So L ware para la explotación de datos LiDAR en carreteras · de software tengan herramientas que...

P L A T A F O R M A T E C N O L Ó G I C A E S P A Ñ O L A D E L A C A R R E T E R A ( P T C )

So ware para la explotación de datos LiDAR en carreteras

Autores: M. Varela González, H. González Jorge, B. Riveiro Rodríguez, P. Arias Sánchez

Escuela Superior de Ingenieros de Minas - Universidad de Vigo

Nº 02 / 2013Cuadernos Tecnológicos de la PTC

© Plataforma Tecnológica Española de la Carretera (PTC). Goya, 23 - 3º, 28001 Madrid.Reservados todos los derechos. ISBN: 978-84-695-8763-8.

3

La Plataforma Tecnológica Española de la Carretera (PTC) es el foro de encuentro apoyado por el Ministerio de Economía y Competitividad para todos los agentes del sistema ciencia-tecnología-empresa con un papel relevante en el fomento del empleo, la competitividad y el crecimiento en el sector de las infraestructuras viarias en España.

Desde su presentación en sociedad en febrero de 2010, la PTC trabaja como una plataforma transversal que fomenta el intercambio fl uido de información y las discusiones a nivel tecnológico entre los agentes privados y públicos del sector, con el objeto de contribuir a que España se convierta en el referente mundial en materia de tecnologías asociadas a la carretera.

La colección de publicaciones “Cuadernos Tecnológicos de la PTC” surge de los convenios de colaboración que la Plataforma mantiene con un importante número de instituciones académicas activas en la I+D+i en materia de infraestructuras viarias. Cada Cuaderno se incardina dentro de alguna o varias de las temáticas y sub-temáticas de la vigente Agenda Estratégica de Investigación de la Carretera en España (2011-2025).

LA COLECCIÓN “CUADERNOS TECNOLÓGICOS DE LA PTC”

Colección de Cuadernos Tecnológicos de la PTC

Año 2013

01/2013: Técnicas avanzadas de fusión de información de fuentes heterogéneas para la extracción de información de movilidad en carreteras

02/2013: Software para la explotación de datos LiDAR en carreteras

03/2013: Desarrollo de una metodología de análisis del coste de ciclo de vida

04/2013: Carga tarifaria y fi scal del transporte por carretera: un análisis comparado entre E.E.U.U. y Europa

05/2013: Captación de energía en carretera: colectores solares asfálticos

06/2013: Nuevo proceso de diseño geométrico para unas carreteras convencionales más seguras

07/2013: Informe del estado del arte sobre el factor humano en la conducción

08/2013: Optimización del uso de las carreteras existentes

09/2013: Diseño de estación de carga para vehículos eléctricos mediante energías renovables

Año 2012

01/2012: Análisis del Megatruck en España

02/2012: Conceptualización del transporte sostenible desde el comportamiento prosocial

03/2012: Consideraciones para la modifi cación de los límites de la velocidad en base a la accidentalidad

04/2012: Extrapolación de materiales viarios

05/2012: Gestión de la mejora de la movilidad

06/2012: Infl uencia de la meteorología adversa sobre las condiciones operacionales del tráfi co y recomendaciones para la localización de sensores de variables atmosféricas

07/2012: Membranas fl exibles ancladas al terreno para la estabilización de taludes en carreteras

08/2012: Priorización de actuaciones sobre accidentes de tráfi co mediante reglas de decisión

09/2012: Sistemas lidar móvil para el inventario geométrico de carreteras

5

Año 2011

01/2011: Sistemas de adquisición de información de tráfi co: estado actual y futuro

02/2011: Firmes Permeables

03/2011: Sistema fotogramétrico para la medición remota de estructuras en programas de inspección de puentes

04/2011: Pago por uso de las infraestructuras viarias: Estudio de los accesos a Madrid

05/2011: Sistema eCall: Situación actual y estándares

06/2011: La velocidad de operación y su aplicación en el análisis de la consistencia de carreteras para la mejora de la seguridad vial

07/2011: Desarrollo de una metodología de análisis de ciclo de vida integral específi ca para carreteras

08/2011: Control pasivo de velocidad: intervención en tramos de acceso a entornos urbanos

Para cualquier información adicional, contacte con [email protected] o visite www.ptcarretera.es

Cuaderno Tecnológico de la PTC Nº 02/2013

Autores: M. Varela González, H. González Jorge,

B. Riveiro Rodríguez, P. Arias SánchezEscuela Superior de Ingenieros de Minas - Universidad de Vigo

So ware para la explotación de datos LiDAR en carreteras

En colaboración con:

Agenda Estratégica de Inves gación de la Carretera en España

(2011-2025)

Temá cas: Sub-temá cas:

ITS y movilidad Optimización del uso de las infraestructuras de carreteras existentes

Resumen

Los sistemas LiDAR móvil se están utilizando de forma extensiva en los últimos años en el sector carretero, ya que permiten obtener de forma productiva información geométrica precisa de la vía, útil tanto en la fase de proyecto como durante su explotación. Una de las limitaciones más importantes de esta tecnología es la gran cantidad de recursos computacionales que se requieren para el procesado de datos. El mercado presenta diversas soluciones software para el procesado de datos pero los usuarios desconocen metodologías para verifi car sus características de forma cuantitativa. En este trabajo se presenta una metodología para verifi car las características de los diferentes paquetes software existentes. Dicha metodología se ensaya con 6 suites: QT Modeler, AutoCAD 3D Civil, Mars 7, Fledermaus, Carlson y TopoDOT. Los resultados han mostrado como QTModeler, TopoDOT y AutoCAD 3D Civil permiten cargar grandes fi cheros de datos, mientras que Fledermaus, Mars 7 y Carlson no muestran tanta capacidad en este parámetro. AutoCAD Civil 3D necesita un tiempo de carga muy elevado en comparación con otros software como QTModeler y TopoDOT, lo que hace disminuir su productividad. Carlson muestra los peores resultados entre todas las suites estudiadas y no permite cargar nubes de puntos superiores a cinco millones de puntos.

