) genutzt werden kann.
-
Die dreidimensionale Fläche Z kann beispielsweise mit einer entsprechenden Flächenfunktion Z(
x,
y) definiert werden zu:
-
Die Parameter a, b, c, d, e, f, g können auch hierbei durch das maschinelle Lernen (hier: stochastisches Gradientenabstiegsverfahren) ermittelt werden.
-
Bei der anhand des Sensors 20 bestimmten und damit gegebenen räumlichen Punktewolke 30, welche auch als 3D-Punktewolke bezeichnet werden kann, lassen sich diese Parameter analog zu der in 2 gezeigten, zweidimensionalen Bestimmung über das stochastische Gradientenabstiegsverfahren als das maschinelle Lernen ermitteln. Dies ermöglicht eine eindeutige Flächendefinition.
-
Die dreidimensionalen Flächen des virtuellen Oberflächenmodells 40 können auch als Bezier-Flächen B beschrieben bzw. ermittelt werden. Diese Bezier-Flächen B sind beispielsweise bei einer Modell-Rückberechnung hilfreich.
-
Für die Bezier-Fläche B zweiter Ordnung (n=2), welche auch als quadratische Bezier-Kurve bezeichnet werden kann, kann folgende Funktion B(t) verwendet werden:
-
Auch hierbei können jeweilige Parameter, beispielsweise a, b, c, Po, P1, P2 analog zu den beiden oben beschriebenen Beispielen auf Basis der Punktewolke 30 berechnet werden.
-
Das Verfahren ermöglicht es einzelne Oberflächensegmente des virtuellen Oberflächenmodells 40 nacheinander zu ermitteln.
-
Insgesamt zeigen die Beispiele, wie durch die Erfindung eine Flächenrekonstruktion im Strakbereich erfolgen kann. Die zumindest eine Punktewolke 30 oder eine Mehrzahl derartiger Punktewolken kann aus den Sensordaten (hier: Scandaten) des Sensors 20 beim Abtasten der Modelloberfläche 12 des Modells (hier: Clay-Modell) ermittelt werden. Die Flächenrekonstruktion kann in Form von 3D-Flächen auf Basis der Punktewolke 30 oder einer Mehrzahl an Punktewolken durch maschinelles Lernen (machine learning-Methoden) erfolgen.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-