Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Instituto Politécnico Nacional CENTRO DE INVESTIGACIÓN EN CIENCIA APLICADA Y TECNOLOGÍA AVANZADA UNIDAD QUERÉTARO POSGRADO EN TECNOLOGÍA AVANZADA Generación de mapas globales 3D a partir de mapas locales 3D. TESIS QUE PARA OBTENER EL GRADO DE MAESTRIA EN TECNOLOGÍA AVANZADA PRESENTA Ángel Iván García Moreno Directores de Tesis: Dr. José Joel González Barbosa Dr. Francisco Javier Ornelas Rodríguez Querétaro, Qro. Mayo del 2012. INSTITUTO POLITECNICO NACIONAL SECRETARiA DE INVESTIGACION Y POSGRADO ACTA DE REVISION DE TESIS En la Ciudad de Santiago. de Queretaro sienda las 12:00 haras del dia 28 del mes de Maya del 2012 se reunieron las miembros de la Camisi6n Revisara de Tesis, designada par el Calegia de Profesares de Estudias de Pasgrada e Investigaci6n de CICATA - Queretaro para examinar la tesis titulada: "Generaci6n de mapas glabales 3D a partir de mapas lacales 3D" Presentada par el alumna: Garcia Con registro: 1AI. 1 - 1- 1- I· I. 1 Mareno. Apellido paterno Apellido materno aspirante de: Maestria en Tecnalogia Avanzada Despues de intercambiar apinianes las miembros de la Camisi6n manifestaron APROBAR LA TES/S, en virtud de que satisface las requisitas senaladas par las dispasicianes reglamentarias vigentes. LA COMISION REVISORA Directores de tesis :2 :5 C Dr. Jose Joel Gonzalez Barbosa Dr. Joaquin Salas Rodriguez Dr. Raul Alejandro Avalos Zuniga INSTITUTO POLITECNICO NACIONAL SECRETARiA DE INVESTIGACION Y POSGRADO CARTA CES/ON DE DERECHOS En la Ciudad de Santiago de Queretaro el dia 28 del mes Mayo del afio 2012, el que suscribe Angel Ivan Garcia Moreno alumno del Programa de Maestria en Tecnologia Avanzada con numero de registro Al 00341, adscrito al Centro de Investigaci6n en Ciencia Aplicada y Tecnologia Avanzada, manifiesta que es autor intelectual del presente trabajo de Tesis bajo la direcci6n del Dr. Jose Joel Gonzalez Barbosa y el Dr. Francisco Javier Ornelas Rodriguez y cede los derechos del trabajo intitulado "Generaci6n de mapas globales 3D a partir de mapas locales 3D", al Instituto Politecnico Nacional para su difusi6n, con fines academicos y de investigaci6n. Los usuarios de la informaci6n no deben reproducir el contenido textual, gnificas 0 datos del trabajo sin el permiso expreso del autor y/o director del trabajo. Este puede ser obtenido escribiendo a la siguiente direcci6n angelivan.garciam@gmail.com. Si el permiso se otorga, el usuario debeni dar el agradecimiento correspondiente y citar la fuente del mismo. Angel Ivan Garcia Moreno A mi Santi por iluminar mi vida con cada sonrisa. Agradecimientos Durante más de dos años dedicando tiempo y esfuerzo, adquiriendo y desarrollando nuevo conocimiento, madurando y reflexionando en la vida y logrando una meta más, no puedo dejar de agradecer a toda las personas e instituciones que me apoyaron durante la realización de este sueño. Gracias: A Myriam por darme su apoyo incondicional y desinteresado, por los consejos cuan- do estaba por darme por vencido, gracias por darme a ese bebe tan hermoso y enseñarme que más allá de lo material esta la esencia de las cosas y que es lo que realmente vale. Este camino fue incréıble. A mi familia por darme las bases para poder enfrentar todos los retos y saber tomar decisiones como gente honesta y madura y no buscar la puerta fácil. Al Dr. José Joel González Barbosa por ofrecerme siempre su apoyo incondicional en todos los aspectos, por extenderme su amistad y por ser una referencia para poder lograr mi meta. Mi admiración y respeto doc. Al todo el grupo de análisis de imágenes por hacer que el tiempo fuera más ameno, a mis compañeros por sacarme una risa en todo momento y en especial a los doc- tores: Francisco Javier Ornelas Rodŕıguez, Juan Hurtado Ramos y Joaqúın Salas Rodŕıguez, por guiarme y aconsejarme. Al Instituto Politécnico Nacional, en particular al Centro de Investigación en Cien- cia Aplicada y Tecnoloǵıa Avanzada en Santiago de Querétaro por brindarme la oportunidad y confianza para desarrollar este proyecto. Al Consejo de Ciencia y Tecnoloǵıa (CONACYT) por el apoyo económico brindado para poder culminar esta investigación, con apoyo al becario número 348861/237674. Índice general 1. Introducción 19 1.1. Antecedentes en el CICATA . . . . . . . . . . . . . . . . . . . . . . . . . 21 1.2. Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 1.3. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 1.4. Objetivos Espećıficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2. Estado del Arte 23 2.1. Reconstrucción y modelado tridimensional de ciudades a partir de cámaras 24 2.2. Reconstrucción y modelado tridimensional usando cámaras y del LIDAR 26 2.3. Reconstrucción y modelado tridimensional usando un LIDAR . . . . . . 28 2.4. Reconstrucción y modelado tridimensional usando un LIDAR aéreo y sis- temas inerciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.4.1. Georeferencias integradas del escaneo láser terrestre . . . . . . . . 32 2.4.2. Mapeo láser para el refinamiento de modelos de edificios 3D . . . 32 3. Sistema de Información Geográfica 34 3.1. Modelado 2D, 2.5D y 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.2. Calidad de los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.3. Modelado espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.4. Modelado Espacial 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.5. Superficies de Modelado . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.5.1. Modelo de Puntos . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.5.2. Ĺıneas de Contorno . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.5.3. DEM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.5.4. TIN (Triangulated Irregular Network) . . . . . . . . . . . . . . . 41 3.6. Ground Surveying . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.7. Errores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.7.1. Errores Instrumentales . . . . . . . . . . . . . . . . . . . . . . . . 42 3.7.2. Errores No Instrumentales . . . . . . . . . . . . . . . . . . . . . . 43 3.8. Precisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 9 3.9. Ventajas y Desventajas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4. Sistema de Posicionamiento Global 45 4.1. Principio Básico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.2. Tiempo GPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.3. Elementos del GPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 4.3.1. Segmento Espacial (Satélites) . . . . . . . . . . . . . . . . . . . . 47 4.3.2. Segmento del usuario (Receptores) . . . . . . . . . . . . . . . . . 47 4.3.3. Segmento de Control (Estaciones de Seguimiento) . . . . . . . . . 48 4.3.4. Problemas en la calidad de los datos . . . . . . . . . . . . . . . . 48 4.4. Sistema de medida en GPS . . . . . . . . . . . . . . . . . . . . . . . . . . 49 4.4.1. Medición Doppler con GPS. . . . . . . . . . . . . . . . . . . . . . 49 4.4.2. Medición por seudodistancias . . . . . . . . . . . . . . . . . . . . 49 4.4.3. Medición por diferencias de fase . . . . . . . . . . . . . . . . . . . 51 4.5. Precisión del Sistema GPS . . . . . . . . . . . . . . . . . . . . . . . . . . 54 4.5.1. Geometŕıa de la constelación observada . . . . . . . . . . . . . . . 54 4.6. Integración IMU y GPS . . . . . . . . . . . . . . . . . . . . . .. . . . . 55 4.6.1. Arquitecturas de Integración . . . . . . . . . . . . . . . . . . . . . 56 4.6.2. Georreferenciación Directa . . . . . . . . . . . . . . . . . . . . . . 57 5. Proyecciones Geográficas 61 5.1. Proyección Mercator - Mercator Transversal . . . . . . . . . . . . . . . . 63 5.2. Sistemas de Referencia y Datum Geodésicos . . . . . . . . . . . . . . . . 66 5.3. Tipos de Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 5.3.1. Coordenadas cartesianas tridimensionales . . . . . . . . . . . . . . 67 5.3.2. Coordenadas elipsoidales . . . . . . . . . . . . . . . . . . . . . . . 67 5.3.3. Proyección Cartográfica Gauss-Krüger . . . . . . . . . . . . . . . 67 5.3.4. Proyección Cartesiana o plana acimutal . . . . . . . . . . . . . . . 68 5.4. Conversión de Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . 68 5.5. Modelos de Transformación . . . . . . . . . . . . . . . . . . . . . . . . . 69 5.5.1. Modelo Bursa-Wolf . . . . . . . . . . . . . . . . . . . . . . . . . . 70 5.5.2. Modelo Molodensky-Badekas . . . . . . . . . . . . . . . . . . . . . 71 5.5.3. Modelo transformación de 4 parámetros con centroide . . . . . . . 71 6. Digitalización de ambientes Urbanos usando Tecnoloǵıa LIDAR 72 6.1. Adquisición de datos 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 6.2. Procesado de datos GPS . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 6.3. Correlación GPS - LIDAR . . . . . . . . . . . . . . . . . . . . . . . . . . 76 6.4. Transformaciones de coordenadas . . . . . . . . . . . . . . . . . . . . . . 78 6.4.1. Algoritmo Coticchia - Surace . . . . . . . . . . . . . . . . . . . . 79 6.4.2. Método del Servicio Geológico de Estados Unidos . . . . . . . . . 83 6.5. Traslación y Rotación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 6.5.1. Obtención de Traslación y Rotación . . . . . . . . . . . . . . . . . 87 6.5.2. Filtrado de nubes de puntos . . . . . . . . . . . . . . . . . . . . . 88 10 7. Resultados 91 7.1. Adquisición GPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 7.2. Localización LIDAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 7.3. Construcción de Mapas Globales 3D . . . . . . . . . . . . . . . . . . . . 95 7.4. Análisis de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 8. Conclusiones y Perspectivas 102 11 Índice de figuras 2.1. Clasificación de los bordes dependiendo de las normales de los poĺıgonos . 