L’intelligence artificielle connaît un renouveau depuis les années 2010 car la démocratisation d’Internet permet d’échanger d’énormes quantités de données. Les algorithmes d’apprentissage en profondeur (deep learning) qui sont un sous-ensemble d’algorithmes d’apprentissage automatique (machine learning) utilisent des réseaux de neurones pour prédire des résultats. Ces algorithmes sont entraînés sur des échantillons de données classifiés pour créer un modèle. Ce modèle est ensuite validé sur des jeux de données non classifiés dont résultats sont connus et comparés avec les prédictions du modèle. Une fois validé, il est utilisé sur de nouveaux jeux de données et ainsi obtenir des résultats classifiées. Avec le temps, le nombre d’échantillons de données utilisés pour créer le modèle augmente et par conséquent, la précision du modèle s’améliore, c’est-à-dire que la qualité des prédictions données par le modèle s’améliore.

Les systèmes de cartographie mobile capturent de grandes quantités de données provenant de différents capteurs qui pourraient être utilisées pour entraîner des algorithmes d’apprentissage en profondeur. Dans cet article, nous décrivons les domaines dans lesquels l’IA pourrait être intégrée à la technologie de cartographie mobile.

Planification de mission

Des algorithmes d’apprentissage en profondeur pourraient être conçus pour prédire la fenêtre de temps optimale pour l’analyse. Les données d’entrée seraient la taille de la zone à capturer, les prévisions météorologiques (pour les environnements extérieurs) et les conditions d’exposition à la lumière. Le modèle fournirait à l’utilisateur une indication du meilleur moment pour scanner pour garantir l’absence de conditions pluvieuses et une exposition optimale à la lumière pour les caméras.

Planification de trajectoire

Un modèle d’IA pourrait créer puis afficher en temps réel la trajectoire optimale à suivre sur le terrain. Cela garantirait l’exhaustivité des données scannées, une densité élevée et le temps le plus court pour capturer une zone prédéfinie. Les entrées pour alimenter le modèle pourraient être quelques images de la zone à scanner, un plan DAO, des prévisions météorologiques à la date de la mission, la configuration des satellites et quelques paramètres ajustables tels que la densité nécessaire ou des points d’attention spécifiques à capturer.

Example of trajectory planning
Exemple de recommandation de trajectoire

Cette étape de planification de la mission pourrait être effectuée conjointement par les équipes de terrain et de bureau, chacune prenant en compte ses propres besoins spécifiques, augmentant et améliorant la communication entre les deux équipes.

Identification d’une situation similaire

Pour un œil humain, chaque configuration de numérisation est nouvelle. Mais pour un modèle d’apprentissage en profondeur prenant en compte la configuration des caractéristiques géométriques, l’alignement des satellites, la distance par rapport aux stations de base, etc., des similitudes peuvent être identifiées. Sur la base de l’expérience passée, un algorithme performant formé sur des centaines de captures de données de terrain précédentes pourrait fournir des recommandations à l’opérateur sur la manière de fonctionner correctement.

Field worker during mobile mapping campaign
Opérateur terrain durant une campagne d’acquisition

Rétroaction en temps réel

Les systèmes Viametris intègrent déjà des informations en temps réel telles que des notifications sur le nombre de satellites vus, la trajectoire GNSS en direct, l’affichage des nuages de points sur la tablette, etc. zones difficiles à numériser. Ils pourraient également fournir des recommandations pour faciliter la numérisation. Des alertes sonores ou visuelles permettraient à l’opérateur d’adapter son opération de balayage tout en assurant la sécurité. Exemples: ralentissement, adaptation du positionnement du squelette ou changement de côté de la rue pour la réception GNSS.

Classification sur nuages de points et images

Les nuages de points et les images sont des données qui peuvent être classifiées. Alors que l’apprentissage profond basé sur des images est bien développé, les modèles basés sur des nuages de points sont moins courants. Geo-Plus fournit de puissants algorithmes d’apprentissage en profondeur qui peuvent classer tout type de nuages de points en utilisant l’intensité ou la couche RVB. Ces nuages de points automatiquement classés peuvent ensuite être utilisés dans des applications CAO, SIG ou BIM pour accélérer la production de cartes, de dessins ou de modèles BIM.

Example of a point cloud classified using deep learning

Conclusion

Les systèmes de cartographie mobiles utilisent divers types de capteurs, collectant de grandes quantités de données, dont la taille peut même augmenter lorsqu’ils sont associés à des paramètres externes. Les possibilités d’intégration avec l’intelligence artificielle sont nombreuses et si elle est intrinsèquement limitée, l’intelligence artificielle démontre toujours de bonnes performances à une seule tâche avec des objectifs précis. Cela pourrait être un grand pas en avant dans les années à venir. Restez à l’écoute!

Categories:

Comments are closed