Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Profesor
Oscar Pedraza Franco
Antecedentes
Enfoques de correspondencia puntual (Bosché 2010; Kim et al. 2013; Turkan et al.
2014) generan nubes puntuales planificadas a partir de elementos de modelos 3D
y buscan las más cercanas se construyeron correspondencias dentro de una
distancia umbral para determinar si un punto como planeado está presente en la
escena como-construido. Los vértices de triangulación de superficie de diseño son
escasos, por lo que las nubes puntuales planeadas deben estar o bien en la
superficie de diseño para que coincidan estrechamente con la densidad de la nube
tal como está construida (por ejemplo, Kim et al. 2013), o los puntos tal como
están construidos deben proyectarse sobre las superficies cercanas antes de
seleccionar la proyección más cercana como la ubicación correcta como se planeó
(por ejemplo, Bosché 2010). Los investigadores utilizaron principalmente umbrales
sobre el número de correspondencias de puntos confirmados para determinar si
se detectó un elemento de modelo. Estos métodos resultaron prometedores para
la detección automática de elementos de construcción estructural planificados en
3D PCD, en particular al incorporar a priori información de conectividad y
secuenciación de construcción como Kim et al. (2013). Sin embargo, se centraron
en la detección total o total de los componentes individuales. Este enfoque
funciona bien para detectar componentes relativamente pequeños construidos
dentro de un ciclo de seguimiento del progreso (por ejemplo, una columna), pero
no capta el tipo de progreso incremental necesario para apoyar el control eficaz
del proyecto en las obras de construcción de carreteras con superficies de diseño
muy grandes
Sólo un estudio buscó comparar las capas superficiales del diseño de carreteras
con los datos de nubes de punto como-construido (Kivimaki y Heikkila 2015). Este
estudio, sin embargo, se detuvo a corto de la verdadera detección de superficie de
diseño porque la coincidencia de los puntos encuestados con la superficie de
diseño pertinente se logró mediante la asignación de un código específico que une
cada punto a una superficie.
2. ¿Cómo puede clasificarse con precisión el PCD tal como está construido dentro
de las regiones divididas, teniendo en cuenta el ruido y la incertidumbre en la
escena tal como está construido?
Los autores proponen una solución novedosa para detectar superficies de diseño
de carreteras en capas en regiones discretas de datos de nubes de puntos a
medida. Esta solución implementa una nueva estructura de datos de partición de
espacio jerárquica guiada por modelos y escasa llamada Bricktree, una
combinación de los nombres de los autores y un guiño a la forma cuboide
rectangular de la hoja voxels en esta estructura. La Fig. 2 ilustra los procesos
clave en la implementación de este enfoque. Las entradas a esta solución son (1)
una nube de puntos tal como está construida, escalada en unidades del mundo
real y registrado en el sistema de coordenadas del modelo CIM; y (2) superficies
de capas de carreteras trianguladas extraídas del modelo CIM. El resto de esta
sección describe con más detalle los cuatro procesos de la solución propuesta.
Hay dos estrategias generales para asignar los puntos tal como están construidos
a un árbol de partición de espacio jerárquico: (1) atraviese la nube de puntos para
determinar en qué parte de la estructura del árbol se encuentra cada punto, o (2)
atravesar la estructura del árbol para identificar y asignar puntos en las
proximidades de cada voxel. La estructura leafVoxels alineada a ejes permite
indexar rápidamente los puntos y asignarlos a regiones 3D discretas. Por esta
razón, los autores optaron por atravesar la nube tal como fue construida,
asignando directamente puntos a leafVoxels. Debido a que los voxels no están
espaciados uniformemente en la dirección z, la indexación rápida sólo ocurre a
nivel de rama. Para un determinado punto como-construido, pb, el proceso calcula
el índice de ramas comparándolo con el origen (punto inferior izquierdo) del
proyectoGrid, po, usando las ecuaciones siguientes, donde ni celdas es el número
de células proyectGrid en la dirección x. .
Clasificación de Sucursales
Los errores horizontales (εc; h y εm; h) podrían dar lugar a errores de detección,
principalmente a lo largo de los límites del corredor vial.