30 2.2. La verdadera geometŕıa de la superficie definida por sus normales(a) se separa en una secundaria (b), el mapa de la normal (c) y el mapa de desplazamiento (d), que contiene la diferencia de (b) - (a) . . . . . . . . . 33 3.1. Representación de un objeto lineal en tres espacios diferentes . . . . . . . 36 3.2. Representaciones Geométricas de una superficie en 3D . . . . . . . . . . 38 3.3. Modelo de puntos para una Pirámide . . . . . . . . . . . . . . . . . . . . 40 3.4. Modelo de ĺıneas de contorno para una Pirámide . . . . . . . . . . . . . . 40 3.5. Modelo Diǵıtal de Elevación (DEM) para una pirámide . . . . . . . . . . 41 3.6. Modelo TIN de una pirámide . . . . . . . . . . . . . . . . . . . . . . . . 41 3.7. Relación entre el error angular y linear . . . . . . . . . . . . . . . . . . . 44 4.1. Configuración para el algoritmo de simples diferencias . . . . . . . . . . . 52 4.2. Configuración para el algoritmo de dobles diferencias . . . . . . . . . . . 53 4.3. Modo No Acoplado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 4.4. Modo Ligeramente Acoplado . . . . . . . . . . . . . . . . . . . . . . . . . 57 4.5. Modo Totalmente Acoplado . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.6. Vectores de orientación entre sensores . . . . . . . . . . . . . . . . . . . . 59 5.1. Proyección poliédrica donde se observa la deformación de la superficie de la tierra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 5.2. Diferentes tipos de proyecciones [18] . . . . . . . . . . . . . . . . . . . . 62 5.3. Proyección plana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 5.4. Proyección Mercator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 5.5. Proyección Transversal Mercator . . . . . . . . . . . . . . . . . . . . . . . 64 5.6. Distorsión y factor de escala en la Proyección UTM . . . . . . . . . . . . 65 5.7. Ejes coordenados en un sistema de referencia y Datum Geodésico . . . . 66 5.8. a) Sistema de proyección cartográfica Gauss-Krüger, b) Proyección plana acimutal, c) Proyección plana acimutal secante . . . . . . . . . . . . . . . 68 12 5.9. a) Parámetros asociados a la transformación de coordenadas tridimensio- nales, b) Parámetros asociados a la transformación de coordenadas bidi- mensionales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 6.1. Configuración del sensor LIDAR HDL - 64E . . . . . . . . . . . . . . . . 73 6.2. Plataforma móvil multisensores . . . . . . . . . . . . . . . . . . . . . . . 74 6.3. Ajuste de pérdida de ciclos entre el GPS y un satélite, en el cual adaptamos el contador de la frecuencia de las fases para poder trabajar durante todo el proyecto con el mismo número de satélites. . . . . . . . . . . . . . . . 75 6.4. Sincronización de relojes por medio del Algoritmo de Cristian . . . . . . 77 6.5. Interpolación ponderada, la coordenada faltante esta en función de los pe- sos de las coordenadas entre las que se encuentra, la gráfica esta expresada en los tiempos de adquisición. . . . . . . . . . . . . . . . . . . . . . . . . 78 6.6. Huso o Zona UTM [36] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 6.7. Dos adquisiciones en diferentes posiciones modelizadas por planos. . . . . 87 7.1. Recorrido de adquisición GPS en un intervalo de 1 segundo. Vista desde el receptor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 7.2. Recorrido GPS en coordenadas UTM en las zonas aledañas al CICATA, las coordenadas geográficas ya han sido transformadas a UTM . . . . . . 92 7.3. En la figura a) observamos el recorrido del GPS en 2D, en b) una ampliación de un segmento del recorrido donde se aprecia la diferencia entre las dos transformaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 7.4. Se observa como existe una diferencia en altitud al realizar las transforma- ciones con ambos métodos. . . . . . . . . . . . . . . . . . . . . . . . . . . 94 7.5. Tres nubes de datos fusionadas, el desplazamiento de la plataforma es de izquierda - derecha . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 7.6. Una sola nube de puntos donde se observa la acumulación de datos cerca del LIDAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 7.7. Vista 3D donde se observa mejor definidas las formas de los objetos . . . 96 7.8. Secuencia de nubes fusionadas, la profundidad de visión se incrementa en cada nueva fusión. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 7.9. Secuencia de nubes nuevo visor desarrollado. . . . . . . . . . . . . . . . . 97 7.10. Diferentes vistas de un mapa global. . . . . . . . . . . . . . . . . . . . . 98 7.11. Recorrido puntos de control para el análisis de precisión. . . . . . . . . . 99 7.12. Error en adquisición, recorrido vs. datos del GPS . . . . . . . . . . . . . 100 7.13. Error acumulado entre la primera y segunda adquisición en el recorrido de control. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 7.14. Error acumulado entre la primera y ultima adquisición, loop completado. 101 7.15. Loop de nubes fusionadas con el suelo eliminado para disminuir la acumu- lación de datos cerca del LIDAR. . . . . . . . . . . . . . . . . . . . . . . 101 13 Índice de cuadros 5.1. Elipsoide WGS84 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 6.1. Estructura de un bloque de100 bytes del paquete UDP entregado por el LIDAR [15] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 14 Resumen En el presente trabajo se propone la utilización de diversos algoritmos de fusión de da- tos entre una plataforma de sensores conformada por un sistema de detección y medición a través de luz (LIDAR, por sus siglas en inglés) y un GPS diferencial de alta precisión. La información 3D obtenida del LIDAR es procesada para después fusionarse en una sola adquisición global y tener un ambiente urbano digitalizado de visión profunda. Hoy en d́ıa la necesidad de poder contar con sistemas de reconstrucción tridimensional que generen vistas lo mas reales posibles, y que además trabajen de forma automática, es una necesidad en varias áreas de la ciencia, arquitectura, planeación urbana y videojue- gos son algunos ejemplos. El proceso de obtención de la nubes de puntos 3D es bastante conocido, en el presente proyecto hacemos uso de un DGPS de muy alta resolución para poder extraer de ellos información sobre los desplazamientos en tiempo real del veh́ıculo donde va montada la plataforma de adquisición. Los datos geodésicos que el DGPS obtiene son transformados a coordenadas planas UTM por 2 algoritmos diferentes, con la finalidad de tenerlas en coordenadas planas, el de Coticchia-Surace y el usado por el Departamento Geodésico de los Estados Unidos (USGS, por sus siglas en inglés), el primero es una mejora del segundo ya que este se basa en aproximaciones numéricas para poder hacer la transformación de datos, ambos traba- jan con el elipsoide WGS84 ya que presenta menor deformación en la parte concerniente al espacio geográfico de América del Norte, además de ser una Norma para México. Al contar con las coordenadas planas se genera el vector de traslación entre las adquisi- ciones locales, y mediante la extracción de planos en la nubes de puntos y su ubicación en diferentes vistas se genera el vector de rotación. Aplicando los datos de los vectores de rotación y translación se fusionan varias nubes, posteriormente se hace un filtrado de datos para reducir el ruido presente en las nubes de datos. Algoritmos de fusión e interpolación son usados para correlacionar la información de ambos sensores, por ultimo hacemos un análisis cuantitativo - comparativo de la precisión del mapa final obtenido contra las medidas reales del ambiente digitalizado. Aśı como producto final contamos con una vista urbana de alta precisión de visión profunda, que cuenta con mucho menos ruido que otras alternativas de reconstrucción 3D. Abstract The present work focuses on use several data fusion algorithms in a sensors platform formed by a system of detection and measurement by light (LIDAR) and high precision differential GPS. The 3D information obtained by the LIDAR is processed for later mer- ged into a single global purchase and have a digitized urban environment of deep vision. Today the need for three-dimensional reconstruction systems to generate views as more real , and also work automatically, is a necessity in many areas like science, military training, entertainment, and architecture. Applications range from navigation systems that enable pilots, urban planning and video games are some examples. The process to obtaining 3D point clouds is well known, in this project we use a DGPS of very high resolution to be able to extract from them information about displacement in real time of the vehicle where its mounted the platform. The geodetic data are transformed in UTM coordinates by 2 different algorithms, in order to take them into flat coordinates, we use Coticchia-Surace and the United States GEODESIC Department(USGS) algorithms, the first is an enhancement of the second that is based on numerical approximations to the transformation of data, both working with the WGS84 ellipsoid because it presents less deformation in the North America geo- graphic area, as well as being a standard for Mexico. To count with flat coordinates is generated translation vector between local acquisitions, through planes extraction in the clouds points and this location in different views is ge- nerated the rotation vector. Applying the rotation and translation data vectors, several clouds are merged, subsequently becomes a data filtering to reduce the noise present in the clouds. Merger and interpolation algorithms are used to be able to correlate the information from both sensors, finally we make a quantitative - comparison analysis of the accuracy of the final obtained map against the real measures of the digitized environment. As well, final product have an urban view of high-precision deep vision, which has much less noise than other 3D reconstruction alternatives. 