Índice

1. Introducción .................................................................................................... 13

2. Trabajos relacionados .................................................................................... 17

3. Materiales y métodos .................................................................................... 19

3.1. Área de trabajo ........................................................................................ 19

3.2. Adquisición de datos ............................................................................... 19

3.3. Procesado de datos ................................................................................20

3.4. Software LiDAR ....................................................................................... 22

3.4.1. QT Modeler ....................................................................................23

3.4.2. AutoCAD Civil 3D ...........................................................................24

3.4.3. Mars 7 ............................................................................................24

3.4.4. Carlson point cloud .......................................................................24

3.4.5. Fledermaus ....................................................................................25

3.4.6. TopoDOT .......................................................................................25

3.5. Metodología ............................................................................................26

3.6. Ordenador utilizado................................................................................ 27

4. Resultados y discusión ...................................................................................29

5. Conclusiones ..................................................................................................37

6. Agradecimientos ............................................................................................39

7. Referencias ..................................................................................................... 41

9

1. Introducción

13

El LiDAR es una tecnología de medición sin contacto que permite la adquisición de las coordenadas de un objeto utilizando un sistema láser pulsado y sistemas mecatrónicos complementarios. Los principales componentes de un sistema LiDAR son el láser escáner y la óptica, el fotodetector y su electrónica asociada, los sistemas de navegación y posicionamiento. Los sensores LiDAR en ocasiones van montados en plataformas móviles como aviones, barcos o coches. Para la medición de la posición absoluta integran sistemas GNSS (posición absoluta) e inerciales (medición de orientación) (Barter 2008; Glennie y Lichti 2010).

Los sistemas LiDAR proveen información geométrica precisa de gran interés en muchas aplicaciones como en ingeniería civil (González-Jorge 2012ª, 2012b) minería (Lato 2013), industria forestal (Bater y Coops 2009), hidrología (Jones 2008), ingeniería costera (Bitenc 2011, Coveney 2004), geomorfología (Fillin 2004) y conservación del patrimonio histórico (Studnika 2011). La tecnología LiDAR es especialmente competitiva cuando se desean realizar medidas de alta resolución, en comparación con otras técnicas topográfi cas de baja productividad como puede ser una estación total. Además los sistemas LiDAR se pueden montar en plataformas móviles y proveer medidas de decenas y cientos de kilómetros en un único día de trabajo. Algunas de las aplicaciones más específi cas de este campo se centran en planeamiento urbanístico (Zhou 2004), diseño de carreteras (Murray 2011), monitoreo de patrones de drenaje, monitoreo de taludes, gálibos y perfi les carreteros, (El-Halawany y Lichti 2011, Yang 2012), vías ferroviarias ,(Studnicka y Zach 2011), medidas forestales de biomasa (Oliveira 2012), etc. Actualmente existen muchos fabricantes de tecnología LiDAR que proveen soluciones completas para las compañías topográfi cas. Algunos ejemplos son el Optech Lynx Mobile Mapper (Puente 2012), Trimble MX8 o Riegl VMX450. Otras compañías como Topcon provee sistemas de bajo coste como el Topcon IPS2, sin embargo, su baja precisión hace que este sistema se considere como una herramienta de mapping y no topográfi ca.

Los sistemas LiDAR móvil, a pesar de su gran potencial, muestran debilidades que se deben tener en cuenta: estos sistemas generan grandes cantidades de información, hasta un millón de puntos por segundo en sistemas como el Optech Lynx o el Riegl VMX450. Esto signifi ca que un kilómetro de carretera lleva asociados varios millones de puntos. Esta característica hace que la utilización de sistemas LiDAR móvil lleve asociada ordenadores específi cos de alta capacidad para el procesado de los datos.

El propósito del presente trabajo es realizar un test comparativo para

14

Cuaderno Tecnológico de la PTC Nº 02/ 2013

entender las diferentes posibilidades de software existentes en el mercado para el manejo de nubes de puntos LiDAR. Los software que se estudiarán son Quick Terrain Modeler (Applied Imagery), AutoCAD Civil 3D (Autodesk), Mars7 (Merrick), Carlson Point Cloud (Carlson), Fledermaus (Quality Positioning Services) y TpoDOT (Certainty3D).

Los test comparativos realizados evalúan, para cada uno de los software bajo estudio, el tiempo de carga de la nube de puntos (loading time), uso de la CPU, memoria física utilizada (working set), memoria física máxima utilizada (peak working set), memoria física reservada (working set privado), cantidad de memoria virtual utilizada (commit size), memoria virtual paginada (paged pool), memoria virtual no paginada (non-paged pool) y threads.

