Diagnóstico de visibilidad en carreteras con nubes de ... · La mayor parte de la investigación...

Diagnóstico de visibilidad en carreteras con nubes de puntos obtenidas mediante sistemas LiDARO. Iglesias L. Díaz-Vilariño H. González-Jorge H. Lorenzo P. Arias

N°4 / 2015 CUADERNOS TECNOLÓGICOS DE LA PTC.


2

O. Iglesiasoscariglesias@ uvigo.es

L. Díaz-Vilariñolucia@ uvigo.es

H. González-Jorgehiginiog@ uvigo.es

H. Lorenzohlorenzo@ uvigo.es

P. Ariasparias@ uvigo.es

Grupo de Geotecnologías Aplicadas, Dept. Ingeniería de los Recursos Naturales y Medioambiente, Universidad de Vigo, Campus Lagoas-Marcosende, CP 36310 Vigo

© Plataforma Tecnológica Española de la Carretera (PTC). Av. General Perón, 26 - 2º iz, 28020 Madrid.Reservados todos los derechos. ISBN: 978-84-617-9647-2

3


Índice de contenidos


Resumen 5

1. Introducción y estado del arte 7

2. Metodología 12

2.1. Adquisición de datos y preprocesado 14

2.2. Diseño de la técnica de análisis de visibilidad 15

2.3. Algoritmos de determinación de oclusiones 18

3. Análisis de los casos de estudio y de las herramientas empleadas 20

3.1. Datos para el estudio 21

3.2. Diseño del análisis de visibilidad 21

3.2.1. Caso de estudio interurbano 1 22






3.2.7. Caso de estudio urbano 1 28

3.2.8. Caso de estudio urbano 2 29

4. Conclusiones 30

Agradecimiento 32

Bibliografía 34

4

5


Resumen


En este trabajo, se presenta un enfoque para el análisis automático de visibilidad en tramos de carreteras mediante la utilización de nubes de puntos 3D. La metodología se basa en un algoritmo del tipo “ray-tracing” que se complementa con una detección de oclusiones para identificar los obstáculos entre el conductor de un vehículo que circula por dicha carretera y la posición en la que se pueden encontrar un peatón o un ciclista. Como resultado, un polígono 3D es obtenido y proyectado en la superficie de la carretera para representar el área de visibilidad en cada una de las posiciones del conductor.

La metodología utiliza nubes de puntos obtenidas de sistemas LiDAR móvil instalados en el techo de una furgoneta. Al mismo tiempo que se comprueba el resultado del análisis de visibilidad se procede a mejorar el valor de los parámetros para que el área obtenida sea lo más realista posible y el proceso sea robusto.

La metodología presentada se ha probado en ocho casos de estudio; todos ellos correspondientes a zonas de carretera en Galicia, una región en el sudoeste de España, incluyendo un par de casos en entornos urbanos que presentan un comportamiento más difícil de estudiar mediante la metodología planteada. El algoritmo propuesto parece dar resultados coherentes para unas condiciones determinadas. El área de visibilidad que se obtiene mediante la metodología empleada es precisa en el caso en el que el entorno muestra una vegetación densa y continua o montañas y muros que acoten la zona de estudio. En el resto de casos de estudio, el área dentro del tramo de calzada parece ser coherente pero la interpretación de las zonas de alrededor es más complicada, por lo que se contempla la idea de trabajar en un mejor algoritmo que obtenga mejores resultados en este tipo de casos.

Palabras clave: visibilidad, nubes de puntos, laser escáner móvil, seguridad vial

6

7


5.

1. Introducción y estado del arte


Aumentar la seguridad del tráfico es una petición en la que se está trabajando. A pesar de que la reducción de las tasas de accidentes durante la última década ha descendido, los accidentes de tráfico siguen causando un gran número de pérdidas humanas y personas heridas, del mismo modo que una gran pérdida económica. Los peatones y los ciclistas son el grupo más vulnerable de los usuarios de la carretera y es necesario que se haga un esfuerzo para llegar al objetivo de cero accidentes (COST 2014; Shinar 2012). Según European Transport Safety Council (ETSC), el 31% de las muertes de peatones ocurren en zonas interurbanas (incluyendo carreteras rurales y autovías). Además, los choques con coches causan ligeramente más de la mitad del número total de muertes de ciclistas en la Unión Europea (52%) (Adminaite et al. 2015).