1 Introducción Desde los años 90 se ha extendido la integración de láseres escáner en aviones con sistemas GPS1 / IMU2 consiguiendo buenos resultados y explotaciones rentables de la técnica LIDAR aérea. Sin embargo, los láseres terrestres no han seguido el mismo camino y no ha sido habitual su uso con un sistema GPS / IMU. Aunque poco a poco se ha generalizado el uso de láseres escáner o LIDAR terrestre para el modelado 3D. Estos sistemas proporcionan datos reales del ambiente que la nube de puntos iluminada por el láser. Un láser escáner terrestre generalmente recoge los datos midiendo una escena completa mientras el sensor permanece estático. Por tanto, la escena puede ser georeferenciada observando un mı́nimo de 3 puntos de campo en la imagen del láser escáner. Una vez la escena está orientada se pueden dar coordenadas absolutas a todos los puntos de la escena láser. Es por eso que la construcción de un sistema donde se puedan procesar la nube de datos de un LIDAR es sumamente importante, por ejemplo, una de las principales bon- dades que tendrá este adelanto tecnológico será la reconstrucción 3D de ciudades que nos servirá para poder planear el crecimiento de la misma, ya que al tener datos reales en las adquisiciones se podrá proyectar la expansión de una manera más exacta, además que contaremos con la georeferenciación de las mismas lo que nos permitirá a la larga sinte- tizar mapas más grandes, también se tendrá la posibilidad de poder gestionar los flujos viales al tener el trazado completo de las direcciones que las vialidades tienen aśı como su localización, también en cuanto a la planeación del crecimiento y renovación de los servicios básicos de una ciudad, por ejemplo, se podrá gestionar de una manera más rea- lista el flujo que las tubeŕıas del servicio público de agua deben tener, o se podrá saber por donde pasan exactamente los tubos del gas a la hora de planear una excavación o remodelación de un edificio. También con una reconstrucción 3D de una ciudad se podrá saber de una manera más exacta el flujo pluvial que tendrán las aguas precipitadas a lo largo de la ciudad y por lo tanto planear el alcantarillado y los desagües de una manera más real, disminuyendo 1Global Positioning System 2Inertial Measurement Unit 19 aśı todos los inconvenientes que se presentan después de una lluvia de buenas proporcio- nes. Actualmente los sistemas de navegación para automóviles solo son sistema de loca- lización, y no son los suficientemente confiables, ya que muchas veces los caminos que nos presentan como la ruta más rápida para nuestro destino no son las más óptimas, por ejemplo, pensemos en una calle que en cierto punto la atraviesa un ŕıo (no tan ancho) y que del otro lado del ŕıo continua la calle, posiblemente el GPS no advierta que la calle será incruzable en el punto donde se encuentra el ŕıo, y nos lo mostrara como un camino continuo. Con la tecnoloǵıa de reconstrucción 3D de ciudades será posible advertir de estas alteraciones en los caminos ya que nosotros podremos visualizar de modo realista los edificios y los objetos que los rodean. Aśı mismo, otro de los usos que le podemos dar a la tecnoloǵıaLIDAR es la de remo- delación y conservación de edificios, ya que al contar con un modelo 3D exacto del objeto en cuestión, podremos hacer los cambios necesarios al objeto y poder visualizar el cambio de manera más real, ya que la representación que se genera a partir de la nube de puntos que nos env́ıa el LIDAR es una réplica casi exacta del real, además, también en lo que concierne a la conservación de lugares con algún significado agregado será de gran ayuda, por ejemplo, en la torre de Pisa en Italia, se podŕıa saber con exactitud la inclinación que tiene la torre después de comparar los escaneos de la misma en dos tiempos diferentes, o por ejemplo saber el hundimiento y desgaste de la Catedral del estado de México de igual manera, comparar diferentes datos, y aśı, poder tratar de regenerar el edificio a un estado previo. Además otro beneficio que la tecnoloǵıa 3D de ciudades nos ofrece es el poder generar un archivo de los monumentos de mayor importancia que la cuidad posee, esta es una necesidad que poco a poco va adquiriendo mayor relevancia, ya que la historia nos ha hecho ver que hemos perdido un inmensa cantidad de maravillas arquitectónicas por varias razones, llámense catástrofes naturales, guerras, derrumbes provocados, etc., y ahora que la tecnoloǵıa nos permite poder generar una base de datos del patrimonio arquitectónico debemos explotar al máximo este recurso. Otra de las ventajas que tendrá esta tecnoloǵıa será el turismo, ya que teniendo una maqueta 3D de la ciudad, monumento u sitio en especifico es factible tener los datos en ĺınea para que la gente los pueda visualizar y poder atraer a muchas más personas a los lugares, ya que no es lo mismo querer visitar un lugar viendo las fotos o videos que nos muestran, a quererlo visitar haciendo un previo recorrido 3D y poder ver hasta el más pequeño detalle de las cosas. Será posible, siempre que los recursos económicos nos lo permitan, hacer visitas en ĺınea en los lugares que cuenten con este sistema para que los usuarios tengan una experiencia más real de lo que se está viviendo en esa parte del mundo. Y una pregunta que surge a la hora de pensar en las utilidades que tendrá esta tecnoloǵıa es la disponibilidad y movilidad de los datos, y esto es otra de las razones mismas por la que esta tecnoloǵıa será muy importante. Hace años, cuando exist́ıan solo módems de 64 Kbps lo más práctico para trasmitir era solo datos, cuando la banda ancha empezó a repuntar era posible transmitir sin problemas datos y voz, y ahora que la fibra 20 óptica ya esta en uso es posible trasmitir datos, voz y video y aun aśı no saturaremos el medio de transmisión. Por lo que entre más adelantos hay en cuanto a la tecnoloǵıa de transmisión de información nosotros podemos enviar más carga de datos sin ningún problema, por lo que la trasmisión de datos de los modelos 3D podrá hacerse sin ningún contratiempo, en teoŕıa, para cualquier medio o punto que aśı lo requiera a nivel mundial. Otra utilidad de la tecnoloǵıa que un LIDAR terrestre nos ofrece es la navegación autónoma de un veh́ıculo, ya que este provee de un modelo exacto del entorno que ro- dea al automóvil, el cual, mediante diversos algoritmos previamente programados en su computadora central podŕıa realizar las tareas mı́nimas de navegación necesarias, con rapidez, seguridad y éxito, para poder desplazarse. 1.1. Antecedentes en el CICATA En el CICATA se ha trabajado en la generación de mapas para la navegación. Por ejemplo, en [43] se introduce el concepto de Mapas de Memoria Visual (VMM). Un VMM es una acumulación ordenada de información visual, que se clasifica para evitar la redun- dancia y proporcionar una rápida recuperación a través de la comparación de imágenes recientemente adquiridas con memorias almacenadas. Un robot móvil es guiado a través de una ruta mientras toma imágenes. El flujo de imágenes se convierte entonces en un VMM. En [22] construyen un mapa topológico de ambientes en exterior. El mapa es utilizado para la localización del robot después de que este se ha desplazado grandes distancias y el sistema inercial es poco eficiente en su localización. Sin embargo, para localizar el robot en un ambiente determinado, el mapa topológico de este ambiente debe ser previamente construido. Uno de los limitantes de los mapas topológicos es la exactitud de la localiza- ción. Por el contrario, los mapas 3D, como los propuestos en esta tesis puede ser usados para futuras localizaciones con exactitudes mucho mayores. Más recientemente en [15] se presentan técnicas de procesamiento de nubes de puntos generadas a partir de los datos capturados por un sistema de detección y medición a través de luz, conocido como LIDAR, los puntos 3D son obtenidos por medio del sen- sor son procesados para la generación de dos tipos de datos: mapas 2D de navegación autónoma y mapas 3D para la reconstrucción urbana. Este método propuesto se basa en dos técnicas de segmentación de planos, la primera para una rápida extracción del plano principal (el piso) y la segunda para la extracción de otros planos (paredes). En lo que respecta a proyectos de investigación, en el CICATA se esta trabajando en la construcción tridimensional del Centro Histórico de la Ciudad de México. Este proyecto ha sido apoyado por el Instituto de Ciencia y tecnoloǵıa del DF (ICYT-DF). Por otro lado el CONACYT ha apoyado el proyecto CB-2005-01-51005 donde se propone la generación de mapas 2D para la navegación de robots y mapas 3D para la localización de robots. 21 1.2. Hipótesis Es posible calcular la transformación ŕıgida de adquisiciones locales con respecto a una referencia global usando la información dada por un GPS. Aplicar la transformación ŕıgida a los datos de los mapas locales con respecto a la referencia global nos generará un mapa tridimensional global de amplia profundidad. 