Evaluation of image simulation open source solutions for simulation of synthetic images in lunar environment

Resumen Técnico: Evaluación de soluciones de código abierto para la simulación de imágenes sintéticas en el entorno lunar

Problema
La generación de imágenes sintéticas es un componente crítico para las misiones planetarias, ya que permite visualizar misiones planificadas, probar sistemas de imagen y planificar actividades de exploración en entornos virtuales antes del despliegue real. El desafío radica en que la apariencia de la superficie lunar está fuertemente influenciada por la geometría de la iluminación solar (especialmente en regiones críticas como el Polo Sur lunar, donde las sombras son extensas y la luz es tenue) y por las características específicas de los sensores (resolución, campo de visión y distorsiones ópticas). Depender únicamente de conjuntos de datos reales limita la capacidad de generalizar escenarios de misión y condiciones ambientales variables.

Metodología
El estudio evalúa diversos enfoques de simulación integrando modelos de elevación digital (DEM) reales con modelos de iluminación y parámetros de cámara. La metodología se divide en varios flujos de trabajo utilizando diferentes herramientas:

1. Fuentes de Datos: Se utilizaron datos de alta fidelidad provenientes de la cámara OHRC de Chandrayaan-2 (resolución de 30 cm), las cámaras LROC NAC y WAC de la NASA, y los modelos topográficos de LOLA.
2. Modelado Radiométrico: Para lograr realismo, se implementaron modelos de reflectancia física:
   • Lambertiano: Para superficies mate que dispersan la luz uniformemente.
   • Lommel-Seeliger: Para representar superficies irregulares.
   • Hapke: Para modelar la interacción de la luz con superficies rugosas, considerando la dispersión múltiple y el sombreado.
3. Herramientas Evaluadas:
   • ABRAM (MATLAB): Marco de investigación para renderizado basado en física.
   • CORTO (Python/Blender): Biblioteca para modelar escenarios de imagen espacial con alta fidelidad.
   • Blender: Plataforma de renderizado general para prototipado rápido y trazado de rayos (ray tracing).
   • QGIS: Sistema de información geográfica para visualización 3D y alineación de datos.
   • Desarrollo In-house (Python): Un software propio para simular la perspectiva de la cámara mediante parámetros de pitch, roll y yaw.

Contribuciones Clave

• Evaluación Comparativa: Proporciona una comparativa sistemática (Tabla I) entre software comercial (PANGU, SurRender) y soluciones de código abierto (Blender, CORTO, ABRAM), analizando su realismo, soporte de DEM, modelado de cámara y facilidad de uso.
• Integración de Datos Multifuente: Demuestra cómo combinar datos de diferentes misiones (ISRO y NASA) para crear entornos de simulación coherentes.
• Validación de Modelos: El estudio establece un marco para validar imágenes sintéticas contra datos de misiones reales, asegurando su utilidad científica.

Resultados

• ABRAM y CORTO: Se identificaron como las herramientas más robustas para la simulación científica, permitiendo generar secuencias de imágenes que varían con la posición del sol y la orientación de la cámara con alta precisión física.
• Blender: Ofrece una excelente calidad visual y efectos de sombra, pero presenta limitaciones para manejar grandes conjuntos de datos geográficos y requiere herramientas externas (GIS) para el preprocesamiento.
• QGIS: Es excelente para la visualización inmersiva y el análisis de elevación, pero es deficiente en la simulación precisa de sombras y perspectivas de cámara.
• Simulación Python (In-house): Resultó ser un método computacionalmente eficiente para la perspectiva de cámara, aunque actualmente carece de efectos de iluminación y sombreado detallados.
• Análisis de Iluminación: Se demostró que la variación de los ángulos de elevación y azimut solar es fundamental para revelar características del terreno que permanecen ocultas bajo otras condiciones de luz.

Significancia
Este trabajo es fundamental para el avance de la exploración planetaria autónoma. Al proporcionar herramientas capaces de generar imágenes sintéticas realistas, se facilita el entrenamiento de algoritmos de aprendizaje profundo (Deep Learning) para la detección de peligros, la selección de sitios de aterrizaje y la navegación autónoma. En última instancia, el estudio cierra la brecha entre el modelado teórico y los requisitos de las misiones espaciales reales, permitiendo un desarrollo de sistemas más robusto y confiable antes de que los costos de las misiones reales se incurran.