El problema de la seguridad vial para peatones y ciclistas está muy documentado (World Health Organization 2004), y se han realizado grandes esfuerzos para analizar las causas de los accidentes dependientemente de las características de la carretera en la que se producen (Dumbaugh and Li 2010). La falta de visibilidad está marcada como una de las causas más importantes de los accidentes en carreteras. Una de las medidas correctoras que se han realizado para tratar de corregir la falta de visibilidad en carreteras es la introducción de elementos reflectantes en peatones y ciclistas, tales como chalecos reflectantes para obtener una mejor visibilidad cuando la iluminación de la carretera es baja (Kwan et al. 2002). Sin embargo, la baja iluminación no es el único problema relacionado con la falta de visibilidad. El diseño geométrico de carreteras y las velocidades correspondientes a cada tramo son aspectos críticos relacionados con la visibilidad, ya que en muchas ocasiones las infraestructuras se construyen pensando en la seguridad de los conductores y no de los peatones o ciclistas (Dumbaugh and Li 2010). Por tanto, analizar el diseño de carreteras en función de la visibilidad que éstas poseen es fundamental para detectar y describir los tramos de carreteras peligrosas como curvas o cambios de rasante.

Para analizar la visibilidad se necesitan modelos 3D de carreteras y de su entorno. Las características “as-built” de una carretera a veces difieren de las características de diseño porque la creación de carreteras puede estar sujeta a cambios en el plano en el momento de ser construidas para adaptarse a las condiciones reales del terreno. Además, las nuevas construcciones y el crecimiento de la vegetación pueden modificar el entorno de una carretera (Ural et al. 2015) provocando que se generen diferentes condiciones de visibilidad en ésta.

La tecnología del Mobile Laser Scanning (MLS) está establecida en el mundo del inventariado de infraestructuras y de inspección de elementos (Varela-González et al. 2014) y duros esfuerzos se han centrado en los últimos años en facilitar la automatización de los procesos realizados con datos de escaneado móvil, con especial énfasis en el modelado y reconocimiento de objetos. Hay una amplia cantidad de literatura sobre la segmentación de carreteras, demás elementos y diversos entornos mediante nubes de puntos obtenidas con MLS. Yang et al. (2013) proporciona una revisión detallada sobre este tema. Riveiro et al. (2015) trata la detección automática de pasos de peatones en entornos urbanos, mientras que Puente et al. (2014) se centra en la tarea de la detección de luminarias en túneles en carreteras. También, Serna y Marcotegui (2013) van más allá y proponen métodos para la detección, segmentación y clasificación de objetos en entornos urbanos para la creación de rutas de movilidad para gente vulnerable.

El problema de la visibilidad es un tema importante en la computación de gráficos y diferentes

8


formas de tratarlo han sido probadas ya. Por ejemplo Alsadik et al. (2014) estudian diferentes técnicas para el análisis de la visibilidad con nubes de puntas obtenidas mediante fotogrametría, mostrando las diferencias entre las distintas técnicas, sus pros y sus contras. En ese trabajo se agrupan las técnicas de análisis de visibilidad en tres grupos. El primer grupo corresponde al enfoque mediante triangulaciones, en el cual se estudian o la dirección de las normales a los triángulos o la intersección de los triángulos con la línea de visión. El segundo grupo se refiere al estudio mediante voxels: métodos con modelos expresados mediante voxels y donde se buscan las intersecciones de los voxels con la línea de visión de diferentes puntos de vista. Hidden Point Removal (HPR) es la última técnica, que consiste en la proyección de la envoltura convexa de los objetos que se pueden ver desde un determinado punto.

(Yin et al. 2012) repasan algunas técnicas de análisis de visibilidad basadas en cálculos desde el punto de vista y modelos de proyecciones. En ese trabajo se crean modelos para calcular la visibilidad en áreas urbanas con finalidad de mapeado. Con el mismo objetivo, introducen “visual field analysis”. Para ese enfoque, un punto es fijado como punto de vista, y se toman las líneas de visión para todas las direcciones posibles calculando con cada LV el obstáculo inmediato en esa dirección. El planteamiento e idea de este enfoque es tenido en cuenta en la creación del algoritmo propuesto en este trabajo.