1.3. Objetivo General Generación de mapas globales 3D a partir de mapas locales 3D. 1.4. Objetivos Espećıficos Introducir los factores de calibración en el software de interface con el LIDAR. Calcular el desplazamiento a partir de los datos de un GPS de alta precisión. Calcular la rotación entre los mapas usando la información del LIDAR. Fusionar los mapas locales usando la información del GPS Desarrollar un sistema de navegación (por software) dentro del mapa global 3D. 22 2 Estado del Arte Los gráficos tridimensionales tienen muchas ventajas sobre el video o gráficos 2D. El entorno 3D es una forma interactiva, intuitiva y fácil de utilizar para ver la información basada en localización. Para muchas aplicaciones, como en [52] la representación 3D de modelos de ciudades mejora la utilidad de los datos gracias a la combinación de técnicas de fotogrametŕıa, ellos utilizan secuencias de 3 imágenes, una de ellas vertical a los edifi- cios para poder capturar el techo y dos fotograf́ıas oblicuas de las paredes de los edificios, todas ellas capturadas con una cámara de video montada sobre un helicóptero, además de datos de un sensor LIDAR para poder determinar la correspondencia entre el espacio de cada edificio y la secuencia de imágenes. En [47] se trabajó con modelos tridimensionales de ciudades los cuales presentan y animan todas las caracteŕısticas urbanas, tales como edificios, carreteras, puentes, esta- cionamientos, etc. La reconstrucción 3D de ciudades ayuda a establecer una base para la reorganización de las estructuras de una ciudad y es un requerimiento importante para la toma de decisiones. La mayor ventaja del modelo 3D es su movilidad y su efecto en convencer a los usuarios de los futuros procesos de toma de decisiones. La información de construcciones hechas por el hombre es sumamente importante en muchas aplicaciones, tales como la planificación urbana, telecomunicaciones, turismo, la vigilancia del medio ambiente, etc. Se necesitan con urgencia técnicas y herramientas automatizadaspara la adquisición remota de datos provenientes de imágenes. Sin embar- go, la extracción manual tradicional de las imágenes es muy costosa en mano de obra y tiempo. Durante las últimas décadas, las áreas de fotogrametŕıa, teledetección y visión por computadora han estudiado y desarrollado enfoques con dispositivos automáticos o semiautomáticos [1] para la extracción de datos tridimensionales y reconstrucción de edi- ficaciones. En los últimos años se han desarrollado diferentes técnicas para el modelado de ciu- dades, en las que podemos enumerar las siguientes: Las técnicas que utilizan información proveniente de cámaras Las técnicas que combinan la información de las cámaras y del LIDAR 23 Las técnicas que usan un LIDAR para la reconstrucción y modelado tridimensional Las técnicas que utilizan un LIDAR aéreo y lo combinan con un sistema inercial o un LIDAR terrestre. 2.1. Reconstrucción y modelado tridimensional de ciudades a partir de cámaras Las técnicas para el modelado 3D de ciudades usando visión por computadora ha sido un área que ha cambiado rápidamente en los últimos años. Existen dos tipos de modelos según [19]: Modelos paramétricos: describen la forma de una manera simple pero definida para un conjunto de variables. La estructura de los edificios esta corregida. El uso de las variables permite modificar la forma, y en casos especiales la posición y orientación de los edificios. Modelos genéricos: estos modelos permiten variar la estructura de los edificios, pero se necesita especificar la forma interna del edificio como un conjunto de paráme- tros geométrico, es decir, los edificios esta aproximados a primitivas geométricas (modelos prismáticos y poliédricos) sobre las cuales se definen una estructura más compleja. Para los cuales diferentes enfoques ha ido evolucionando en el tratamiento de las imágenes: Enfoque Oxford: desarrollado por el grupo de Geometŕıa Visual de la universidad, el cual extrae de las imágenes ĺıneas que después se integran para obtener los bordes del objeto, la diferentes vistas de las imágenes permite formar una vista más realista. Enfoque Bonn: propuesto en conjunto por el Instituto de Ciencias Computaciona- les y Fotogrametŕıa de Bonn, se basa en la extracción de puntos de interés de la imagen, aśı como bordes y ciertas regiones, después toda esta información es clasi- ficada y haciendo una correspondencia de puntos en todas las imágenes de ciertas caracteŕısticas obtenidas, como los bordes, se obtienen vistas 3D. Enfoque semiautomático: la idea es desarrollar un sistema que toma las ventajas de los dos enfoques anteriores y obtener mejores resultados, extrayendo caracteŕısticas geométricas, medidas, regiones y puntos de interés. Estos métodos utilizan técnicas automáticas de correspondencia para procesar las regiones de interés, por ultimo hacen la correspondencia en todas las imágenes [23][27][50]. En [12] utiliza una cámara montada sobre un auto. El auto se va desplazando y va ad- quiriendo varias imágenes. La posición del auto en cada imagen es calculada con un GPS y un odómetro. A partir de esta información los autores calculan el vector de desplazamien- to entre dos adquisiciones y haciendo un empalme entre ĺıneas de ambas adquisiciones 24 calculan la información tridimensional de esta ĺınea. Los autores consideran que objetos como automóviles no pertenecen al ambiente a reconstruir, por lo que en cada imagen son caracterizados y detectados con el propósito de substraerlos de las imágenes. Una de las ventajas de hacer este tipo de reconstrucciones tridimensionales es que conocen la textura de los objetos debido al uso de cámaras y esta información es explotada para generar el mapa tridimensional con textura. La localización y substracción de carros es muy eficiente, sin embargo en la renderización del mapa 3D, estos objetos aparecen en la escena de manera amorfa por lo que los autores optan por incrustar automóviles 3D predefinidos (de una base de imágenes de carros) para cubrir la deformidad de los objetos reales. En [42] utilizaron una cámara digital calibrada Nikon D1000 y la combinaron con un escáner láser RIEGL Z420i. Ellos previamente planificaron las posiciones del láser, lo que redujo las oclusiones. Dentro de las propiedades del escáner láser están la posibilidad de hacer adquisiciones tanto horizontales como verticales, efectuando recorridos del haz de luz en ĺıneas paralelas que completen la superficie a digitalizar, guardando no solo la distancia al objeto sino también la reflectancia. Conocer la forma de registro en la etapa del post proceso para los barridos planificados disminuye de forma significativa el tiempo de captura en campo. A través de programas de ingenieŕıa inversa redujeron la colocación de puntos de control; esto reduce el tiempo que se utiliza en colocarlos y recuperarlos, y el tiempo de barrido por cada posición. Solo se colocaron puntos de control en barridos generales para georeferenciar el proyecto y controlar su precisión general. En el proyecto ellos dividieron el proceso en etapas, de la cuales algunas de interés son las siguientes: 1. Limpieza Manual Al tener ellos la información en 3D, eliminan de una manera sencilla aque- llos objetos no deseados en el modelo, automóviles, personas, etc. Los autores mencionan que el software de los nuevos sensores láser traen consigo sirven para este propósito, ya que no son solo visualizadores sino que traen integra- das funciones de filtrado de datos. Este software permite seleccionar conjuntos de puntos para ser eliminados de las adquisiciones. Dadas las condiciones y la diferente morfoloǵıa de las capturas el proceso de eliminación de objetos no deseados de manera automática es bastante complicado. Automática La eliminación de ruido del escáner se logra mediante un algoritmo que permite eliminar aquellos puntos según una distancia mı́nima y determi- nado número de puntos. 2. Registro Se realizaron dos tipos de registro de datos, los primero barridos generales, con los cuales se emite un haz de luz infrarroja al centro de un espejo giratorio, éste desv́ıa el láser en una rotación vertical captando todo el entorno que se esta esca- neando sin ninguna restricción, el haz vuelve a reflejarse en el escáner y este mide la longitud de onda calculando la distancia entre el láser y el objeto, registrando los puntos de control con topograf́ıa tradicional utilizando el sistema desarrollado por 25 RIEGL1 a través de su programa RiscanPro4. El sistema reconoce los puntos digi- talizados que pertenecen a un cilindro o punto plano de 5cm de forma automática en cada barrido y lo registra, siempre y cuando exista un mı́nimo de tres puntos digitalizados de la figura geométrica. El sistema permitió incorporar los valores de una estación total para georeferenciar el modelo. El barrido detallado permite obtener primitivas geométricas (planos o cónicas) en lugar de densas nubes de puntos, estas se registran a través de programas de in- geniera inversa: Rapiform2, Polyworks3. Estos programas permitieron obtener los valores de rotación y traslación del escáner de una manera eficiente y de manera precisa. Este registro no requiere de puntos de control, y utiliza las diferencias en la geometŕıa del barrido para el registro. Este registro permite reducir de manera significativa los tiempos de captura de datos en campo. Ellos concluyen que al eliminar los punto de control es posible maximizar a más del doble el tiempo de toma de los datos, ya que nos dicen que la mayoŕıa de los barridos con puntos de control necesitan mı́nimo 3 barridos para completar y obtener los datos mı́nimos para la visualizan fiel del modelo. 3. Optimización Una vez que se tuvieron todos los barridos en un mismo sistema de coordena- das, procedieron a la unión de los barridos, aqúı aplicaron la resolución adecuada, además aplicaron un algoritmo octree paradeterminar la distancia mı́nima entre los puntos de la nube de datos y eliminar la duplicidad a causa de las distintas posiciones del escáner láser. 