15

Software para la explotación de datos LiDAR en carreteras

2. Trabajos relacionados

17

La fase de testado de especifi caciones tiene una gran importancia durante el ciclo de vida del software. El test del software se suele realizar en un primer momento por los desarrolladores, pero no se puede extender infi nitamente en el tiempo debido a muchas razones como puede ser el marketing o el incremento de coste. Se ha observado que el periodo de introducción de un nuevo software en el mercado es mucho más elevado en los años recientes que en el pasado (Singh 2012). Esto hace pertinente que los usuarios de software tengan herramientas que permitan evaluar sus características antes de la compra del mismo.

Los autores de este trabajo no conocen estudios previos sobre el test de software para el manejo de nubes de puntos LiDAR. Sin embargo, el test de software es una disciplina activa que muestra muchos trabajos previos. Shahrokni y Feldt (2013) realizaron una revisión bibliográfi ca sobre la robustez del software. Ellos utilizaron una revisión sistemática para encontrar y clasifi car la literatura existente en un cierto campo. Estos autores estudiaron un conjunto de artículos científi cos relevantes y los resultados muestran que la mayor parte de los estudios sobre robustez del software se centran en la verifi cación y validación, mientras que hay pocos resultados centrados en la forma de obtener y como especifi car los requisitos de robustez. Los autores concluyen que es necesario realizar más investigación relativa a la evaluación de la robustez del software trabajando en el mundo real, sistemas industriales y en el desarrollo de las fases del desarrollo del software, aparte del diseño y testado, como puede ser en particular la ingeniería de requerimientos.

Otros ejemplos de metodologías de test de software incluyen las medidas de entropía por comparación de las trazas software (Miranskyy 2012) y los test de fi abilidad del software basados en la utilización de modelos de Markoc (Zou 2012). Otros estudios están simplemente enfocados en la evaluación de métodos de resolución de un cierto problema para dos o más proveedores de software. Por ejemplo, Wen (2012) analizó la diferencia entre dos software de aplicación ingenieril como Matlab y Labview en la temática relacionada con el ajuste no lineal de funciones. En Matlab se utiliza la librería de ajuste de funciones para analizar y testar una serie de datos, mientras que en Labview se utiliza la librería de funciones no lineales.

3. Materiales y métodos

19

3.1. Área de trabajo

La A-52, denominada como “Autovía de las Rías Baixas” (Figura 1), es una autovía que une las ciudades de Benavente (Zamora) y O Porriño (Pontevedra). Tiene 306 km de longitud, desde la intersección en el kilómetro 267 con la Autovía del Noroeste (A-6) hasta la intersección con la autovía A-55 en el kilómetro 306. Esta autovía cruza tres provincias y tiene varios túneles y viaductos de tamaño considerable. Su construcción data de principios de 1994 cuando los trabajos comenzaron en el tramo entre Melón y Barbantes, localizado entre Requejo y Vilavella (Ourense y Zamora). La ejecución de la obra presentó importantes difi cultades técnicas debido especialmente a la compleja orografía que produjo que fi nalmente los costes de la obra fuesen mucho mayores que los planifi cados. La autovía se fi nalizó en verano de 1999. Para este trabajo se utilizó una nube de puntos de esta autovía con una longitud de 1.7 km, localizados alrededor del municipio de A Cañiza, en la provincia de Pontevedra, cerca del límite con la provincia de Ourense.

3.2. Adquisición de datos

El sistema LiDAR utilizado para este trabajo ha sido el Lynx Mobile Mapper fabricado por Optech (Figura 2). El Lynx está basado en dos sensores LiDAR (Figura 3a) para recoger datos geométricos a una frecuencia de adquisición de 500.000 mediciones por segundo con un campo de visión de 360º (cada sensor). La exactitud de la medida de rango es de 6 mm y los espejos del escáner giran a una frecuencia de 200 Hz. El sistema incorpora el módulo de posicionamiento y navegación Applanix POS LV 520. El sistema de navegación integra una Unidad de Medición Inercial basada en anillos láser, un indicador de medida de distancia y dos antenas GPS. Este módulo proporciona una exactitud de 0,015º en el heading y 0,005º en roll y pitch, 0,02 m en el posicionamiento X, Y y 0,04 m en Z (Figura 3b). Todos estos valores están determinados por post procesado GPS diferencial después de la toma de datos GPS utilizando una estación base complementaria.

El sistema Lynx también incluye cuatro cámaras digitales de 5 Mpx, todas ellas orientadas externamente contra los sensores LiDAR. La unidad de control (Figura 3c) utiliza los datos LiDAR que se fusionan con los datos GPS/IMU del sistema Applanix POS LV 520, la información del medidor de distancia DMI y las imágenes de las cámaras.

20


3.3. Procesado de datos

El procesado de datos se ha llevado a cabo utilizando los software Applanix POSPac y Dashmap. El primero corrige la información GPS utilizando un archivo RINEX tomado de una estación base. Además, combina utilizando un fi ltro de Kalman, los datos de un GPS con aquellos obtenidos a partir de un sistema de navegación inercial (INS) y un medidor de distancia (DMI). La trayectoria generada corregida muestra una precisión absoluta

superior a 2 cm en X e Y y 4 cm en Z.

El software Dashmap utiliza la marca de tiempo para referenciar y combinar la información de distancia y ángulo obtenida por los escáner Optech,

Figura 1. Autovía A-52

21


la información derivada de la calibración de los escáner (posición relativa y orientación entre los escáner y el sistema de navegación Applanix) y la información de la trayectoria de PosPAC. El resultado es una nube de puntos en 3D de los objetos del entorno. El componente básico de esta nube de puntos son coordenadas X, Y y Z de todos los puntos que representan información geométrica del área de estudio.

