Modelando el mundo a golpe de puntos 3D

Ha llovido mucho desde que en la década de los 90 se empezaran a popularizar los escáners láser en 2D. Estos sensores permitieron la primera oleada de métodos y algoritmos para la construcción automática de modelos del mundo (o «mapas») con miles de puntos, automatizando un proceso que los topógrafos llevaban décadas realizando de una manera similar; al fin y al cabo, mediante optimización de mínimos cuadrados.

En el campo de la robótica y de la visión por ordenador a este tipo de problemas se les conoce por Simultaneous Localization and Mapping (SLAM), Concurrent Localization and Mapping (CLM) o Structure from Motion (SFM).

Ejemplo de un mapa de puntos 2D reconstruido automáticamente. Pregunta: ¿Alguien reconoce esta parte de la Universidad de Málaga? 😉 (Fuente: elaboración propia)

En artículos futuros intentaré hablar algo más de la teoría que hay detrás de toda esta serie de técnicas.

Pero por hoy solamente os dejo algunos vídeos chulos de lo que está siendo posible construir a día de hoy con escáneres 2D montados en lo alto de vehículos (algo parecido a lo que hizo el coche de Google Street View) o, a escalas más pequeñas, con sensores tipo Kinect.

El ayuntamiento de Belfast (UK): Simplemente, impresionante

Bremen (paseo junto al río):

 

Y no podía faltar una reconstrucción de parte de Málaga (en este caso el render es el tiempo real, por lo que la animación es bastante menos fluida que las anteriores):

 

Pasamos a mapas creados con Kinect, y por tanto, a entornos de interiores, ya que el rango máximo de este sensor son unos ~5 metros.

Demostración de un equipo de la Universidad de Freiburg:

 

Otra reconstrucción de una habitación, vídeo creado por Miguel A. como parte de su PFC (Universidad de Málaga). Ir al minuto 4:23 para ver los resultados como nubes de puntos.

 

Y para terminar, esta impresionante demostración de SLAM con Kinect por un equipo de la Universidad de Waterloo:

Conclusión

A día de hoy, una de las representaciones más usadas por los robots inteligentes desarrollados por los laboratorios de todo el mundo son tan decepcionantemente sencillas como lo que se ve en estos vídeos: ¡millones de puntitos de colores!

Como todo, estas nubes de puntos tienen sus pros (simplicidad) y sus contras (son muchos puntos), así que estaremos atentos por si evolucionan estructuras de datos más potentes en el futuro. Los octrees se perfilan como serios candidatos a reemplazar (o complementar) a los puntos, aunque habrá que esperar unos años para comprobar si, en la práctica, sus beneficios compensan la complejidad extra que acarrean.