2.2. Reconstrucción y modelado tridimensional usan- do cámaras y del LIDAR En [9] se presenta un esquema para la detección de edificios y la reconstrucción 3D mediante la fusión de datos LIDAR y de imágenes aéreas. En la parte de detección de edificios, una segmentación basada en regiones y una clasificación basada en objetos están integrados extrayendo la información de imágenes. En la reconstrucción 3D de los edificios, se analizan la coplanaridad de las nubes de puntos LIDAR para dar forma a los techos. La posición exacta de las paredes del edificio se determinan mediante la integración de los bordes extráıdos de las imágenes aéreas y el plano derivado de nubes de puntos LIDAR. El edificio en tres dimensiones es utilizado para dar forma a los modelos de construcción. En la reconstrucción, un método patentado de SMS4 se ha incorporado. A continuación se describen las principales etapas del método propuesto: 1http://www.riegl.com/ 2http://www.rapidform.com/ 3http://www.innovmetric.com/ 4Split-Merge-Shape 26 Segmentación basada en regiones El objetivo de la detección de edificios es extraer solo ciertas regiones, para esto, los autores analizan dos tipos de segmentación: La primera es la segmentación basada en la extracción del contorno de las imágenes aéreas. La segunda es la segmentación basada en la región. Utilizan una técnica para fusionar los pixeles dada cierta región con los datos 3D del LIDAR. Los autores concluyen que la segmentación por región es menos ruidosa y con más tolerancia comparada con la segmentación basada en contornos. El esquema pro- puesto combina la elevación de los datos LIDAR y de la información espectral de las ortoimágenes en la segmentación por región. Los pixeles con similar geometŕıa y propiedades espectrales se funden en una sola región. Clasificación basada en objetos Después de la segmentación, cada región es un ob- jeto candidato para su clasificación, la clasificación de un objeto esto basada en las siguientes caracteŕısticas: Elevación: los datos obtenidos del LIDAR describen la variación de altura con respecto al suelo. Estableciendo una elevación se puede seleccionar objetos por encima del suelo. La información espectral: estos datos se obtiene de las imágenes aéreas a color. Un ı́ndice de verdor se utiliza para distinguir la vegetación de las zonas de no vegetación. Textura: se obtiene de las imágenes aéreas, ellos utilizan GLCM5, es decir, un conteo de los diferentes niveles de gris por pixel en una imagen, donde las matrices resultantes nos dan los patrones de textura que conforman la imagen. Rugosidad: la rugosidad tiene como objetivo separar las regiones de vegetación y de no vegetación. Esta es utilizada cuando los edificios y la vegetación tiene la misma información espectral. Forma: el atributo de forma incluye el tamaño y la anchura, los objetos pe- queños se filtran según los parámetros establecidos, las regiones más pequeñas a una superficie dada no se tienen en cuenta como edificio. Reconstrucción de edificios Esta etapa comienza cuando cada región del edificio se áısla individualmente, la etapa consta de cuatro partes: Formación de las manchas 3D planas. Aqúı lo importante es el ángulo entre los vectores para triángulos vecinos, y la diferencia de altura entre los triángulos. Detección inicial de los bordes del edificio. Donde se incluye la información de elevación de los bordes. Extracción de ĺıneas rectas. Los bordes ásperos de los datos LIDAR se utilizan para predecir la localización de las ĺıneas rectas a través de la transformada de Hough [16]. Dadas las coordenadas de la imagen y la información de altura, 5Grey-Level Co-occurrence Matrix 27 ellos pueden calcular los bordes 3D en el objeto utilizando parámetros de orientación exterior. Modelado de edificios por el método SMS [39]. 2.3. Reconstrucción y modelado tridimensional usan- do un LIDAR La investigación sobre la extracción/reconstrucción automatizada de caminos ha sido impulsada en años recientes por el creciente uso de Sistemas de información Geográfica (SIG), y la necesidad de adquisición de datos o la actualización de los sistemas. Se han hecho varios intentos para reconstruir las carreteras a partir de los datos obtenidos del LIDAR, las coordenadas X, Y y Z, la intensidad de los datos y un modelo digital del terreno como base, pero la mayoŕıa requiere una forma de fusión de datos para completar la tarea, ya que al trabajar en áreas abiertas el ruido de los datos es uno de los mayores problemas, aśı como el rango de visión de los sensores láser y la calibración del mismo, además al ser levantamiento topográficos en la mayoŕıa de las ocasiones la información va relacionada con sus coordenadas geográficas [11]. En [25] los datos LIDAR se utiliza en conjunción con la información de bases de da- tos existentes para estimar los parámetros de la geometŕıa de la carretera. Existe una base de datos de importante relevancia, la ATKIS6, la cual cuenta con información como las coordenadas geográficas, la anchura de las carreteras, numero de carriles, el tipo de veh́ıculos que pueden circular sobre ella, su gradiente, etc. En [41] la reconstrucción de las carreteras se obtuvo a partir de datos LIDAR en zonas boscosas. Mediante la detección de la carretera, ĺıneas de ruptura se ubicaron y se utilizaron para mejorar la calidad del modelo digital del terreno (MDT) producido. Una combinación de la ĺınea y las caracteŕısticas de los puntos de la extracción se utilizó para extraer las ĺıneas finales. En [41] limita la cantidad de datos a un subconjunto de los puntos LIDAR originales basados en los datos de intensidad, la cercańıa al MDT, la densidad de puntos LIDAR y de la continuidad de las carreteras. Al considerar todos estos criterios, es posible extraer y modelizar eficazmente las carreteras dentro de un área estudiada. Mediante el uso de la intensidad y la calidad de la información presente en los datos LIDAR, se propone un método para la extracción y modelización de caminos mediante los datos obtenidos del LIDAR. Para extraer/reconstruir los caminos de una nube de puntos LIDAR, se utiliza una técnica de clasificación de estructuras jerárquicas para clasificar progresivamente los puntos LIDAR en el terreno. En este articulo además, para ayudar a la visualización después de filtrar los datos del LIDAR, se eliminan todos los objetos que no son de tipo terreno (edificios y árboles) y se muestran como áreas de color blanco, mientras que las tiras de las áreas más oscuras muestran las áreas de barrido que se superponen, es decir, donde hay un punto más alto de densidad. Los puntos del LIDAR son seleccionados si 6Authoritative Topographic Cartographic Information 28 su último valor del pulso de intensidad se encuentran entre el rango aceptable para el tipo de material de carretera que se detecto (en su caso de asfalto). Incluso, aunque la intensidad de los valores devueltos por la unidad de exploración es ruidosa, el material de carretera es t́ıpicamente uniforme a lo largo de una sección de la misma. Mediante la búsqueda de un rango de intensidad en particular es posible extraer todos los puntos LIDAR que estaban en la carretera junto con otros falsos positivos (puntos clasificados como carretera que no pertenecen a esta). Si más de un tipo de material de la carretera es detectado, se obtienen dos subgrupos de materiales de la carretera. En [49] se presenta un método para detectar y construir un modelo geométrico 3D de una zona urbana con edificios complejos utilizando un LIDAR aéreo. El principal enfoque de este trabajo es el reconocimiento automático y la estimación de formas simples que se puede combinar para construir el modelo de los edificios. Losprincipales componentes de la detección y algoritmos del modelado son: La segmentación de los techos. La eliminación de puntos que no pertenecen a superficies planas. La nube de datos LIDAR contiene puntos que no solo pertenecen a los techos de los edificios, sino también de otras superficies, tales como terreno, árboles, automóviles, etc. Con el fin de estimar la geometŕıa de los edificios, primero se identifican los puntos que pertenecen a los techos según la densidad de los puntos. Mi = 1 |Ni| ∑ p∈Ni (p− µi)(p− µi)T (2.1) Donde Ni = {pj|pj ∈ L, distancia(pi, pj) < δ} es el conjuntos de puntos en el vecin- dario δ para cada puntos pi, el promedio de todos los puntos es µi en Ni. Si Mi es una matriz de rango 2 entonces el punto pi se encuentra sobre el plano definido por los puntos en Ni. Hay que tener en cuenta que los datos LIDAR no están disponibles para los lados de los edificios porque el instrumento LIDAR en su mayoŕıa solo ve los techos de los edificios. Algunos otros conceptos importantes en [49] son: Aproximación a un modelo. Una vez que todos los puntos del techo han sido identi- ficados, los aproximan a modelos de superficies planas como poĺıgonos arbitrarios. Análisis Topológico del Techo. Ellos introducen el concepto de topoloǵıa gráfica de techos para representar las relaciones entre las diferentes superficies planas de la cubierta de los techos. En este trabajo no se hace ninguna suposición sobre el conocimiento previo de los tipos de construcción. De hecho los autores automáticamente infieren los tipos de cubiertas directamente de los datos LIDAR. Teniendo la clase de modelos de los edificios que se pueden crear mediante una simple unión de los tipos de cubiertas paramétrica que se obtienen. Además cuentan con una manera de clasificar los techos de los edificios según las relaciones entre las caras de los mismas, a continuación se presentan: 29 Figura 2.1: Clasificación de los bordes dependiendo de las normales de los poĺıgonos Cada cara plana del techo representa un vértice. Dos vértices de la gráfica tienen un borde entre ellas, si la cara plana correspondiente tiene un borde adyacente, por lo tanto podemos decir que comparte un borde. Los bordes de la gráfica se marcan de la siguiente manera, dependiendo de las normales de los poĺıgonos: O+ Los poĺıgonos correspondientes a los vértices finales tienen una normal cuando se proyecta sobre el plano XY es decir, son ortogonales y tienen un punto de distancia el uno del otro O- Los poĺıgonos correspondientes a los vértices finales tienen una normal cuando se proyecta sobre el plano XY es decir, son ortogonales y apunta uno hacia otro. S+ Los poĺıgonos correspondientes a los vértices finales tiene una normal que cuando se proyecta sobre el plano XY son paralelos y apunta uno hacia el otro. N Ninguna restricción En la Figura 2.1 podemos observar una representación gráfica de la anterior clasifica- ción. Por último, en el art́ıculo presentan los resultados experimentales que demuestran la validez de su enfoque para la detección rápida y automática de la construcción y mode- lado geométrico con datos LIDAR en tiempo real. Además son capaces de procesar los datos a una velocidad de 10 minutos por milla cuadrada con una computadora para uso doméstico sin la intervención de un usuario. 