En términos de visibilidad en carreteras, hay una necesidad de reconocer cuales son las zonas y secciones de carreteras en donde es más probable que ocurran accidentes y poder garantizar en dichos lugares la visibilidad entre los conductores y peatones. Una forma de realizar este estudio es mediante el análisis de “Available Sight Distance (ASD)” y algunas variables relacionadas con las medidas en carreteras tales como Stopping Sight Distance (SSD), Decision Sight Distance, etc. La variable Available Sight Distance (ASD) (Campbell 2012) indica la distancia libre de obstáculos desde un punto a otro de la trayectoria del vehículo. Este valor puede dar una idea aproximada de “cuan segura es una carretera” y por tanto, puede ser útil para identificar potenciales zonas de peligro y posibles secciones en las que pueden suceder atropellos y los peatones podrían estar en peligro. En este trabajo, una adaptación del ASD es propuesta y se muestra como un área proyectada sobre los modelos 3D de carreteras y sus entornos para definir un área de visibilidad.

Diferentes enfoques para calcular ASD mediante datos LiDAR y estereovisión son enunciados por Tarel et al. (2012). Muestran la implementación de una técnica de “ray-tracing algorithm”,que aplican directamente sobre una triangulación. Otro ejemplo del uso de la ASD para el análisis de visibilidad en carreteras es el propuesto por Hassan et al. (1996). Ellos utilizan elementos finitos paramétricos, resultando en una técnica computacionalmente muy costosa. Mertzanis et al. (2015) modifican la técnica del ASD para calcular SSD (la distancia que el conductor de un vehículo necesita tener para, una vez visualizado un peatón, ciclista u otro obstáculo tener tiempo suficiente de frenar el vehículo para evitar un accidente). Sin embargo, ellos construyen sus propios modelos 3D y no prueban el algoritmo con ejemplos reales.

La mayor parte de la investigación sobre análisis de visibilidad, incluyendo las consideraciones sobre peatones, se centra en entornos urbanos, donde mejorar su seguridad es muy importante. Varios artículos proponen la integración de sensores LIDAR dentro de coches para la detección de peatones que se exponen a riesgo de sufrir un accidente. Por ejemplo, Ogawa et al. (2011) presenta

9


una propuesta para la detección de peatones basada en un sistema LiDAR integrado en el interior de la cabina de vehículos, que implementa un método para la búsqueda y detección de peatones y un reconocimiento de patrones para definir los carriles en carretas con el objetivo de determinar cuándo existe riesgo para los peatones. Además, Broggi et al. (2009) han creado un mecanismo automático que al detectar peatones procede a activar un sistema de frenado automático para ese tipo de situaciones peligrosas para el peatón. El sistema propuesto está limitado a un determinado tipo de casos.

Diferentes estudios han creado variedad de Modelos Digitales de Elevación móvil (DEM) con datos de LiDAR aéreo y LiDAR móvil con el objetivo de analizar su potencialidad para el análisis de visibilidad disponible (de Santos-Berbel et al. 2014). Castro et al. (2015) profundizan en el efecto de la resolución del modelo digital realizando un estudio estadístico. Concluyen que la resolución del modelo influye en los resultados del análisis de visibilidad, pero encuentran problemas en su método con algunos elementos situados por encima de la superficie de la carretera, que necesitan preprocesar para obtener un buen resultado con sus modelos. Liu et al. (2007) and Tomljenovic and Rousell (2014) han obtenido la relación existente entre la calidad de los modelos digitales con la densidad de la nube de puntos empleada. Estos resultados muestran que las características o requerimientos para la nube de puntos deben ser seleccionadas dependiendo del tipo de tarea o estudio que se desee realizar. Para poder detectar oclusiones con el algoritmo propuesto, se necesitan unos modelos con mayor resolución que los estudiados en Tomljenovic and Rousell (2014) y Liu et al. (2007), ya que los obstáculos que se desean detectar pueden ser de un tamaño más pequeño y se pretende realizar un estudio más general.

