Iterative Hybrid Discrete-Continuous Viewpoint Planning for UAV Photogrammetry

Resumen Técnico: Planificación de Vistas Híbrida Discreta-Continua Iterativa para Fotogrametría con UAV

Declaración del Problema
La fotogrametría mediante vehículos aéreos no tripulados (UAV) depende de redes de cámaras que proporcionen una cobertura superficial, traslape, paralaje y resolución suficientes para asegurar una reconstrucción 3D de alta calidad. Sin embargo, los patrones de vuelo convencionales, como las trayectorias de "cortacésped" (nadir), suelen estar mal adaptados a las geometrías de escenas complejas. Este desalineamiento provoca errores de reconstrucción locales, superficies incompletas y modelos imprecisos cuando las estructuras se observan desde ángulos inadecuados, distancias excesivas o con un número insuficiente de imágenes traslapadas. Si bien los métodos existentes abordan estos problemas mediante enfoques de la Mejor Siguiente Vista (NBV, por sus siglas en inglés) en línea o planificación basada en modelos, persiste la necesidad de un método que equilibre la calidad de la reconstrucción local con la robustez de la red de imágenes global sin incurrir en costos de adquisición excesivos.

Metodología
El artículo propone un método de planificación de vistas híbrido discreto-continuo e iterativo que genera una ruta de vuelo dirigida basada en una reconstrucción de proximidad (proxy). El proceso asume una adquisición de dos etapas: un vuelo exploratorio inicial (por ejemplo, un patrón de cortacésped) que crea una malla de proximidad gruesa, la cual se utiliza posteriormente para planificar un segundo vuelo optimizado.

La metodología opera a través de las siguientes etapas:

1. Heurísticas de Reconstrucción: El planificador evalúa los puntos de la superficie y los conjuntos de vistas utilizando puntuaciones fotogramétricas específicas:

   • Puntuaciones a Nivel de Punto: Estas estiman la calidad de la reconstrucción basándose en la frontalidad (alineación con las normales de la superficie), la distancia de imagen (adherencia a la Distancia de Muestreo de Suelo objetivo), el paralaje (diversidad angular) y el conteo de observación multivista.
   • Puntuaciones de Conjunto de Vistas: Estas evalúan las propiedades globales de la red, premiando la visibilidad (número de puntos observados), el traslape de pares (contenido de escena compartido entre vistas) y la conectividad del grafo (asegurando que la red de imágenes forme un único componente conectado).
   • Una función objetivo global combina estas puntuaciones locales y globales.

2. Planificación Híbrida Discreta-Continua:

   • Generación de Candidatos: El sistema identifica regiones de la superficie débilmente observadas y genera vistas candidatas alrededor de ellas. Esto implica el muestreo de vistas frontales y laterales con desplazamientos angulares especificados, restringidos por los límites de la cámara y el cardán (gimbal).
   • Adición de Vistas: Se añaden nuevos candidatos de forma iterativa para asegurar conteos mínimos de observación y reparar regiones débiles, pero solo si mejoran el objetivo global.
   • Optimización Continua por Conglomerados: Para refinar las poses, el método emplea la Estrategia de Evolución de Adaptación de la Matriz de Covarianza (CMA-ES). Las vistas se particionan en conglomerados espaciales para reducir la dimensionalidad. Se selecciona CMA-ES sobre los métodos basados en gradiente o Nelder-Mead porque el objetivo de reconstrucción es no convexo, no diferenciable y discontinuo debido a los cambios discretos de visibilidad.
   • Eliminación de Vistas (Culling): Se eliminan las vistas redundantes. Si una vista no observa puntos o crea un traslape excesivo sin mejorar la puntuación global, se descarta para minimizar la adquisición de imágenes.

3. Diseño de Vistas de Dos Niveles: El conjunto final combina dos tipos de vistas:

   • Vistas de detalle de corto alcance: Generadas alrededor de regiones débiles específicas para mejorar la resolución local y la calidad de la reconstrucción.
   • Vistas de cobertura del modelo: Generadas para encuadrar porciones más grandes del modelo de proximidad, asegurando el contexto global y la estabilidad de la red de imágenes.

4. Ordenamiento de la Trayectoria: El conjunto desordenado resultante de vistas se convierte en una ruta de vuelo ejecutable resolviendo un Problema del Viajante (TSP) para determinar un orden de recorrido eficiente.

Contribuciones Clave
El artículo identifica tres contribuciones primarias:

• Una función objetivo de reconstrucción que integra métricas de calidad fotogramétrica local con propiedades globales de la red de imágenes (visibilidad, traslape y conectividad).
• Un planificador híbrido discreto-continuo que añade, optimiza (mediante CMA-ES por conglomerados) y elimina vistas de forma iterativa.
• Una estrategia de diseño de vistas de dos niveles que equilibra las vistas de detalle de corto alcance para la precisión local con las vistas de mayor cobertura del modelo para la robustez global.

Resultos
El método fue evaluado en tres escenas sintéticas derivadas de modelos del mundo real: la Tumba de Tu Duc, la Iglesia de Santa Sofía y la Catedral Metropolitana de la Ciudad de México. El enfoque propuesto se comparó con Smith et al. [1] y Yan et al. [13].

• Precisión y Completitud: El método propuesto generalmente mejoró tanto la precisión como la completitud de la reconstrucción. Logró el mejor error en el percentil 90 en todas las escenas y la mayor completitud en el umbral de 0.075 m. Para las escenas de la Tumba y la Iglesia, superó a las líneas base en el umbral más estricto de 0.050 m, aunque Yan et al. [13] mostraron un rendimiento ligeramente superior en el umbral de 0.050 m para la Iglesia.
• Eficiencia: El método logró estas mejoras de calidad con significativamente menos imágenes que Yan et al. [13] y menos o un número comparable de imágenes que Smith et al. [1]. En consecuencia, los tiempos de alineación fueron sustancialmente menores que los de Yan et al. y comparables a los de Smith et al., demostrando un intercambio favorable entre la calidad de la reconstrucción y el costo de adquisición.
• Evidencia Visual: Las visualizaciones de error indicaron que el método propuesto produjo menos regiones de error severo alrededor de fachadas y entradas complejas en comparación con las líneas base.

Significancia y Limitaciones
El artículo afirma que el método propuesto ofrece un intercambio superior entre la calidad de la reconstrucción y la eficiencia de la adquisición al equilibrar el detalle local con la robustez de la red global. Aborda eficazmente las limitaciones de las trayectorias fijas al adaptarse a la geometría de la escena mediante un enfoque iterativo basado en modelos de proximidad.

Sin embargo, los autores reconocen modestamente una limitación clave: la dependencia del método en la calidad de la reconstrucción de proximidad inicial. Las regiones que faltan o que están mal reconstruidas en la proximidad (como las geometías internas) pueden no ser priorizadas durante el segundo vuelo de planificación. El artículo sugiere que trabajos futuros podrían incorporar imágenes de reconstrucción de proximidad para detectar detalles omitidos e integrar términos de tiempo de vuelo y calidad de vuelo en el objetivo de optimización para mejorar aún más la eficiencia práctica de la trayectoria del UAV.