ASDIH - ASTURIAS DIGITAL INNOVATION HUB

Carreteras mapeadas gracias a un algoritmo que utiliza nubes de puntos tomadas con un escáner láser móvil

El equipo que utilizan, con un escáner láser móvil (MLS) para detectar y mapear automáticamente el firme de las carreteras.

Contenido ofrecido por Agencia Sekuens | 

CETEMAS y ApGeo se marcaron el objetivo de conseguir captar grandes áreas con una alta resolución y lo lograron utilizando el MLS, una tecnología que captura datos geoespaciales para luego traducirlos y analizarlos.

La posibilidad de analizar el firme de una carretera desde el cielo y con una precisión minuciosa ya es posible gracias a la tecnología

CETEMAS y ApGeo se unen para hacer de lo que parecía tan solo una posibilidad, un hecho. La primera forma parte de la red de Centros Tecnológicos del Principado de Asturias y su objetivo principal es fomentar y promover la investigación, desarrollo e innovación (I+D+i) en los diversos sectores de la cadena de valor monte-industria.

Por su parte, ApGeo (Aplicaciones Geomáticas SL) es la spin-off de innovación e ingeniería de Excade SL, que engloba diferentes áreas de actuación como Mobile Mapping, sensorización, digitalización o geomática, modelado 3D, nubes de puntos, captura de la realidad, gemelos digitales, smart technologies, monitorización, auscultación, análisis predictivo y preventivo, IoT, green construction, construcción 4.0…

Se partió de una base: ¿Cuál era el problema? Es una labor lenta y difícil la de revisar minuciosamente el estado de las carreteras, sobre todo cuando éstas no son principales. Las dos entidades se marcaron el objetivo de conseguir captar grandes áreas con una alta resolución. ¿Cómo? Para esta necesidad, CETEMAS plantea, a modo de demostración o ensayo, resolverlo desarrollando un algoritmo que utiliza datos captados con un escáner láser móvil (MLS) de ApGeo para detectar y mapear automáticamente el firme de las carreteras.

Pero, por partes. Primero es necesario saber más en detalle cómo funciona el MLS. Se trata de una tecnología de captura de datos geoespaciales que utiliza sistemas láser montados en plataformas móviles para medir y registrar las características físicas del entorno. El sistema emite pulsos de luz y mide el tiempo que tardan en regresar al sensor después de rebotar en objetos, lo que permite calcular la distancia exacta entre el sensor y los objetos escaneados. El hecho de que opere desde vehículos o sistemas móviles, le permite hacer esa captura rápida de grandes áreas con esa gran resolución, generando densas nubes de puntos que representan el entorno observado.

Se plantearon tres condiciones antes de poner en marcha el servicio. La primera, que estuviera escrito en un lenguaje de programación de código abierto, en este caso Python; la segunda, que funcionase de forma automatizada, es decir que tome como datos de entrada la nube de puntos y devolviese los resultados deseados con muy poca intervención del usuario; y por último, que fuese escalable a distintos tamaños de nubes.

¿Cómo funciona el algoritmo?

Para entender el funcionamiento del algoritmo para la detección de la superficie de las carreteras, lo primero que hay que saber es que comienza con la instalación y configuración de las librerías necesarias para procesar los datos. Una vez configurado, se carga la nube de puntos de la carretera obtenida con el MLS y luego se realiza un análisis inicial para examinar el tamaño, las coordenadas, los colores, y la intensidad de los puntos, lo que ofrece una comprensión básica de la estructura de los datos.

Después, el algoritmo calcula las características geométricas específicas de cada punto para diferenciar aquellos que forman parte del firme de la carretera de otros elementos, como edificios o árboles. Posteriormente, se aplica un filtrado detallado para eliminar los puntos que no cumplen con los criterios necesarios, centrando la atención en los que son relevantes para la superficie de la carretera. Los puntos que sobreviven al filtrado se agrupan mediante un método que identifica clústeres basados en la densidad y proximidad de éstos, aislando efectivamente la carretera de ruidos o elementos irrelevantes.

Por último, la nube de puntos que representa la carretera se transforma en un polígono suavizado, ajustando el modelo para que el contorno de la carretera sea claro y visualmente adecuado. Además, se realizan esfuerzos para extraer el eje central de la carretera utilizando diferentes técnicas, asegurando que el resultado final sea lo más preciso posible. Este proceso convierte los datos crudos de escaneo láser en un modelo útil y manejable de la superficie de la carretera, facilitando futuros análisis y planificaciones.

Resultados prometedores

Se está ensayando y validando la viabilidad del algoritmo, lo cual significa que están aprendiendo si es útil y en qué medida y circunstancias. Hasta el momento, se probó en cuatro zonas con distintas características para así poder evaluar su funcionamiento. Se trató de cubrir el mayor número de tipologías posibles seleccionando una carretera nacional, un tramo con presencia de dos túneles, un tramo con curvas y un ramal. En términos generales los resultados fueron prometedores, mostrando una alta capacidad para adaptarse a diversas condiciones y proporcionar una representación fidedigna de la superficie vial.

Los resultados obtenidos dan fe de que es posible detectar el eje de la carretera a partir de los datos tomados con un MLS de manera automática. La evaluación que se realizó en diversos segmentos viales con distintas peculiaridades ha ofrecido buenos resultados en términos generales.

Aun así, la realidad es que el algoritmo se tiene que enfrentar a varios desafíos antes de poder gestionar eficientemente volúmenes masivos de datos. Actualmente, requiere un proceso de ajuste de parámetros para cada conjunto de datos específico, lo cual limita su aplicabilidad en escenarios de uso generalizado sin una intervención significativa. 

Para superar estas barreras, se propone explorar técnicas de Deep Learning, que permiten al algoritmo aprender a detectar el firme de forma efectiva a partir de un entrenamiento con muestras de nubes de puntos de distintos datasets que contengan carreteras. Al hacerlo, se reduciría mucho la necesidad de ajustes manuales por parte de los usuarios, simplificando así su despliegue en entornos de gran escala y diversidad de datos.

CETEMAS, junto con el resto de los proveedores de servicios del AsDIH, centros tecnológicos regionales y Universidad de Oviedo, ayudan a que la pyme industrial asturiana incorpore tecnologías digitales avanzadas y acelere su proceso de digitalización.

Sobre el AsDIH

AsDIH está diseñado en red y a modo de acompañamiento a lo largo de todo el proceso, ofreciendo un catálogo de servicios especializados de asesoramiento, experimentación y formación, subvencionados al 100% por la Unión Europea.

Compuesto por diez entidades regionales que se han unido para ofrecer servicios a la industria asturiana que faciliten y aceleren sus inversiones en tecnologías digitales avanzadas. Los socios han puesto en red sus capacidades tecnológicas para ofrecer a las empresas servicios de ensayo, experimentación y formación. 

Las tecnologías facilitadas están alineadas con los retos de la estrategia de especialización inteligente Asturias S3 2021-2027, pertenecientes al ámbito de la Industria Inteligente y Resiliente. AsDIH también es un lugar de encuentro de todo el ecosistema en el que se conectan proveedores y demandantes de tecnología, innovadores e inversores.

El consorcio está coordinado por SEKUENS, y las actividades se financian por la Unión Europea y por el Ministerio de Industria, y Turismo por un periodo de tres años. AsDIH forma parte de la red europea de EDIHs (European Digital Innovation Hubs) y presta servicios a pymes a través del Programa de Apoyo a Digital Innovation Hubs (PADIH), en el marco del Plan de Recuperación, Transformación y Resiliencia – Financiado por la Unión Europea – NextGenerationEU.