El objetivo de este trabajo es el análisis de visibilidad mediante el uso de nubes de puntos. A lo largo del artículo se establece un estudio de la utilización de nubes de puntos obtenidas mediante LiDAR para determinar los límites y adecuación al análisis de visibilidad en carreteras. Este trabajo es parte del proyecto “Reduction of run over cases through analysis of driver - pedestrian visibility using mobile LiDAR data”, que busca determinar la seguridad vial para los peatones y ciclistas en condiciones “as-built” con el final objetivo de reducir la posibilidad de accidentes en carreteras

La metodología empieza con la segmentación de la nube de puntos. El pavimento de la carretera es extraído automáticamente y separado de los elementos al borde de la carretera, la vegetación, edificios y otros elementos. Esta distinción se realiza por diferentes factores. En primer lugar, las nubes de puntos habitualmente son conjuntos de datos masivos y los cálculos con ellas son costosos computacionalmente, de ahí que se realice una extracción y simplificación de datos para el cálculo. Se asume que la extracción de la calzada no influye en el área de visibilidad de la zona, ya que el objetivo del trabajo es tratar de identificar objetos que interrumpen la visión y no cambios de nivel. Además, la extracción de la carretera ayuda en el desarrollo del método y algoritmo, ya que con esta calzada se genera la trayectoria del vehículo en la sección de carretera deseada.

A continuación, un algoritmo “ray-tracing” es implementado para calcular la visibilidad en la línea de visión entre el vehículo y los peatones/ciclistas, tomando la teórica posición del punto de vista del conductor como el principio del trazado de la línea. La línea de visión se rota alrededor del eje vertical, teniendo en cuenta la trayectoria del vehículo y el campo de visión del conductor. Para cada una de las posiciones de la línea de visión, un buffer es creado para detectar las potenciales

10


oclusiones de visibilidad. Si el modelo 3D aparece dentro del buffer podría existir una oclusión y se podría clasificar por una área no visible, peligroso para los usuarios de la vía, tanto conductores como peatones y ciclistas.

La metodología propuesta es evaluada en diferentes casos de estudio adquiridos en carreteras urbanas e interurbanas de distintas zonas de Galicia (España). Los casos han sido seleccionados de forma que las carreteras estén situadas en diferentes entornos para poder así comprobar la validez del algoritmo y las técnicas desarrolladas en este trabajo, de forma independiente al área de análisis. Este trabajo está organizado de la siguiente forma. La sección 2 hace una recopilación y resumen del estado del arte en el campo del análisis de visibilidad en carreteras con nubes de puntos y establece las principales diferencias que presenta el algoritmo propuesto. La sección 3 explica la metodología desarrollada para el análisis de visibilidad, mientras que en la sección 4 se desarrolla el procedimiento de recogida de datos, introducción de los sistemas empleados y presentación de los resultados obtenidos para cada uno de los casos de estudio. Finalmente, en la sección 5 se resumen las principales conclusiones extraídas del trabajo desarrollado y se postula el trabajo futuro a realizar.

Con respecto a los trabajos en el estado del arte, el objetivo del trabajo propuesto es el de obtener áreas de visibilidad en diferentes carreteras (urbanas e interurbanas) desde el punto de vista del conductor y tratar de analizar los resultados obtenidos para crear un algoritmo robusto y, además, identificar posibles deficiencias en las infraestructuras estudiadas y problemas generalizados en la visibilidad en carreteras.

El objetivo final es desarrollar una metodología completa para diagnosticar la visibilidad en carreteras desde el punto de vista del conductor. Del mismo modo, los parámetros del algoritmo deben ser optimizados para obtener los resultados más cercanos a la visibilidad disponible real de la que disponen los conductores en un tramo de carretera con la utilización de nubes de puntos. El algoritmo propuesto en este trabajo es automático. El único proceso manual es relativo a definir la dirección en la que circula el coche dentro de su trayectoria.

11

12


1. .

2. Metodología


La metodología que se presenta en este trabajo se resume en la Figura 1. El desarrollo de dicha metodología empieza con la adquisición y preprocesado de los datos (sección 2.1) para crear el modelo 3D. A continuación, un análisis de visibilidad se realiza con el modelo (sección 2.2) teniendo en cuenta la condición de oclusión (sección 2.3) impuesta durante el estudio. Como resultado se obtiene un área 2D que estima la visibilidad en cada sección de la carretera.

Figura 1. Flujo de trabajo de la metodología propuesta

13


2.1. Adquisición de datos y preprocesado

El primer paso que se da en la metodología propuesta consiste en la segmentación de la nube de puntos con el objetivo de determinar que parte del modelo 3D pertenece a la carretera y cual representa los elementos fuera o al borde de la carretera.

