Mapeamento 3D de ambientes urbanos usando dados de varredura a laser móvel terrestre

Orientador: Prof. Dr. Daniel Rodrigues dos SantosTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências da Terra, Programa de Pós-Graduação em Ciências Geodésicas. Defesa : Curitiba, 31/07/2020Inclui referências: p. 125-130Resumo: O vasto potencial das representações digitais de objetos por uma coleção de nuvens de pontos 3D têm chamado a atenção de pesquisadores há mais de duas décadas com aplicações em diversas áreas da Ciência e Tecnologia como: Planejamento Urbano, Engenharias, Geociências, Visão Computacional, Robótica, entre outras. Isso fez com que as nuvens de pontos 3D se popularizassem e novas tecnologias surgissem demandando técnicas eficientes para lidar com essas informações para fins de mapeamento tridimensional de ambientes urbanos. Na presente pesquisa é apresentado um método para mapeamento de ambientes urbanos utilizando nuvens de pontos LiDAR (Light Detection and Ranging) 3D obtidas por um sensor LiDAR com uma solução estocástica para a correspondência entre planos a partir de uma Matriz de Probabilidades a priori e sua posterior atualização por Inferência Bayesiana, além de uma abordagem inédita na determinação dos parâmetros de transformação entre os pares de nuvens de pontos LiDAR 3D com a álgebra de Dual Quaternions. Caso as observações gerem um Espaço Canônico bidimensional, superfícies quase-planares são usadas para criar uma zona de busca por pontos virtuais que, dentro da álgebra de Dual Quaternions, determinam os parâmetros de transformação ótimos e diante a indisponibilidade dessas regiões, um método de aproximação é proposto. A redução média dos valores da REMQ (Raiz do Erro Médio Quadrático) ponto a plano após a aplicação dos algoritmos NDT (Normal Distribution Transform), ICP (Iteractive Closest Point) e o método proposto são de 77%, 80% e 87%, respectivamente. Já o erro de fechamento da componente translacional calculado com o método proposto representa apenas 0,47% e 0,68% comparado aos encontrados pelos algoritmos NDT e ICP, respectivamente. Palavras-chave: Registro de nuvens de pontos LiDAR 3D; Sensor Velodyne LiDAR 3D; Dual Quaternions; Inferência Bayesiana.Abstract: The great potential of digital representations of objects through a collection of 3D point clouds has attracted the attention of researchers for over two decades with applications in several areas of Science and Technology such as Urban Planning, Engineering, Geosciences, Computer Vision, Robotics, among others. This made the 3D point clouds to become popular and caused the emergence new technologies requiring efficient techniques to handle such information for tridimensional urban mapping purposes. In this research is proposed a novel method for mapping urban environments using LiDAR (Light Detection and Ranging) 3D point clouds obtained by a LiDAR sensor with a stochastic solution for the correspondence between plans in a twofold way: firstly a priori Probability Matrix is build relaxation labeling wise and is subsequently updated using Bayesian Inference. Besides that, a new approach is proposed to calculate the transformation parameters between a pair of LiDAR 3D point clouds with Dual Quaternions algebra. If the observations generate a two-dimensional Canonical Space, quasi-planar surfaces are used to create a search zone for virtual points, which determine the optimal transformation parameters within the same Dual Quaternions algebra, in the case, these surfaces are not available an approximation method is used. The average reduction in the REMQ (Root Mean Square Error) point by plane values after the application of the NDT (Normal Distribution Transform), ICP (Iteractive Closest Point) and the proposed method are 77%, 80% and 87%, respectively. The translational component of the loop closure error calculated with the proposed method represents only 0.47% and 0.68% compared to those found by the NDT and ICP algorithms, respectively. Keywords: 3D LiDAR Point Cloud Registration; Velodyne 3D LiDAR sensor, Dual Quaternions, Bayesian Inference