Iterative Hybrid Discrete-Continuous Viewpoint Planning for UAV Photogrammetry

Résumé technique : Planification de vues hybride discrète-continue itérative pour la photogrammétrie par UAV

Énoncé du problème
La photogrammétrie par véhicule aérien sans pilote (UAV) repose sur des réseaux de caméras fournissant une couverture de surface, un chevauchement d'images, un parallaxe et une résolution suffisants pour garantir une reconstruction 3D de haute qualité. Cependant, les trajectoires de vol conventionnelles, telles que les motifs en « tondeuse à gazon » en nadir, sont souvent mal adaptées aux géométries de scènes complexes. Ce désalignement entraîne des erreurs de reconstruction locales, des surfaces incomplètes et des modèles imprécis lorsque les structures sont observées sous des angles inappropriés, à des distances excessives ou avec un nombre insuffisant d'images en chevauchement. Bien que des méthodes existantes traitent ces problèmes via des approches de Prochaine Meilleure Vue (NBV - Next-Best-View) en ligne ou une planification basée sur des modèles, il reste nécessaire de trouver une méthode qui équilibre la qualité de la reconstruction locale avec la robustesse globale du réseau d'images sans engendrer de coûts d'acquisition excessifs.

Méthodologie
L'article propose une méthode de planification de vues hybride discrète-continue itérative qui génère une trajectoire de vol ciblée basée sur une reconstruction de substitution (proxy). Le processus suppose une acquisition en deux étapes : un premier vol exploratoire (par exemple, un motif en tondeuse à gazon) crée un maillage de substitution grossier, qui est ensuite utilisé pour planifier un second vol optimisé.

La méthodologie opère à travers les étapes suivantes :

1. Heuristiques de reconstruction : Le planificateur évalue les points de surface et les ensembles de points de vue à l'aide de scores photogrammétriques spécifiques :

   • Scores au niveau du point : Ils estiment la qualité de la reconstruction en fonction de la frontalité (alignement avec les normales de surface), de la distance d'imagerie (respect de la résolution au sol - GSD - cible), du parallaxe (diversité angulaire) et du nombre d'observations multi-vues.
   • Scores d'ensemble de points de vue : Ils évaluent les propriétés globales du réseau, récompensant la visibilité (nombre de points observés), le chevauchement par paire (contenu de la scène partagé entre les vues) et la connectivité du graphe (garantissant que le réseau d'images forme une composante connexe unique).
   • Une fonction objectif globale combine ces scores locaux et globaux.

2. Planification hybride discrète-continue :

   • Génération de candidats : Le système identifie les régions de surface faiblement observées et génère des points de vue candidats autour d'elles. Cela implique l'échantillonnage de vues frontales et de vues latérales à des décalages angulaires spécifiés, contraints par les limites de la caméra et de la nacelle (gimbal).
   • Ajout de points de vue : De nouveaux candidats sont ajoutés de manière itérative pour assurer un nombre minimal d'observations et réparer les zones faibles, mais seulement s'ils améliorent l'objectif global.
   • Optimisation continue par regroupement (Clustered) : Pour affiner les poses, la méthode utilise la stratégie d'évolution par adaptation de matrice de covariance (CMA-ES). Les points de vue sont partitionnés en clusters spatiaux pour réduire la dimensionnalité. La méthode CMA-ES est choisie plutôt que les méthodes basées sur le gradient ou Nelder-Mead car l'objectif de reconstruction est non convexe, non dérivable et discontinu en raison des changements discrets de visibilité.
   • Élagage des points de vue : Les points de vue redondants sont supprimés. Si un point de vue n'observe aucun point ou crée un chevauchement excessif sans améliorer le score global, il est écarté afin de minimiser l'acquisition d'images.

3. Conception de points de vue à deux niveaux : L'ensemble final combine deux types de points de vue :

   • Points de vue de détail à courte portée : Générés autour de zones faibles spécifiques pour améliorer la résolution locale et la qualité de la reconstruction.
   • Points de vue de couverture du modèle : Générés pour cadrer de plus larges portions du modèle de substitution, assurant le contexte global et la stabilité du réseau d'images.

4. Ordonnancement de la trajectoire : L'ensemble non ordonné de points de vue résultant est converti en une trajectoire de vol exécutable en résolvant un problème du voyageur de commerce (TSP) afin de déterminer un ordre de traversée efficace.

Contributions clés
L'article identifie trois contributions principales :

• Une fonction d'objectif de reconstruction qui intègre les métriques de qualité photogrammétrique locale avec les propriétés globales du réseau d'images (visibilité, chevauchement et connectivité).
• Un planificateur hybride discrète-continue qui ajoute, optimise (via CMA-ES par regroupement) et supprime itérativement des points de vue.
• Une stratégie de conception de points de vue à deux niveaux qui équilibre les vues de détail à courte portée pour la précision locale avec les vues de couverture de modèle plus larges pour la robustesse globale.

Résultats
La méthode a été évaluée sur trois scènes synthétiques dérivées de modèles réels : le Tombeau de Tu Duc, l'Église de Sainte-Sophie et la Cathédrale Métropolitaine de Mexico. La méthode proposée a été comparée à Smith et al. [1] et Yan et al. [13].

• Précision et complétude : La méthode proposée a généralement amélioré à la fois la précision et la complétude de la reconstruction. Elle a obtenu le meilleur 90e percentile d'erreur sur toutes les scènes et la complétude la plus élevée au seuil de 0,075 m. Pour les scènes du Tombeau et de l'Église, elle a surpassé les références au seuil plus strict de 0,050 m, bien que Yan et al. [13] aient montré une performance légèrement supérieure à 0,050 m pour l'Église.
• Efficacité : La méthode a obtenu ces améliorations de qualité avec nettement moins d'images que Yan et al. [13] et autant ou moins d'images que Smith et al. [1]. Par conséquent, les temps d'alignement ont été sensiblement inférieurs à ceux de Yan et al. et comparables à ceux de Smith et al., démontrant un compromis favorable entre la qualité de la reconstruction et le coût d'acquisition.
• Preuves visuelles : Les visualisations d'erreurs ont indiqué que la méthode proposée produisait moins de zones d'erreurs sévères autour des façades complexes et des entrées par rapport aux références.

Signification et limites
L'article affirme que la méthode proposée offre un compromis supérieur entre la qualité de la reconstruction et l'efficacité de l'acquisition en équilibrant le détail local et la robustesse du réseau global. Elle répond efficacement aux limites des trajectoires fixes en s'adaptant à la géométrie de la scène grâce à une approche itérative basée sur un proxy.

Cependant, les auteurs reconnaissent modestement une limite clé : la dépendance de la méthode vis-à-vis de la qualité de la reconstruction de substitution initiale. Les régions manquantes ou mal reconstruites dans le proxy (telles que les géométries internes) peuvent ne pas être prioritaires lors de la planification du second vol. L'article suggère que des travaux futurs pourraient incorporer des images de reconstruction de substitution pour détecter les détails manqués et intégrer des termes de temps et de qualité de vol dans l'objectif d'optimisation pour améliorer davantage l'efficacité pratique de la trajectoire UAV.