Trajectography registration by combined datamodel deformation for geometric enriching of existing city models

Depuis de nombreuses années, des véhicules de numérisation mobiles terrestres ont été développés pour acquérir simultanément des données laser extrêmement précises et des images haute résolution géo-référencées. Une application majeure de ces données consiste à exploiter leur niveau de détail très élevé pour enrichir les bases de données géographiques 3D construites à partir d'images aériennes et donc de niveau de détail beaucoup plus faible. Les bases de données géographique 3D et les données mobiles terrestre se révèle très complémentaire : les toits sont vus en aériens mais pas en terrestre, et les façades sont très mal vues en aérien mais très précisément en terrestre. Les bases de données géographiques sont constituées d’un ensemble de primitives géométriques (des triangles en 3D) d’un niveau de détail grossier mais ont l’avantage d’être disponibles sur de vastes zones géographiques. Les véhicules de numérisation mobiles offrent une couverture beaucoup plus partielle mais garantissent des données d’un niveau de détail très fin. Ces véhicules présentent aussi des limites : en milieu urbain, le signal GPS nécessaire au bon géo-référencement des données peut être perturbé par les multi-trajets voire même stoppé lors de phénomènes de masquage GPS liés à l'étroitesse des rues ou la hauteur des bâtiments. Le capteur GPS ne capte plus assez de satellites pour en déduire précisément sa position spatiale. Ces données complémentaires disposent chacune de son propre géo-référencement et ses propres incertitudes de géolocalisation allant de quelques centimètres à plusieurs mètres. Ce qui entraîne que les différents jeux de données d'une même zone ne coïncident pas. C’est pourquoi, un recalage est indispensable pour mettre en cohérence ces données mobiles très détaillées avec les bases de données géographiques moins détaillées. Dans cette thèse, nous avons modélisé finement toutes les sources d'incertitudes qui interviennent à la fois dans le processus de construction du nuage de points laser et de la base de données géographique pour recaler conjointement (simultanément) les données entre-elles. Le travail autour des incertitudes permet de les modéliser pour ensuite les exploiter dans le processus de recalage et de les propager sur le produit final avec une méthode de Gauss-Helmert. Le processus est basé sur une méthode de type ICP ("Iterative Closest Point") point à plan. Ce recalage corrige simultanément la trajectoire du véhicule de cartographie mobile et le modèle géométrique 3D. Notre chaîne de traitements a été testée sur des données simulées provenant de différentes missions effectuées par l’Institut National de l’Information Géographique et Forestière (IGN)For many years, mobile land scanning vehicles have been developed to simultaneously acquire highly accurate laser data and high-resolution georeferenced images. A major application of these data is to exploit their very high level of detail (LOD) to enrich the 3D geographic databases built from aerial images and therefore much lower LOD. The 3Dgeographic databases and mobile terrestrial data prove to be very complementary: roofs are seen from the air but not on land, and facades are very poorly seen from the air but very precisely on land. Geographic databases consist of a set of geometric primitives (3D triangles) of coarse LOD, but present the advantage of being available over large geographical areas. Mobile mapping vehicles offer much more partial coverage but guarantee very fine LOD data. These vehicles also have limitations: in urban environments, the GPS signal needed for good data georeferencing is liable to being disrupted by multi-paths or even stopped during GPS masking phenomena linked to narrow streets or high buildings. The GPS sensor no longer picks up enough satellites to accurately determine its spatial position. These complementary data each have their own geo-referencing and geolocation uncertainties of drift, ranging from a few centimetres to several metres. This means that different datasets in the same area do not coincide. That is why a realignment is essential to bring this highly detailed mobile data into line with the less detailed geographical databases.In this thesis, we have finely modelled all the sources of uncertainty involved in boththe process of building the lidar point cloud and the geographic database to jointly (simultaneously) re-align the data between them. This work around uncertainties makes it possible to model them, then to exploit them in the realignment process, and finally to to propagate them on the final product, by means of a Gauss-Helmert model. The process is based on an Point to plane ICP (Iterative Closest Point) method. This realignment simultaneously corrects the (path) trajectory of the mobile mapping vehicle and the 3D geometric model. Our processing chain has been tested on simulated data from various missions carried out by the National Institute of Geographical and Forest Information (Institut National de l’Information Géographique et Forestière, IGN