Adicionalmente, algunos otros parámetros de interés se pueden conocer para cada punto. Algunos ejemplos son el atributo de intensidad, rango (distancia entre el escáner y el punto en 3D), ángulo de defl exión, marca de tiempo, etc. Dashmap incorpora diferentes posibilidades para el intercambio de datos con otros paquetes software. De esta forma los datos LiDAR pueden ser exportados utilizando formato ASCII “customizado” a las necesidades del cliente. Sin embargo, el formato para intercambio de

Figura 2. Sistema Lynx Mobile Mapper utilizado para la adquisición de datos geométricos de la carretera. La velocidad del furgón durante el escaneo fue de 80 km/h. La cantidad de

datos adquiridos fue de 75 millones de puntos

Figura 3. (a) Sensor LiDAR Lynx y cámara, (b) antena GPS Applanix y (c) unidad de control Lynx

22


datos LiDAR más utilizado es LAS, debido a que se trata de una codifi cación binaria que resulta bastante efi ciente. Para el presente trabajo, las nubes de puntos se exportaron a archivos LAS conteniendo únicamente las coordenadas X, Y, Z de cada punto. Los archivos podrán de este modo ser abiertos por todos los software LiDAR evaluados para este trabajo. La Figura 4 muestra una de las nubes de puntos de la autovía A-52 empleadas para este trabajo.

La nube de puntos original (75 millones de puntos) es diezmada utilizando software Matlab para obtener nubes de puntos simplifi cadas para los diferentes casos de estudio (5 millones de puntos, 10, 25, 50 y 75).

3.4. Software LiDAR

Para el presente trabajo se estudiarán seis software diferentes (QTModeler, AutoCAD Civil 3D, Mars 7, Carlson Point Cloud, Fledermaus y TopoDOT). Aunque existen algunos otros software en el mercado que permiten trabajar también con nubes de puntos, están principalmente indicados para el modelado de sólidos y superfi cies en 3D (Catia, Solidworks, ProEngineer, Rhrinoceros 3D, etc). Estos software son muy utilizados en la industria de la automoción, aeroespacial o la construcción de barcos. No se han tenido en cuenta en este trabajo que está más orientado a los ámbitos de la topografía y la ingeniería civil. Los principales requerimientos del software presentado se muestran en la Figura 5, mientras que la Figura 6 presenta las principales características.

Es importante destacar que para el presente estudio se ha procedido a emplear archivos de tipo LAS, porque es un formato efi ciente y común a todos los

Figura 4. Nube de puntos de un tramo de la autovía A-52

23


paquetes con los que se ha trabajado. A continuación se realiza una breve descripción de las características de los software empleados.

3.4.1. QT Modeler

Applied Imagery se fundó en 2004 en Silver Spring, un suburbio de Washington DC, para comercializar el software desarrollado por la Universidad Johns Hopkins en el Departamento de Física Aplicada. El producto, denominado Quick Terrain Modeler (QT Modeler) es un potente software para la visualización y edición de nubes de puntos 3D y modelos digitales de terreno. Quick Terrain Modeler está enfocado a aplicaciones civiles y se continúa desarrollando gracias al feedback con los clientes. Applied Imagery es la única compañía que comercializa el producto en USA, mientras que en Europa y Asia posee acuerdos con distribuidores (QT Modeler web 2012).

Quick Terrain Modeler permite la visualización de una gran cantidad de datos: nubes de puntos, modelos digitales de terreno, etc. Una vez que los datos se muestran, se puede mejorar su visualización utilizando herramientas de iluminación, paletas de colores, etc. Los benefi cios de visualizar los datos LiDAR en formato nube de puntos están relacionados con el control de calidad de los mismos ya que no se requieren interpolación a ninguna superfi cie o análisis estadístico para la representación de los objetos.

Otra característica importante de QT Modeler es la posibilidad de fusionar

Figura 5. Requerimientos del software bajo estudio

Figura 6. Características del software

24


datos LiDAR con imágenes para mejorar el realismo de la escena. Quick Terrain Modeler puede utilizar la mayoría de los formatos de imagen raster y vectorial. Las opciones de visualización permiten utilizar normales, modelos alámbricos, ejes XYZ, orientación, cielo, etc.

3.4.2. AutoCAD Civil 3D

AutoCAD Civil 3D es un software BIM (building information modeling) para el diseño y documentación en el campo de la ingeniería civil de la empresa Autodesk. AutoCAD Civil 3D extiende el valor del modelado 3D con nuevos fl ujos de trabajo y herramientas de alta productividad para infraestructuras civiles. Algunas de las características del software incluyen herramientas de topografía, hidráulica e hidrología, realización de parcelas, realización de perfi les, modelado de tuberías, modelado de vías y gestión de nubes de puntos (AutoCAD Civil 3D web 2012).

Las principales características de AutoCAD Civil 3D se muestran en las Figuras 5 y 6. Además, permite la extracción de características de carreteras, clasifi cación de nubes de puntos, creación de superfi cies, fi ltrado de puntos, segmentación y clasifi cación. Las superfi cies se pueden construir a partir de una combinación de muchos tipos de datos diferentes: fronteras, líneas de rotura, contornos, modelos digitales de elevación, objetos de dibujo, archivos de puntos, grupos de puntos y datos de topografía.