Los errores verticales (εc; v, εm; v, y εn) podrían resultar en errores de detección
dentro de cualquier rama del Bricktree. El parámetro buscar distancia maneja la
sensibilidad de error vertical de la solución propuesta y se limita a una distancia
máxima igual al grosor de la capa de diseño de carretera más delgada para evitar
el solapamiento de leafVoxels. Ec. (5) describe la relación entre este parámetro y
el error de entrada de datos requerido para permitir la detección
De nuevo, las especificaciones del contrato impulsan los niveles εc;v aceptables,
con la Agencia de Carreteras del Reino Unido definiendo los límites a 6 mm para
el pavimento, 15 mm para la base y 10 mm para los niveles de la base. Utilizando
el máximo permitido εc; v de 15 mm y una búsqueda teórica de 4 cm de diámetro,
la mayoría de los puntos tendrían que estar dentro de un error de medición vertical
(εm; v þ εn) de 2,5 cm para facilitar la detección.
Los autores recopilaron los datos planificados en dos días separados durante la
construcción de una carretera residencial para un nuevo desarrollo en Cambridge,
Reino Unido. El diseño del camino asfaltado incluyó cinco superficies distintas: (1)
la formación (fondo de excavación), (2) una capa de base de 520 mm de espesor,
(3) un curso de base de 125 mm de espesor, (4) un curso de 65 mm de espesor
aglutinante asfáltico, y (5) un curso de desgaste del asfalto de 40 mm de espesor.
La aplicación AutoCAD Civil 3D se utilizó para generar un modelo de corredor 3D
a partir de la información de diseño 2D proporcionada por el contratista.
Los autores verificaron la idoneidad de los datos simulados comparándolos con los
datos del mundo real, examinando específicamente la densidad de los puntos y
las estadísticas de la distancia a la superficie. Esto se hizo mediante la
construcción de histogramas de los datos para cada métrica; distribuciones
normales se ajustaron a los histogramas para describir y visualizar los resultados
(Fig. 8). Aislar el error de medición fotogramétrica en este caso requeriría modelar
con precisión el error de construcción en todo el corredor de carretera, lo que a su
vez requeriría técnicas de medición y modelado que introducen sus propios
errores. Para tener en cuenta esto, y hacer el siguiente análisis una comparación
de manzanas a manzanas, los autores calcularon las distancias punto a superficie
de los datos simulados en relación con las superficies de diseño sin errores.
Los primeros experimentos realizados con los datos sintéticos tenían por objeto
determinar qué regla de desonflicción de detección de sucursales produce los
mejores resultados, y cómo las variaciones en la altura de voxel (searchDistance)
afectan a esos resultados. Los autores realizaron 20 ensayos para cada regla de
decisión probada (60 en total), variando la búsqueda entre 0,1 y 2,0 cm en
incrementos de 0,1 cm. Como se discutió anteriormente, el diseño de 40 mm de
espesor del curso de desgaste impulsó la selección de los valores de buscar
distancia probados. La Fig. 9 muestra la puntuación de F1 lograda en cada uno de
estos ensayos.
La superficie de recogida de datos del primer día estuvo sujeta a una serie de
oclusiones causadas por un vehículo estacionado, un compactador de rodillos y
múltiples barreras de seguridad asociadas con trabajos relacionados con otras
tareas programadas. Además, el contratista construyó intencionalmente tres
regiones del material de encuadernación a una elevación inferior a la proyectada.
Estas regiones correspondían a zonas en las que las carreteras de conexión
estaban a la espera de su instalación aglomerante asfáltico, tiempo durante el cual
el contratista corregiría las regiones intencionalmente bajas para proporcionar una
conexión sin problemas, Los primeros experimentos con datos del mundo real
eliminaron estas regiones y ocluyeron áreas de ambos conjuntos de datos del
análisis para aislar el desempeño del método en regiones donde las superficies de
verdad del suelo son observables en los datos. Las estrategias para hacer frente a
estas regiones problemáticas se examinan en los párrafos siguientes y son objeto
de una investigación continua.
Los autores experimentaron con el aumento del parámetro de distancia vecino del
método de corrección de valores atípicos para compensar el error y las regiones
ocluidas. Las combinaciones de parámetros de corrección de valores anómalos
producen una puntuación F1 superior al 95% en los datos sintéticos (como se
muestra en la Fig. 10) fueron implementados en el Día 1 y el Día 2 conjuntos de
datos para distancias de búsqueda superiores a 2. El mejor rendimiento general
resultó de una distancia de búsqueda de 7 con un umbral de consenso del 55%. El
cuadro 3 muestra los resultados de esta combinación, con y sin oclusiones
contabilizados en los cálculos de rendimiento. Fig. 13 ilustra los resultados.
Tiempo de procesamiento