2.4. Reconstrucción y modelado tridimensional usan- do un LIDAR aéreo y sistemas inerciales Otro ejemplo claro de la reconstrucción 3D de carreteras es [2] donde se habla de como se desarrolla tecnoloǵıa para tener un mapeo de las carreteras de Italia y además poder obtener otros datos necesarios para la administración y mantenimiento de las mismas, como la anchura de las carreteras, la dirección del flujo vehicular, el reconocimiento de señales de tráfico y su georeferenciación. Esto lo hacen a través de la integración de los datos obtenidos de un LIDAR aéreo y un equipo terrestre que va recogiendo información que luego es fusionada para obtener el mapeo final. 30 El equipo terrestre, conocido como DAVIDE, desarrollado por el departamento R&D de GIOVE, basado en la recolección y georreferenciación de imágenes y datos captados por los sensores montados en un solo sistema, trabaja sobre tres principales módulos sin- cronizados, los cuales se describen a continuación: Modulo de localización (GPS, plataforma inercial y odómetro). En caso de que no se cuenta con una buena recepción satelital para el GPS, el modulo de localización uti- liza para calcular la posición un giroscopio de fibra óptica de 3 ejes, 3 acelerómetros y 1 odómetro. Modulo de video, utilizando 5 cámaras, una al frente, cuatro laterales orientadas a 45o y 90o, a una resolución de 1024 * 768 ṕıxeles a 25 fps. Modulo de la superficie del terreno, incluye un medidor de perfil de láser y un TPL7 . El equipo aéreo, llamado Sistema FLIP-MAP 400, es montado sobre un helicóptero, cons- ta de 3 componentes: 1. Componentes Transportados, todo el equipo llevando en el helicóptero. Telémetro láser con una frecuencia de pulso de 150,00 Hz. Una unidad de medición inercial 2 cámaras de video digitales 2 cámaras de fotograf́ıa digital 2 receptores GPS de doble frecuencia 1 sistema OmniStar DGPS 2. Componentes de la estación base, hace referencia al equipo para operar la estación virtual de referencia del GPS. 3. Componentes del procesamiento de campo, aplicable al equipo de procesamiento por computadora. Otro enfoque es en [5] donde se uso un Leica HDS 3000 para las mediciones LIDAR terrestres, capaz de adquirir una escena con un campo de visión de 360o × 270o, vertical y horizontal respectivamente, además se le monto un GPS de bajo costo y una brújula digital en la parte superior. Y para la parte aérea se utilizo un ALTM OPTECH 1225 a una altura de 900 metros y un ángulo de exploración de 20o, esto dio lugar a una densidad media de 1.5 puntos por metro cuadrado. El modelo 3D de la ciudad que ellos utilizaron para sus investigaciones fue colectado por la oficina de topograf́ıa de la ciudad de Stuttgard, las superficies del techo fueron colectadas semiautomáticamente por un medidor fotogramétrico estéreo para imágenes con una escala de 1:10000 [51]. 7Transverse Profile Measurement 31 2.4.1. Georeferencias integradas del escaneo láser terrestre Combinando el GPS de bajo costo y las mediciones de la brújula, se da una orientación global del escáner, de esta manera los datos georeferenciados son directa e instantánea- mente medidos y los datos pueden ser superpuestos con otros datos geográficos. Compa- rando el bajo costo del GPS con el alto costo de otros sistemas de medición comercial, el error absoluto es de aproximadamente 1 metro en posición y 2 metros en altura, que es bastante aceptable para la manipulación de la información. Por lo tanto los errores de posición son más grandes que las desviaciones de los GPS de bajo costo únicamente, ya que los errores de la brújula son añadidos manualmente. La solución aproximada de los errores de posición y altura es refinada usando el algoritmo iterativo de punto cercano introducido por [4]. El resultado de la georreferenciación directa se utiliza como un valor inicial para el re- gistro iterativo mientras el láser escanea, una vez que el registro de los datos TLS ha convergido, este se mantiene fijo. Entonces el conjunto de datos completos es registrado con el modelo de la ciudad o con el LIDAR aéreo usando el mismo algoritmo. 2.4.2. Mapeo láser para el refinamiento de modelos de edificios 3D Con el fin de captar la verdadera geometŕıa de las superficies, se observó el efecto que tiene la intensidad de los datos en función de la dirección de sus normales, esta idea dio paso mapas de desplazamiento, como los utilizados en (Cook 1984), para este método la diferencia entre la geometŕıa real de las normales(Figura 2.2a) y la representación simpli- ficada de las mismas (Figura 2.2b) se almacenaen un mapa de desplazamiento separado (Figura 2.2d), estos mapas también pueden ser manejados como una imagen de la textura. En el caso de la adición de detalles al modelo virtual, la geometŕıa esta dada a partir de los datos aéreos del LIDAR o de fotogrametŕıa. La geometŕıa esta representada por los poĺıgonos planos de la representación de los ĺımites de un edificio. Entonces la tarea consiste en utilizar los datos del láser terrestre para agregar los detalles, aśı mismo, ellos se enfocan en las estructuras meramente verticales para obtener las texturas. Siguiendo los enfoques de posicionamiento, su objetivo ahora es extraer el mapa de desplazamiento de los modelos CAD con el fin de ser capaces de aportar los datos del láser terrestre, en relación con la ciudad modelo. Los datos láser tienen que ser georeferenciados ya que los datos son introducidos en un marco común de referencia geométrica, la diferencia de los datos láser terrestres al plano de las fachadas se puede calcular. Para esta investigación suponen una configuración multi-estación para la adquisición de los datos terrestres, es decir, su láser no se estará moviendo, tendrán varios puntos predefinidos donde tomaran las adquisiciones. Por lo tanto tienen que estar interpolando la nube de puntos dentro de la región de adquisición teniendo como referencia un punto fijo. El punto fijo usado puedes ser un edificio, la ventaja de este mecanismo de re- interpolación es que no tienen que establecer la cercańıa en las nubes de puntos. 32 Figura 2.2: La verdadera geometŕıa de la superficie definida por sus normales(a) se separa en una secundaria (b), el mapa de la normal (c) y el mapa de desplazamiento (d), que contiene la diferencia de (b) - (a) 33 3 Sistema de Información Geográfica El sistema de información geográfica (SIG) es un conjunto de herramientas compu- tarizadas para recoger, almacenar, recuperar, transformar y mostrar datos espaciales del mundo real para un propósito en particular [7]. Un SIG debe de tener por lo menos cinco componentes: usuarios, datos, hardware, software y procedimientos. Un SIG trabaja con información espacial, dicha información representa fenómenos del mundo real en términos de sus posiciones con respecto a un sistema de coordenadas conocido, esos atributos no están relacionados con su posición (por ejemplo el grosor o la forma), y sus interrelaciones espaciales entre śı, que describen la forma en que están unidos (esto se conoce como la topoloǵıa y describe el espacio y las caracteŕısticas espa- ciales tales como conectividad). Desde un punto de vista funcional, el SIG debe de ser capaz de realizar por lo menos 4 tareas [38]: 1. Datos de entrada y su verificación. 2. Almacenamiento de información y administración de la base de datos. 3. Datos de salida y su representación. 4. Transformación de los datos. Esto es lo que hace a los SIG tan complejos y diferentes a otro tipo de sistemas. La capacidad de la geo-visualización es otra de las caracteŕısticas que diferencia a un SIG de un simple motor de base de datos, o por otro lado la capacidad anaĺıtica que tienen con respecto a aplicaciones de cartograf́ıa automatizada. por otro lado, la forma en que un SIG se administra nos permite captar las relaciones espaciales y tipológicas entre las entidades de referencia geográfica sin una definición previa [45]. 