3.4.3. Mars 7

El software Merrik Advanced Remote Sensing (MARS) es una aplicación Windows diseñada para visualizar, gestionar, procesar y analizar datos de nubes de puntos LiDAR. El software está optimizado para trabajar bajo 64 bits y ofrece herramientas de fi ltrado, edición y funciones de gestión de datos. MARS soporta el formato de datos LAS, GIS vectorial, imagen aérea y puntos de control topográfi co (MARS web 2012).

Además soporta imágenes WMS, incluyendo BingMaps y permite implementar funciones batch para generar modelos digitales de terreno y contornos de elevación, fi ltros para datos LiDAR, procesamiento multi-núcleo, transformaciones de coordenadas 3D y modelado de inundaciones.

3.4.4. Carlson point cloud

Carlson Point Cloud es un programa modular que ayuda al topógrafo en el fl ujo de trabajo existente entre la adquisición de datos de campo y su producto fi nal. Permite

la integración de productos como Carlson Survey, Carlson Civil y Carlson Mining. Carlson Point Cloud muestra un nivel elevado de automatización para grandes

volúmenes de datos. Permite a los usuarios de láser escáner la posibilidad

25


de procesar millones de datos. Algunas capacidades del software son el registro en sistemas locales de coordenadas, fi ltrado y diezmado de nubes de puntos, superposición de imágenes raster en 3D, y codifi car simbología para crear contornos, perfi les, secciones, líneas de rotura, etc (Carlson web 2012). De acuerdo con las especifi caciones del fabricante, se pueden cargar hasta 109 puntos y permite ofrecer datos fi nalistas al topógrafo usuario del mismo.

Carlson Point cloud ofrece un visor que permite visualizar de forma virtual los puntos adquiridos. Tiene también un módulo de visualización en 2D que permite ver imágenes y escaneos (como imagen en planta). Los escaneos también se pueden ver en 3D.

3.4.5. Fledermaus

Fledermaus es una herramienta de procesado geoespacial 3D interactivo. Los usuarios pueden trabajar en un espacio 4D. El software permite interaccionar con series de datos geoespaciales masivas y numerosos tipos de datos para mapping oceanográfi co y terrestre. Permite la comunicación con una gran variedad de formatos para importar datos en la escena 3D. Fledermaus también permite operar con datos obtenidos a partir de vehículos móviles en tiempo real. Las funcionalidades de Fledermaus permiten su uso en muchas fases del proyecto, desde su planeamiento, procesado y control de calidad de datos, análisis y producción de imágenes, gráfi cos y animaciones. El software Fledermaus viene con diferentes fl ujos de trabajo implementados para adaptarse a los requerimientos de diferentes usuarios.

Fledermaus ha sido diseñado específi camente para permitir la visualización de forma interactiva y en tiempo real de complejos objetos 3D a resolución completa. Fledermaus posee el motor de renderizado ShiftScape, que automáticamente ajusta la cantidad de detalle en una escena en base a la capacidad del hardware. Se proveen dos interfaces de visualización que facilitan el trabajo en el espacio virtual 3D. Muchos objetos se pueden visualizar en el mismo espacio 3D de exploración. Esta característica permite estudiar la evolución de trabajos en minería e ingeniería civil.

3.4.6. TopoDOT

TopoDOT es una aplicación de MicroStation para importar y extraer datos topográfi cos y modelos digitales de terreno a partir de nubes de puntos, imágenes calibradas y datos relacionados. TopoDOT facilita la utilización de nubes de puntos e imágenes calibradas a través de operaciones de Ingeniería Topografi ca, Construcción y Gestión. TopoDOT ofrece un acceso completo a todos los formatos 3D de nubes de puntos y a los diferentes formatos de imagen. TopoDOT se acomoda a los diferentes tamaños del proyecto. El software TopoDOT permite la integración de imágenes aéreas a partir de fuentes como Google, Bing u otras más específi cas. TopoDOT importa imágenes

26


calibradas en el entorno MicroStation. TopoDOT se ofrece como una herramienta desarrollada para extraer la topografía del terreno de forma precisa a partir de imágenes calibradas y nubes de puntos. Permite extraer líneas de rotura, elevaciones, secciones transversales y otros componentes relacionados con modelos digitales de terreno de acuerdo a los requerimientos del proyecto. TopoDOT ofrece una suite desarrollada para extraer y emplazar modelos 3D constructivos como pueden ser vigas en doble T, tuberías, etc. TopoDOT ofrece herramientas para localizar y emplazar librerías relacionadas con bases de datos GIS. TopoDOT ofrece herramientas para la identifi cación y monitorización de cambios en puntos, áreas y estructuras (TopoDOT web 2012).

3.5. Metodología

El test de software es un tipo actividad que conduce a proveer información sobre la calidad del producto estudiado. El test de software puede tomarse como un proceso para validar y verifi car que un programa de computador cumple con los requerimientos que han guiado su diseño y desarrollo, trabaja de forma esperada y puede implementarse con las mismas características y satisface las necesidades de los stakeholders. El test de software se puede implementar en cualquier etapa del procesado de desarrollo.

Existen muchas aproximaciones para el test de software, dividiéndose fundamentalmente en test estáticos y dinámicos. Los test dinámicos tienen lugar cuando el programa mismo es utilizado y es la metodología principal utilizada para el presente trabajo. El principal objetivo del test realizado para este caso de estudio es determinar cómo los diferentes paquetes software permiten en términos de estabilidad trabajar ante una particular carga de trabajo, enfocada en este caso al manejo de nubes de puntos LiDAR. La metodología de test realizado incluye los siguientes aspectos (Van Veenendall 2010):

• Software loading time: Es el tiempo que tarde en cargar el software completamente y estar listo para llevar a cabo operaciones.

