Definição e representação da corpora geoespacial para mapas indoor 3D a partir de nuvem de pontos

Abstract

Resumo: O termo corpora geoespaciais é definido como um conjunto de dados geoespaciais, sistematizados segundo determinados critérios de maneira que sejam representativos do espaço que se deseja mapear, e pode, a partir de concepções probabilísticas e combinatórias analisar a colocabilidade de um dado geoespacial em decorrência da descrição do ambiente de interesse, buscando revelar respostas a partir de observações estatísticas e identificação de padrões de uso para uma coleção de amostras digitais, fazendo parte da Programação da Linguagem Natural, subárea do Aprendizado de Máquina. No contexto tridimensional, corpora geoespaciais 3D podem ser formulados por conjuntos de nuvens de pontos LiDAR e apresentam alto custo computacional para armazenamento, manipulação e visualização. Além disso, não é um conjunto de dados estruturado e que apresente semântica. Para estruturar e extrair conhecimento formalizado destes corpora geoespaciais 3D é proposto um método de generalização cartográfica 3D usando aprendizado de máquina. A metodologia é baseada na Hipótese da Naturalidade aplicada sobre corpora geoespaciais 3D e na parcimônia da descrição geométrica de ambientes indoor. O método é dividido em 4 etapas. Primeiramente, a partir da análise de autossimilaridade estatística de corpora geoespaciais 3D foram propostos operadores de simplificação. Segundo, foram definidos aspectos semânticos dos corpora analisados para extração de corpora 3D especializados de elementos construtivos empregando uma estratégia de aprendizado de máquina. A terceira etapa consistiu na agregação e simplificação dos corpora conforme feições planas usando o algoritmo RANSAC. Finalmente, é aplicado uma estratégia de agregação de superfícies planas em subespaços, baseada na parcimônia da descrição. Os experimentos foram realizados em seis conjuntos de dados provenientes de um sistema LiDAR terrestre, no modo estático. Os resultados obtidos demonstraram que o aprendizado de máquina e a parcimônia da descrição, explorando a Hipótese da Naturalidade e o contexto da Linguagem Natural, auxiliaram na definição e representação estruturada de corpora geoespaciais 3D para ambientes indoor. Os operadores de simplificação reduziram a massividade do conjunto de pontos em 86%. Enquanto a sua aplicação associada ao processo de agregação estruturou e reduziu a massa de dados em 94%.

Abstract: The term geospatial corpora is defined as a set of geospatial data, systematized according to certain criteria so that they are representative of the space to be mapped, and can, based on probabilistic and combinatorial concepts, analyze the collocation of a geospatial data in the occurrence of the description of the environment of interest, seeking to reveal answers from statistical observations and identification of usage patterns for a collection of fingerprints, as part of Natural Language Programming, subarea of Machine Learning. In the three-dimensional context, 3D geospatial corpora can be formulated by sets of LiDAR point clouds and present a high computational cost for storage, manipulation and visualization. Furthermore, it is not a structured and semantic dataset. To address this problem, a method for 3D cartographic generalization of LiDAR points clouds using deep learning is proposed. The proposed method is based on the naturalness hypothesis centered on LiDAR point clouds and parsimony of the geometric description of indoor environments. The contribution of the proposed four-fold. First, a set of operators for simplification tasks is defined from a LiDAR point clouds correlation statistical technique. Second, a deep learning technique is used for LiDAR point clouds semantic segmentation. Third, the RANSAC algorithm is executed to fit planar surfaces. Finally, a parsimony descriptor-based aggregation strategy is investigated. The proposed method was tested on six sets of LiDAR point clouds. The experimental results have demonstrated that by exploring the naturalness hypothesis centered on LiDAR point clouds, indoor environment modeling was successfully obtained for LoD2. The operators for simplification reduced the high volume of the LiDAR data by around 86%. On the other hand, the aggregation task showed that the LiDAR data can be reduced by around 94%.