34 3.1. Modelado 2D, 2.5D y 3D Como su nombre lo indica, los SIG trabajan con datos geográficos, que se puede en- tender como la información relacionada con alguna porción de la tierra [10]. Es obvio que no guardamos los fenómenos del mundo real en el disco duro de la computadora, sino algunos modelos ya formalizados que representan esos fenómenos, en otras palabras, un modelo se puede definir como un conjunto de reglas para abstraer los fenómenos del mundo real, mientras que el modelado se puede definir como el procedi- miento de abstraer esos fenómenos para que se puedan reproducir. En el caso de los SIG, estos nos permiten obtener información geográfica para describir los fenómenos del mun- do real. Esta es la información que entra al sistema, se almacena y se analiza para la toma de decisiones. Los fenómenos geográficos requieren de dos descriptores para representar el mundo real: lo que se ve y la posición [8]. La información geográfica se suele dividir en tres componentes: espacio, tiempo y atributo. Se requiere que los sistemas de referencia, que se definen como un conjunto de normas para la medición y que proporcionan los medios para comparar medidas con otros realizados con el mismo conjunto de reglas de estos tres componentes. Un sistema de referencia espacial se puede definir como un mecanismo que sitúa me- didas sobre un cuerpo geométrico. Establece un punto de origen, una orientación con referencia en los ejes, y un significado geométrico de las mediciones y las unidades de las medidas[10] . La representación 2D captura las posiciones paramétrica del objeto sobre un plano de dos dimensiones. La mayoŕıa de los productos SIG disponibles en el mercado en esta ĺınea de productos, toman este enfoque y por lo tanto no pueden manejar de manera correcta los datos tridimensionales, a pesar de que pueden manejar datos topográficos, por lo general como un Modelo de Elevación Digital (MED), y mostrar vistas isométricas, contornos de los mapas y demás [48]. La mayoŕıa de MED utilizan matrices de elevación de red, o mallas triangulares (TIN) para permitir la representación del terreno. Esto es posible mediante el tratamiento de la elevación, o la tercera coordenada (Z) como variable dependiente. Este enfoque se define como cuasi-tridimensional, o modelado 2.5D, en otras palabras la dependencia de la coordenada Z sobre las coordenadas (X,Y) en el enfoque 2.5D permite derivar la coordenada Z con valores de X y Y junto con alguna otra información complementaria, además del empleo de algunas interpolaciones o funciones matemáticas. En el enfoque 2.5D solo un valor de elevación está permitido para especificar al par de coordenadas X/Y. A diferencia de los métodos de modelización 2D y 2.5D, el modelado 3D representa los objetos espaciales en un espacio tridimensional real. El enfoque del modelado 3D trata a la tercera dimensión (coordenada Z) como una variable independiente. En la Figura 3.1 se ilustran las diferencias de la representación de un objeto lineal en 2D, 2.5D y 3D. En el espacio 3D, el objeto no puede ser un simple objeto lineal como se ilustra. 35 Figura 3.1: Representación de un objeto lineal en tres espacios diferentes 3.2. Calidad de los datos La calidad en los datos es una caracteŕıstica fundamental en el uso de los SIG. Como referencia en este tema, existe en Estados Unidos un estándar que regula la transferencia de datos espaciales entre diferentes sistemas informáticos para que no haya perdida de información entre ellos, se le conoce como Estándar de Transferencia de Datos Espaciales (SDTS por sus siglas en inglés). El SDTS aborda el tema de la calidad de los datos de la siguiente manera: ”La calidad es esencial y una caracteŕıstica necesaria distintiva para que los datos cartográficos puedan ser usados”. La calidad de los datos es uno de los factores más importantes para que los sistemas de información puedan llevar un análisis, además de que la validez de esos datos debe de ser la óptima para poder tomar decisiones con un buen porcentaje de confianza, aun- que sabemos que no siempre este es el caso, ya que un fenómeno no se puede visualizar, comprender o modelar en un sistema de información como sucede en a realidad. En otras palabras, los errores y las desviaciones son inherentes a los sistemas de gestión de infor- mación, lo que conduce a la necesidad a la necesidad de que los datos tengan la mayor calidad posible [38]. Los objetos del mundo real son objetos en tres dimensiones. Numerosas aplicaciones SIG requieren modelar y representar estos objetosen 3D con elevación (altura) e in- formación geométrica como el gradiente, formas, longitudes y áreas reales junto con la información de su posición planamétrica. Por ejemplo, al tratar de modelar un terreno lo que se busca es capturar la elevación de una área en especifico y representarla en un espacio 3D. Las Redes Irregulares Triangulares (TIN, por sus siglas en inglés) proporcionan una solución para el problema de modelar el terreno, ya que representan las áreas como poĺıgo- nos en 3D. Los Modelos Digitales de Elevación (DEM, por su siglas en inglés) provee otra solución usando una serie de puntos con valores X,Y y Z para aproximar a una superficie 3D. 36 Desde un punto de vista más estricto, al usar TIN’s o DEM’s para modelar superfi- cies no estamos representando en realidad una área en tres dimensiones, pero si en 2.5D ya que la elevación es tratada como una variable dependiente en lugar de una variable independiente. 3.3. Modelado espacial Como ya lo hemos abordado, un modelo es una abstracción de un fenómeno del mun- do real. Un modelo proporciona una manera de capturar los fenómenos del mundo de cierta manera que pueda ser entendible para la gente, que se pueda almacenar en una computadora y que pueda ser manipulada entre la interacción de personas y equipo. Los datos pueden ser definidos como hechos conocidos que pueden ser registrados y que tienen un significado impĺıcito [17]. Los datos geográficos son datos que registran la ubicación y un valor que caracteriza a un fenómeno geográfico. En contexto de los SIG, un modelo de datos geográficos (o modelo de datos espaciales) es un esquema formal para representar datos que tiene tanto la ubicación como las caracteŕısticas. Normalmente se implementa mediante primitivas geográficas como puntos, ĺıneas y poĺıgonos, o campos continuos discretizados [8]. 3.4. Modelado Espacial 3D La motivación para el modelado espacial 3D en los SIG se origino por la naturaleza de los problemas que se pueden resolver usando estos modelos. Como ya se menciono con anterioridad, los objetos del mundo real son objetos tridimensionales en el espacio (sin hacer referencia al tiempo). Antes de las computadoras, los geocient́ıficos usaban métodos como mapas especializados, diagramas de cerca, que nos muestran una sección transversal geológica. Estas representaciones permite una fácil y rápida visualización de los cambios de las condiciones de los estratos del subsuelo, construcciones geométricas para poder representar una parte de la tierra en una proyección sobre un plano donde se observa la relación entre dos y tres dimensiones según la perspectiva del modelo [48]. La llegada de los computadoras, con mayor memoria y mejores capacidades gráficas ha permitido que la representación en tres dimensiones de los datos sea posible, además el desarrollo de herramientas para el manejo de datos 3D ha permitido que los SIG cumplan con sus cometidos descritos [40]. Alrededor del año de 1990, la atención estaba centrada en el diseño y la implemen- tación de SIG tridimensionales en las áreas geocient́ıficas. Los desarrollos de modelos 3D y estructuras de datos ha sido reportados en áreas tan diversas como la explotación de pozos petroleros, mineŕıa, hidroloǵıa, modelado geológico, monitoreo ambiental e inge- nieŕıa civil. Estas áreas pioneras en el trabajo de modelos tridimensionales son las que 37 permitieron los desarrollos en este campo. Es por eso que en fechas más recientes, los efectos tridimensionales son tan significan- tes para muchas aplicaciones, particularmente aquellas que tienen como área de estudio los espacios abiertos. Y es aqúı donde las técnicas de modelado 3D deben de tener una aplicación creativa en áreas como la administración de los recursos naturales, ingenieŕıa ambiental y modelado geográfico. En [30] presentan un trabajo enfocado al modelado 3D y los SIG 3D, donde señalan que las estructuras de datos en 3D han crecido en interés en la comunidad de investiga- dores. La primera razón es que no existen en realidad estructuras de datos 3D en SIG y demás aplicaciones. Por otro lado, las estructuras de datos 3D son necesarias en muchas áreas, en donde la correlación de las geometŕıas de los datos no puede ser descuidada, como por ejemplo en las ingenieŕıas. En el art́ıculo también se identifica la diferencia más significativa entre la paqueteŕıa CAD y los SIG, como la descripción de la geometŕıa de los objetos que hace cada uno de ellos, especialmente en reconstrucción de terrenos (topológicos) y los atributos que la información trae consigo y de como cada una de los diferentes paquetes la maneja, en otras palabras podemos decir que a pesar de que CAD tiene gran capacidad para modelar objetos en 3D, no puede sustituir a los SIG para llevar a cabo tareas en donde se requiera más un análisis de los atributos inmersos en los datos. Las representaciones geométricas en 3D se clasifican en dos grupos según [29], en el primer grupo la representación es basada en la superficie que modela y el segundo están basadas en el volumen que representan, como se ilustra en la Figura 3.2. También [29] señala que la diferencia más significativa entre la adquisición de datos 2D y 3D en los SIG es la consideración que se le da a la información espacial de los objetos. En caso de que haya datos disponibles sobre la elevación, esta información debe ser utilizada para construir datos 3D, con el fin de evitar un alto costo de utilizar otro tipos de modelos que requieran más recursos tanto económicos como tecnológicos para representar el objeto en 3D. Figura 3.2: Representaciones Geométricas de una superficie en 3D 38 Uno de los intereses más importantes en el desarrollo de sistemas tridimensionales es la integración de los datos de elevación con representaciones 2D y las tecnoloǵıas de sensado remoto con los SIG. El componente esencial de la ampliación de la tecnoloǵıa 2D en los SIG para convertirlos en 3D es la forma de añadir la tercera coordenada a las representaciones (la elevación). Dado que la recopilación de datos 3D es muy costosa, es natural el interés en querer hacer una integración de los datos en dos dimensiones con los datos de altura (elevación). Por ejemplo en [20] se desarrollaron espacios de búsqueda 3D mediante la integración de modelos digitales del terreno (MDT) en SIG. Lo cual ge- nera trabajos que se centren en la búsqueda de la creación de buffers más capaces para soportar toda la información que trae consigo tomar en cuenta la elevación de las adqui- siciones, como por ejemplo los que toman en consideración los datos de elevación ya sean en formato raster o TIN, por ejemplo en [31]. 