• Point cloud loading time: El tiempo que tarda en cagarse nubes de puntos de diferentes tamaños. Los diferentes tamaños de las nubes de puntos testadas son: 5, 10, 25, 50 y 75 millones de puntos. El test de carga de nubes de puntos parece muy importante para series de datos de nubes de puntos con archivos de gran tamaño.

• Máximo uso de la CPU.

• Working set: Cantidad de memoria en el working set privado de un proceso y cantidad de memoria compartida con otro proceso (Denning 1968). Típicamente las unidades de información se consideran como páginas de memoria. El working set se defi ne como

el número de páginas que se pueden almacenar en la memoria principal. Es uno de los aspectos principales a tener en cuenta al gestionar grandes volúmenes

de datos.

27


• Peak working set: Máxima cantidad de memoria working set máxima utilizada por el proceso desde su comienzo.

• Private working set: Cantidad de memoria no compartida con otros procesos.

• Commit size: Memoria virtual reservada para el proceso. Este término, utilizado fundamentalmente en los sistemas operativos Microsoft describe la cantidad total espacio virtual paginable para el cual no se asigna backing store. En sistemas sin archivo de paginación todo el espacio de direcciones virtuales debe permanecer en la memoria física en todo momento.

• Paged pool: Memoria virtual confi rmada para el proceso que puede ser escrita en otra unidad de almacenamiento como un disco duro. El paginado permite el almacenamiento en medios secundarios. El paginado es una parte importante de la implementación de la memoria virtual en la mayoría de los sistemas operativos actuales, permitiendo utilizar el almacenamiento de datos en disco que no se pueden almacenar en la RAM. Los archivos de nubes de puntos se pueden gestionar de forma ágil únicamente si la información se carga en la RAM del ordenador. Cuando una falta de capacidad obliga a realizar operaciones complementarias con el disco duro el fl ujo de trabajo se vuelve lento.

• Non-paged pool: Memoria virtual confi rmada para el proceso que no puede ser escrita en otra unidad de almacenamiento.

• Threads: Número de procesos que están funcionando dentro del proceso principal. En otras palabras, la thread de una ejecución es la menor secuencia de instrucciones programadas que se pueden gestionar de forma independiente por un gestor de sistemas operativos.

3.6. Ordenador utilizado

El ordenador utilizado para el test es un Dell Precision M6600 con las siguientes características técnicas principales:

• CPU Intel Core i7-2920 XM 2.5 GHz.

• Memoria RAM: 8 GB.

• Sistema operativo: Windows 7. Service Pack 1.

• Tipo de sistema operativo: x64 bits.

4. Resultados y discusión

29

La Figura 7 muestra el tiempo de carga para todos los software bajo estudio. QTModeler aparece como el software con un tiempo de carga más rápido (1s) y AutoCAD Civil 3D, Carlson y TopoDOT muestran los peores resultados (6s). Mars y Fledermaus muestran resultados intermedios con tiempos de carga de 3s y 2s, respectivamente.

La fi gura 8 muestra el tiempo de carga para diferentes tamaños de la nube de puntos (5, 10, 25, 50 y 75 millones de puntos) y para los diferentes software bajo estudio. Hay dos opciones que están claramente por encima del resto: QTModeler y TopoDOT. Estos software permiten cargar las nubes de puntos de mayor tamaño y además el tiempo de carga es aproximadamente de 30s en ambos casos; QT Modeler – 32s y TopoDOT - 20s. La otra opción que también permite cargar la nube de puntos de mayor tamaño es AutoCAD Civil 3D, aunque tiene la problemática asociada del elevado tiempo de carga; 955s. Este hecho hace que sea difícil tener una dinámica de trabajo fl uida con este software. Fledermaus es una opción intermedia entre las anteriormente descritas. Permite cargar nubes de puntos de hasta un máximo de 50 millones de puntos con un tiempo de carga de 420s. Mars 7 permite un buen comportamiento para nubes de puntos pequeñas con un tiempo de carga de 1s para 5 millones de puntos y 2s para 10 millones de puntos. Sin embargo, las nubes de puntos superiores a 10 millones de puntos no se pueden cargar y esto limita las posibilidades de trabajo con este software. Carlson aparece como una opción muy débil. Permite cargar un máximo de 5 millones de puntos con un tiempo de carga lento (140s). Este resultado no concuerda con las especifi caciones técnicas del fabricante.

El tiempo de carga de una nube de puntos es una característica importante a tener en cuenta. Un sistema LiDAR móvil como el Optech Lynx puede adquirir hasta 1 millón de puntos por segundo. Entonces, un escaneo de una carretera de 50 km a una velocidad de 100 km/h tendrá un total de 1800 millones de puntos. Una nube de puntos de este tamaño no podrá ser cargada por ninguno del software estudiado y se debe dividir en secciones menores de acuerdo a las posibilidades de carga del software de trabajo. Un tiempo de carga bajo para una gran cantidad de datos es muy importante para garantizar un trabajo efi ciente. Por ejemplo, si se compara QTModeler con AutoCAD Civil 3D, ambos permiten cargar tamaños de nube de puntos de hasta 75 millones de datos, así que una nube de puntos teórica como la anterior se debería dividir en 24 secciones. Tomando en cuenta los tiempos de carga (QTMOdeler – 32s y AutoCAD Civil 3D – 955s), QTModeler tomaría un tiempo global de 12.8 minutos para cargar los datos mientras que AutoCAD Civil 3D tomaría 6.3 horas.

