Iterative Hybrid Discrete-Continuous Viewpoint Planning for UAV Photogrammetry

Resumo Técnico: Planejamento de Visão Híbrido Discreto-Contínuo Iterativo para Fotogrametria com UAV

Definição do Problema
A fotogrametria por veículos aéreos não tripulados (UAV) depende de redes de câmeras que forneçam cobertura de superfície, sobreposição de imagens, paralaxe e resolução suficientes para garantir uma reconstrução 3D de alta qualidade. No entanto, padrões de voo convencionais, como trajetórias de "cortador de grama" (nadir), são frequentemente mal adaptados a geometrias de cena complexas. Esse desalinhamento leva a erros de reconstrução locais, superfícies incompletas e modelos imprecisos quando as estruturas são observadas de ângulos inadequados, distâncias excessivas ou com imagens com sobreposição insuficiente. Embora métodos existentes abordem essas questões por meio de abordagens de Próxima Melhor Visão (NBV - Next-Best-View) online ou planejamento baseado em modelos, permanece a necessidade de um método que equilibre a qualidade da reconstrução local com a robustez da rede de imagens global sem incorrer em custos de aquisição excessivos.

Metodologia
O artigo propõe um método de planejamento de pontos de vista híbrido discreto-contínuo iterativo que gera uma trajetória de voo direcionada baseada em uma reconstrução de proximidade (proxy). O processo assume uma aquisição em duas etapas: um voo exploratório inicial (por exemplo, um padrão de cortador de grama) cria uma malha de proximidade grosseira, que é então utilizada para planejar um segundo voo otimizado.

A metodologia opera através dos seguintes estágios:

1. Heurísticas de Reconstrução: O planejador avalia pontos de superfície e conjuntos de pontos de vista usando pontuações fotogramétricas específicas:

   • Pontuações de Nível de Ponto: Estas estimam a qualidade da reconstrução baseando-se na frontalidade (alinhamento com os normais da superfície), distância de imagem (adesão ao GSD - Ground Sampling Distance alvo), paralaxe (diversidade angular) e contagem de observação multi-visão.
   • Pontuações de Conjunto de Pontos de Vista: Estas avaliam as propriedades globais da rede, recompensando a visibilidade (número de pontos observados), sobreposição de pares (conteúdo de cena compartilhado entre visões) e conectividade do grafo (garantindo que a rede de imagens forme um componente conectado único).
   • Uma função objetivo global combina essas pontuações locais e globais.

2. Planejamento Híbrido Discreto-Contínuo:

   • Geração de Candidatos: O sistema identifica regiões de superfície fracamente observadas e gera pontos de vista candidatos ao redor delas. Isso envolve a amostragem de visões frontais e laterais em desvios angulares especificados, limitados pela câmera e pelo gimbal.
   • Adição de Pontos de Vista: Novos candidatos são adicionados iterativamente para garantir contagens mínimas de observação e reparar regiões fracas, mas apenas se melhorarem o objetivo global.
   • Otimização Contínua Agrupada: Para refinar as poses, o método emprega a Estratégia de Evolução de Adaptação de Matriz de Covariância (CMA-ES). Os pontos de vista são particionados em agrupamentos espaciais para reduzir a dimensionalidade. A CMA-ES foi selecionada em vez de métodos baseados em gradiente ou Nelder-Mead porque o objetivo de reconstrução é não convexo, não diferenciável e descontínuo devido a mudanças discretas de visibilidade.
   • Supressão de Pontos de Vista: Pontos de vista redundantes são removidos. Se um ponto de vista não observa pontos ou cria sobreposição excessiva sem melhorar o escore global, ele é descartado para minimizar a aquisição de imagens.

3. Design de Pontos de Vista de Dois Níveis: O conjunto final combina dois tipos de pontos de vista:

   • Pontos de vista de detalhes de curto alcance: Gerados ao redor de regiões fracas específicas para melhorar a resolução local e a qualidade da reconstrução.
   • Pontos de vista de cobertura do modelo: Gerados para enquadrar grandes porções do modelo de proximidade, garantindo contexto global e estabilidade da rede de imagens.

4. Ordenação de Trajetória: O conjunto não ordenado resultante de pontos de vista é convertido em uma trajetória de voo executável ao resolver um Problema do Caixeiro Viajante (TSP) para determinar uma ordem de travessia eficiente.

Principais Contribuições
O artigo identifica três contribuições primárias:

• Uma função objetivo de reconstrução que integra métricas de qualidade fotogramétrica local com propriedades globais da rede de imagens (visibilidade, sobreposição e conectividade).
• Um planejador híbrido discreto-contínuo que adiciona, otimiza (via CMA-ES agrupada) e remove pontos de vista iterativamente.
• Uma estratégia de design de pontos de vista de dois níveis que equilibra visões de detalhe de curto alcance para precisão local com visões de cobertura de modelo mais amplas para robustez global.

Resultos
O método foi avaliado em três cenas sintéticas derivadas de modelos do mundo real: o Túmulo de Tu Duc, a Igreja de Santa Sofia e a Catedral Metropolitana da Cidade do México. O método proposto foi comparado com Smith et al. [1] e Yan et al. [13].

• Precisão e Completude: O método proposto geralmente melhorou tanto a precisão quanto a completude da reconstrução. Alcançou o melhor erro de percentil 90 em todas as cenas e a maior completude no limiar de 0,075 m. Para as cenas do Túmulo e da Igreja, superou as bases no limiar mais rigoroso de 0,050 m, embora Yan et al. [13] tenham mostrado um desempenho ligeiramente melhor em 0,050 m para a Igreja.
• Eficiência: O método alcançou essas melhorias de qualidade com significativamente menos imagens do que Yan et al. [13] e menos ou quantidades comparáveis a Smith et al. [1]. Consequentmente, os tempos de alinhamento foram substancialmente menores do que os de Yan et al. e comparáveis aos de Smith et al., demonstrando um compromisso favorável entre a qualidade da reconstrução e o custo de aquisição.
• Evidência Visual: As visualizações de erro indicaram que o método proposto produziu menos regiões de erro severo ao redor de fachadas complexas e entradas em comparação com as bases.

Significância e Limitações
O artigo afirma que o método proposto oferece um compromisso superior entre a qualidade da reconstrução e a eficiência da aquisição, equilibrando o detalhe local com a robustez da rede global. Ele aborda efetivamente as limitações de trajetórias fixas ao adaptar-se à geometria da cena por meio de uma abordagem de proximidade iterativa.

No entanto, os autores reconhecem modestamente uma limitação fundamental: a dependência do método na qualidade da reconstrução de proximidade inicial. Regiões ausentes ou mal reconstruídas na proximidade (como geometrias internas) podem não ser priorizadas durante o planejamento do segundo voo. O artigo sugere que trabalhos futuros poderiam incorporar imagens de reconstrução de proximidade para detectar detalhes perdidos e integrar termos de tempo de voo e qualidade de voo ao objetivo de otimização para aumentar ainda mais a eficiência prática do UAV.