Ciudades a la Vista: UAVs Autónomos para Mapas 3D sin LiDAR
Barra lateral del artículo
Contenido principal del artículo
Resumen
En Costa Rica, la topografía urbana enfrenta el desafío de contar con sistemas LiDAR costosos y poco confiables en condiciones adversas como niebla o lluvia. Para superar estas limitaciones, se desarrolló una plataforma de UAVs autónomos de bajo costo que, equipados únicamente con cámaras RGB e IMU, generan mapas tridimensionales urbanos. La propuesta integra técnicas híbridas de estimación monocular de profundidad, combinando aprendizaje auto-supervisado y transferencia de conocimiento, junto con algoritmos de exploración colaborativa basados en enjambres, curvas de Bézier y modelado de feromonas en Neo4J. Tras validar el diseño en simulaciones (PyBullet/Pygame) y vuelos reales interiores, el sistema alcanzó una precisión de decenas de centímetros en profundidad, produjo nubes de puntos georreferenciadas y permitió segmentar semánticamente tráfico y obstáculos con ViT y YOLOv8. Los resultados demuestran que esta aproximación ofrece una alternativa viable y económica al LiDAR tradicional, con potencial para desplegar enjambres reales y optimizar recursos.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y pueda editarlo, reproducirlo, distribuirlo, exhibirlo y comunicarlo en el país y en el extranjero mediante medios impresos y electrónicos. Asimismo, asumen el compromiso sobre cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de responsabilidad a la Editorial Tecnológica de Costa Rica. Además, se establece que los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Citas
[1] Cheng, W., Ren, Y., & Li, M. (2020). Urban 3D modeling using mobile laser scanning: A review. Virtual Reality & Intelligent Hardware, 2(3), 175–212.
[2] Grigorescu, S., Trasnea, B., Cocias, T., & Macesanu, G. (2020). A survey of deep learning techniques for autonomous driving. Journal of Field Robotics, 37(3).
[3] Janai, J., Güney, F., Behl, A., & Geiger, A. (2019). Computer Vision for Autonomous Vehicles. Universität Tübingen.
[4] Lee, S., Kim, J., & Park, H. (2016). Review on dark channel prior based image dehazing algorithms. Journal of Image and Video Processing, (4), 1–23.
[5] Li, P., Li, J., & Zhang, X. (2019). Stereo R-CNN Based 3D Object Detection. En Proceedings of the IEEE/CVPR (pp. 7644–7652).
[6] Li, Y., Zhang, L., & Liu, S. (2020). What happens for a ToF LiDAR in fog? IEEE Transactions on Intelligent Transportation Systems, 99, 1–12.
[7] Majer, F., Svoboda, J., & Novák, P. (2019). Learning to see through haze. En Proceedings of the European Conference on Mobile Robotics.
[8] McGuire, K. N., Kumar, V., & Michael, N. (2019). Minimal navigation solution for a swarm of tiny flying robots. Science Robotics, 4(35), eaau5660.
[9] Ruíz, P., Morales, R., & Herrera, J. (2014). El uso de imágenes LiDAR en Costa Rica. Revista Geológica de América Central, 51, 7–31.
[10] Wang, Y., Sun, Z., Liu, J., Shen, C., & Reid, I. (2019). Pseudo-LiDAR from Visual Depth Estimation. En Proceedings of the IEEE/CVPR (pp. 8445–8453).
[11] Xu, Z. C. B. (2018). Multi-Level Fusion Based 3D Object Detection From Monocular Images. En Proceedings of the IEEE/CVPR (pp. 2345–2353).
[12] You, Y. W., Wang, S., & Lu, H. (2020). Pseudo-LiDAR++. En International Conference on Learning Representations (ICLR).
[13] Zeng, W., Chen, X., & Shi, J. (2018). Inferring Point Clouds from Single Monocular Images. En Proceedings of the IEEE/CVPR.