30


Figura 7. Tiempo de carga para los diferentes software bajo estudio

Figura 8. Tiempo de carga para los diferentes tamaños de nubes de puntos. El Zoom indica el comportamiento para tiempos menores de 150s y tamaños de nube menos de 50 millones

de puntos

31


Otro aspecto importante es que las curvas del tiempo de carga no muestran un aspecto estrictamente lineal y algunas veces puede ser más productivo cargar series de datos menores con una mayor frecuencia. Por ejemplo AutoCAD Civil 3D gasta 533s en cargar 50 millones de puntos. En este caso se necesitarían un mínimo de 36 secciones y 5.3 h para cargar toda la serie de datos teórica anterior, incrementando la productividad frente a la carga de secciones de 75 millones de puntos. Los autores de este trabajo recomiendan calibrar la interacción entre el hardware y el software utilizado antes de defi nir la rutina de post-procesado. Entonces, el fl ujo de trabajo será más productivo y se incrementará la efi ciencia del trabajo. Este hecho es de especial importancia para compañías que usan datos LiDAR de forma extensiva.

La Figura 9 muestra le nivel máximo de uso de la CPU. Todo el software bajo estudio muestra valores similares por debajo del 20%. La mejor opción es Mars7 con un 8% de uso.

La Figura 10 presenta los resultados del working set para los diferentes programas sin nube de puntos cargada. QTModeler, Mars7 y TopoDOT muestran un pequeño working set (< 400 MB) que benefi cia a otros procesos que estén corriendo en paralelo. Carlson requiere un mayor working set lo que correlaciona con su menor capacidad de cargar grandes nubes de puntos. AutoCAD Civil 3D y Fledermaus se localizan en una posición intermedia.

La Figura 11 muestra el commit size. Carlson presenta unos valores realmente elevados. Los otros sistemas por el contrario tienen valores similares

Figura 9. Nivel máximo de uso de la CPU

32


Figura 10. Working set (WS), peak working set (PWS) y private working set (PrWS)

Figura 11. Commit size

33


Figura 12. Paged pool (PP) y non-paged pool (NPP).

Figura 13. Threads

34


y en todos los casos menores que 1.000.000 KB. Estos resultados concuerdan con los resultados referidos al working set en la Figura 10.

La Figura 12 muestra el paged pool y el non-paged pool. En este caso, Carlson muestra también los peores resultados, del mismo modo que anteriormente ocurrió con el commit size y el working set. AutoCAD Civil 3D muestra también unos resultados bastante pobres, similares a los presentados por Carlson.

La Figura 13 muestra las threads obtenidas para cada uno del software bajo estudio. AutoCAD Civil 3D, Carlson y TopoDOT muestran los peores resultados entre todos ellos y están en todos los casos por encima de los 25 threads. QTModeler, Mars7 y Fledermaus están por debajo de este límite.

35


5. Conclusiones

37

Se ha desarrollado una metodología para la evaluación de diferentes software para la explotación de datos LiDAR y se ha comprobado con diferentes opciones existentes en el mercado: QTModeler, AutoCAD Civil 3D, Mars7, Carlson, Fledermaus y TopoDOT.

QT Modeler y TopoDOT emergen como el software con mayor potencial para cargar grandes volúmenes de datos en periodos de tiempo relativamente cortos. AutoCAD Civil 3D también permite la carga de grandes volúmenes de datos pero el tiempo de carga es mucho más elevado lo que afecta directamente a la productividad. Fledermaus exhibe buenos tiempos de carga para nubes de puntos pequeñas (menores de 10 millones de puntos). Sin embargo, para nubes de puntos mayores el tiempo de carga se incrementa signifi cativamente de forma similar a como ocurre con AutoCAD Civil 3D. Mars7 muestra un bueno comportamiento en cuanto a la carga de nubes de puntos para series de datos menores de 10 millones de puntos, aunque tiene el inconveniente que no puede manejar grandes volúmenes de datos. Carlson muestra los peores resultados entre todos los software estudiados. No puede cargar nubes de puntos mayores de 5 millones de puntos y además el tiempo de carga es muy elevado. Por otra parte, los problemas de Carlson también aparecen en la evaluación del working set, commit size y paged pool. Finalmente, se debe hacer notar que AutoCAD Civil 3D, Carlson y TopoDOT muestran un número de threads mayor que otras opciones como QT Modeler, Mars7 y Fledermaus.

6. Agradecimientos

39

Los autores agradecen al Ministerio de Economía y Competitividad, al Centro para el Desarrollo Tecnológico e Industrial y a la Xunta de Galicia el soporte económico de las siguientes acciones: beca IPP055-Exp44 y proyecto ISI-20101770.

7. Referencias

41

AutoCAD Civil 3D Webpage. /http://usa.autodesk.com/civil-3d/S, 2012.

Barber, D., Mills, J., Smith-Voysey, S., 2008. Geometric validation of a ground-based mobile laser scanning system. ISPRS Journal of Photogrammetry and Remote Sensing 63 (1), 128–141.

Bater, C.W., Coops, N., 2009. Evaluating error associated with LiDAR-derived DEM interpolation. Computers and Geoscience 35, 289–300.

Bitenc, M., Lindenbergh, R., Khoshelham, K., van, A.P., 2011. Evaluation of a LiDAR land-based mobile mapping system for monitoring sandy coasts. Remote Sensing 3, 1472–1491.