3.5. Superficies de Modelado El modelado de superficies es en general un termino que se utiliza para describir el proceso de representar superficies f́ısicas o abstractas por medio de una expresión ma- temática. El modelado de terrenos es una categoŕıa en particular del modelado de super- ficies que se ocupa de la problemática de representar la superficie de la tierra [26]. Una superficie puede ser definida como objeto tridimensional con una tercera dimen- sión variable y continua. Hay cuatro maneras diferentes de modelar una superficie: con un Modelo de puntos, Modelos de ĺıneas de contornos, TIN y DEM. En el modelado de terrenos, la variación continua de la tercera dimensión debe de ser almacenada de alguna manera a través de la superficie planar para representar la superficie real, sin embargo, existen un numero infinito de puntos de componen esa superficie. La única opción que se tiene es usar un numero limitado de puntos que van acompañados de los valores de elevación y que nos dan una aproximación de la superficie entera. Todos los modelos de terrenos contienen ciertas imprecisiones, cada que depende de un numero de factores, como por ejemplo el peso que tiene la fidelidad de los modelos en comparación con el costodel manejo de los extensos volúmenes de datos que se administraban. Por lo tanto, el reto del modelado de superficies es proporcionar elevaciones de gran precisión con un bajo costo de recursos. 3.5.1. Modelo de Puntos En un modelo de puntos, todas las elevaciones de los puntos de ejemplo son cap- turadas para ser almacenadas con su posición, es decir cada punto tiene asociados tres valores numéricos, X,Y y Z. Los valores X y Y identifican las posiciones de los puntos en un plano de coordenadas (por ejemplo en un plano cartesiano) o de manera geodésica (por ejemplo latitud y longitud) mientras el valor de Z representa la elevación del punto. Las elevaciones para cualquier punto son interpoladas de las elevaciones de los puntos de muestra. La Figura 3.3 nos muestra una representación de una pirámide. 39 Figura 3.3: Modelo de puntos para una Pirámide 3.5.2. Ĺıneas de Contorno Un contorno es una ĺınea imaginaria de una elevación constante sobre la superficie del suelo. Si la localización de los puntos que conforman el suelo se encuentra demasiado cerca, entonces se traza una ĺınea, esta ĺınea es la que llamaremos contorno. Por lo tanto, una superficie de terreno puede ser representada por una serie de ĺıneas de contornos con un intervalo establecido, que será la diferencia de la elevación vertical entre los contornos vecinos. La Figura 3.4 nos muestra una representación de una pirámide. Figura 3.4: Modelo de ĺıneas de contorno para una Pirámide 3.5.3. DEM Los DEM han sido referenciados como una forma de modelado de superficies por computadora que se ocupa del problema especifico de la representación numérica de la superficie de la tierra [26] . La precisión de los DEM en la representación de superficies depende de varios factores, entre ellos la resolución de la red. Sin embargo los DEM son los formatos más usados para representar superficies en células de estructuras de datos, el espacio es dividido entre cualquiera de las células de forma regular o irregular. La estructura de datos basada en células, más común es la que se representa por rectángulos o cuadrados, es decir, las células, cada una del mismo tamaño. Usualmente llamada raster. Usando una estructura de datos raster, los DEM almacenan un solo dato de elevación para cada célula, como se observa en la Figura 3.5, lo que supone que esa elevación es continua para toda la célula. Las elevaciones usadas para la superficie son interpoladas de la muestra original de puntos. 40 Figura 3.5: Modelo Diǵıtal de Elevación (DEM) para una pirámide 3.5.4. TIN (Triangulated Irregular Network) Las TIN fueron diseñadas por Peuker [37], para representar el modelado digital de elevaciones con precisión de superficies mientras se evitan las redundancias de datos que los formatos raster ofrecen. Una TIN es un modelo de terreno en formato vectorial que utiliza hojas de continuidad, conectando células triangulares que están basadas en la Triangulación Delaunay para puntos o nodos con un espaciado irregular. Las elevaciones para todos los demás puntos en una célula son fácilmente derivables por medio de interpo- lación de otros tres nodos. Las TIN superan algunas de las desventajas inherentes en las estructuras de datos raster, particularmente la redundancia. También resuelven otro de los problemas de la representación de los datos raster y que es la de representar áreas con diferente complejidad y elevación sin necesidad de cambiar el tamaño de las células. Cabe señalar que los DEM y TIN son dos tipos de representación de superficies que pueden ser convertidos de uno a otro usando las mismas estructuras de datos, pero perdiendo valiosa información. La perdida de información dependerá del tipo de algoritmo que se use para hacer el procesamiento. En la Figura 3.6 podemos observar una representación TIN de una pirámide. Figura 3.6: Modelo TIN de una pirámide 41 3.6. Ground Surveying Las tecnoloǵıas de inspección de suelo (conocidas como Ground Surveying• ) están siendo ampliamente utilizadas en la captura de datos espaciales y ayudando a numerosas aplicaciones de ingenieŕıa. Entre estas tecnoloǵıas, dos de ellas son capaces de medir la distancia y guardarlas (conocida como taping). El taping es una de las primeras tecno- loǵıas de surveying, hoy en d́ıa se sigue utilizando para medir y almacenar distancias relativamente cortas, en una escala geográfica pequeña. Las tecnoloǵıas de surveying y los instrumentos, están en constante cambio y pro- ceso. Tradicionalmente, estas técnicas han utilizado métodos análogos para la captura de datos. Hoy en d́ıa, las técnicas de surveyingutilizan más equipo electrónico. Con la aparición del teodolito electrónico y las tecnoloǵıas de medición de distancias electrónicas (EDM, por sus siglas en inglés), era muy común que estos aparatos fueran montados en un solo equipo alrededor de la época de 1970. Estos pequeños adelantos técnicos son los que dieron pie al desarrollo de las estaciones de trabajo que se tienen hoy en d́ıa. Los cuales se utilizan para recorrer grandes distancias, hacer mapas topográficos, estudios sobre construcción y otros tipos de trabajos de surveying. Una estación total de trabajo consiste en un sistema electrónico equipado con teodo- litos electrónicos, instrumentos electrónicos para medir distancias (EDMI, por sus siglas en inglés), colectores electrónicos de datos y un procesador, que comúnmente es una computadora que se une al sistema, con software especializado en el área. Algunos equi- pos cuentan con prismas que ayudan a la estación a obtener resultados más precisos. 3.7. Errores Existen una gran diversidad de errores en la toma de datos geográficos, los cuales se pueden agrupar en dos categorias, errores instrumentales y errores no instrumentales. 3.7.1. Errores Instrumentales Los errores instrumentales son inexactitudes introducidas por cualquier parte del sis- tema de adquisición en cuestión, se enumeran de la siguiente manera: 1. Errores de colimación: Un error de colimación se refiere a un error que se produce en el ángulo observado debido a la ĺınea de visión que se tiene, o más correctamente dicho, la linea de colimación entre los ejes coordenados no forma un ángulo de 90 grados. 2. Errores de transito de ejes: Es un error que puede ocurrir en la medición ángulo horizontal si los ejes del instrumento no forman un ángulo de 90 grados. 3. Errores de escala: Los errores de escala pueden ocurrir cuando la frecuencia de la onda emitida desde el DEM es inestable y la longitud de onda emitida no es 42 un valor normal. La temperatura de operación de los equipos es un factor que afecta la frecuencia de la onda emitida, por esta razón, la estación de trabajo debe de estar dentro de los estándares recomendados de temperatura según el modelo especificado. Además, los errores en los diodos pueden causar errores a escala ya que son los causantes de que las longitudes de onda sean diferentes a su valor normal. 3.7.2. Errores No Instrumentales Los errores no instrumentales son introducidos por factores externos al sistema. Y se dividen en: 1. Errores de observación: este tipo de errores ocurren por que tanto la incapacidad de la persona para enfocar el instrumento en el objetivo y las condiciones ambientales que limitan la visión clara del objetivo a observar. La mejor manera de minimizar estos errores es hacer la observación varias veces y usar el promedio de estas como el resultado. 2. Errores de grabación: los dos errores más comunes asociados con el trabajo en cam- po son leer ángulos incorrectos e introducir información incorrecta en la bitácora. Aunque la recolección electrónica de datos ha eliminado estos errores, aun es posible que un trabajador identifique mal la forma de los objetos que esta leyendo o que los clasifique de mal manera, por ejemplo, que el trabajador quisiera leer los datos 3D de un objeto e hiciera esta recolección de
Compartir