Carlson Webpage. /http://www.carlsonsw.com/PL_CS_PointCloud.htmlS, 2012.

Coveney, S., Fotheringham, A.S., Charlton, M., McCarthy, T., 2004. Dual-scale validation of a medium-resolution coastal DEM with terrestrial LiDAR DSM and GPS. Computers and Geosciences 36 (4), 489–499.

Denning, P.J., 1968. The working set model for program behavior. Communications of the ACM 11 (5), 323–333.

El-Halawany, S.I., Lichti, D.D., 2011. Detection of rad poles from mobile terrestrial laser scanner point cloud. International Workshop on Multi-Platform/ Multi-Sensor Remote Sensing and Mapping, Art. no. 5697364.

Filin, S., 2004. Surface classifi cation from airborne laser scanning data. Computers and Geosciences 30 (9–10), 1033–1041.

Fledermaus Webpage. /http://www.qps.nl/display/fl edermaus/main;jsessionid= 8712DAE9D3013FF1C114D31A988154DFS, 2012.

Glennie, C., Lichti, D.D., 2010. Static calibration and analysis of the velodyne HDL- 64E S2 for high accuracy mobile scanning. Remote Sensing 2 (6), 1610–1624.

González-Jorge, H.-I., González-Aguilera, D., Rodríguez-Gonzálvez, P., Arias, P., 2012a. Monitoring of biological crusts in civil engineering structures using intensity data form terrestrial laser scanners. Construction and Building Materials 31, 119–128.

González-Jorge, H.-I.I., Solla, M., Armesto, J., Arias, P., 2012b. Novel

42


method to determine laser scanner accuracy for applications in civil engineering. Optica Applicata 42 (1), 43–53.

Jones, K.L., Poole, G.C., O’Daniel, S.J., Mertes, L.A.K., Stanford, J.A., 2008. Surface hydrology of low relief landscapes: assessing surface water fl ow impedance using LiDAR-derived digital elevation models. Remote Sensing of Environment 112 (11), 4148–4158.

Lato, M., Kemeny, J., Harrap, R.M., Bevan, G., 2013. Rock bench: establishing a common repository and standards for assessing rockmass characteristics using LiDAR and photogrammetry. Computers and Geosciences 50, 106–114.

Mars Webpage. /http://www.merrick.com/Geospatial/Services/MARS-SoftwareS, 2012.

Miranskyy, A.V., Davison, M., Reesor, R.M., Murtaza, S.S., 2012. Using entropy measures for comparison of software traces. Information Sciences 203, 59–72.

Murray, S., Haughey, S., Brogan, M., Fitzgerald, C., McLoughlin, S., Deegan, C., 2011. Mobile mapping system for the automated detection and analysis of road delineation. IET Intelligent Transport Systems 5 (4), 221–230.

Puente, I., Gonza´ lez-Jorge, H., Riveiro, B., Arias, P. Accuracy verifi cation of the Lynx Mobile Mapper system. Optics and Laser Technology, in press.

Oliveira, M.V.N., Retouch, S.E., McGaughey, R.J., Andersen, H.E., 2012. Estimating forest biomass and identifying low-intensity logging areas using airborne scanning LiDAR in Antimary State Forest, Acre State, Western Brazilian Amazon. Remote Sensing and Environment 124, 479–491.

QT Modeler Webpage. /http://www.appliedimagery.comS, 2012.

Shahrokni, A., Feldt, R., 2013. A systematic review of software robustness. Information and Software Technology 55, 1–17.

Singh, O., Kapur, P.K., Anand, A., 2012. A multi-attribute approach for release time and reliability trend analysis of a software. International Journal of Systems Assurance Engineering and Management 3 (2), 246–254.

Studnicka, N., Zach, G., 2011. Mobile laser scanning in Venice: grand canal in scan and image data. GIM International 25 (4), 20–23.

Studnicka, N., Zach, G., Sevcik, C., Milev, I., 2011. Riding the rails. Geo Connexion 10 (8), 48–50.

TopoDOT Webpage. /http://www.certainty3d.com/products/TopoDOT/S, 2012.

Van Veenendaal, E., 2010. Standard glossary of terms used in software

43


testing. International Software Testing Qualifi cations Board, pp. 1–51.

Wen, H., Ma, J., Zhang, M., Ma., G., 2012. The comparison research of nonlinear curve fi tting in Matlab and Labview. Proceedings of the IEEE Symposium on Electrical and Electronics Engineering, 74–77, article number 6258591.

Yang, B., Fang, L., Li, Q., Li., J., 2012. Automated extraction of road markings from mobile LiDAR point clouds. Photogrammetric Engineering and Remote Sensing 78 (4), 331–338.

Zhou, G., Song, C., Simmers, J., Cheng, P., 2004. Urban 3D GIS from LiDAR and digital aerial images. Computers and Geosciences 30 (4), 345–353.

Zhou, K., Wang, X., Hou, G., Wang, J., Shanbin, Ai., 2012. Software reliability test based on Markov usage model. Journal of Software 7 (9), 2061–2068.

Con el apoyo de:

En colaboración con:

PLATAFORMA TECNOLÓGICA ESPAÑOLA DE LA CARRETERA (PTC)Goya, 23 - 3º, 28001 Madrid (España)

Web: www.ptcarretera.esE-mail:[email protected]

Date post:	24-Oct-2019
Category:	Documents
Upload:	others
View:	2 times
Download:	0 times

So L ware para la explotación de datos LiDAR en carreteras · de software tengan herramientas que...

Documents