Para el proceso de segmentación de la carretera se ha decidido utilizar un proceso con varias etapas. La segmentación está basada en el cálculo de la curvatura, rugosidad y una comparación de la dirección de las normales. La carretera se define como una sección de la nube de puntos continua (se requiere que la rugosidad sea menor a 1 mm), plana (del análisis de curvatura, la carretera se define con una curvatura cero) y con una dirección definida (del análisis de normales, se toma una dirección normal media y se consideran los puntos con normal similar a esta). Estas variables se calculan con el software libre Cloud Compare (versión 2.6.1). Las especificaciones del software y definición de las variables mencionadas anteriormente se pueden encontrar en el Manual de Usuario.

Finalmente, la carretera segmentada se utiliza para definir la trayectoria a seguir por el vehículo y dentro de esta se sitúa el punto de vista del conductor, lugar que representa el punto desde el cuál se necesita determinar la visibilidad. De acuerdo con la regulación (Ministerio de Fomento 1999), la trayectoria por la que circula el vehículo en una carretera se sitúa a una distancia de 1.5 m desde el borde exterior derecho del carril al coche. Por tanto, la posición del conductor se estima de la carretera extraída y posteriormente se utiliza para determinar el punto de inicio en la técnica de “ray-tracing algorithm”.

14


2.2. Diseño de la técnica del análisis de visibilidad

El análisis de visibilidad conducido en este trabajo se basa en un algoritmo “ray-tracing”, que consiste en la creación de una “Línea de Visión” (a partir de ahora referido como LV) desde el punto de vista del conductor a un punto objetivo, y comprobar que no hay ningún obstáculo entre el principio y el final de la línea (Alsadik et al. 2014). En esta metodología, la LV comienza en la supuesta posición de los ojos del conductor (1.1 m por encima de la superficie de la carretera sobre la trayectoria del vehículo (Ministerio de Fomento 1999) y continúa en la dirección de la trayectoria del vehículo.

Con el objetivo de detectar todas las oclusiones que puedan causar pérdidas de visibilidad para el conductor, el barrido se realiza a lo largo del campo visual horizontal del conductor en cada uno de los puntos de la trayectoria del vehículo.

Para realizar esta tarea, la LV es rotada en sentido antihorario sobre el eje vertical recorriendo el campo de visión periférica, formando un ángulo máximo de 60º con el rayo de visión centrado (sigue la orientación de la calzada) y formando un ángulo mínimo de -60º (línea punteada, Figura 2). Los ángulos para las direcciones hacia la izquierda de la dirección principal han sido tomadas negativas como se muestra en la Figura 2 (Spector 1990; Bhise 2011).

Figura 2. La visión periférica se considera entre las líneas de visión que forman ±60º con respecto a la línea de visión centrada y que parte de los ojos del conductor del vehículo.

15


El escaneo del campo de visión horizontal del conductor se lleva a cabo mediante la rotación de la LV con un ángulo de rotación (∆) una vez comprobada la condición de oclusión (Figura 3). El ángulo de rotación (∆) se determina de forma que se asegure que el algoritmo escanea todo el campo visual del conductor (ec. 1).

(1)

Basándose en la información que provee la Dirección General de Tráfico (DGT) (Dirección General de Tráfico 2015), un coche conducido a 100 km/h logra detenerse a una distancia (d) de 150 m. Por tanto, considerando que un vehículo circula por una carretera convencional a dicha velocidad, la máxima distancia a la que se necesita detectar una oclusión se fija a 150 m. La detección de oclusiones se realiza buscando si hay puntos del modelo 3D alrededor de la LV. Para ellos se construye un cilindro alrededor de ésta LV con un radio (r) de 0.25 m. Los autores consideran que se podría detectar a una persona observanda a través de un cilindro de 0.5 m de diámetro.

Figura 3. Imagen con la representación del buffer y del ángulo de rotación. El círculo Amarillo indica el punto de vista del conductor.

16


Como resultado del algoritmo, se forma una polilínea con las oclusiones detectadas. Proyectando estos puntos sobre el plano X-Y, se puede definir una superficie que corresponde con el área de visibilidad disponible desde el punto de vista del conductor (Figura 4).

La proyección solo tiene en cuenta las componentes x e y de los puntos detectados como oclusiones y el área que forma el polígono se calcula utilizando la fórmula de Gauss con los puntos que forman la polilínea en 2D (ec. 2).

Figura 4. Proyección aérea de los puntos de oclusión y el área obtenida con la polilínea creada por éstos.

, (2)

donde u y v son los vectores con las componentes x e y de la lista de vértices del polígono mostrado en la Figura 4, respectivamente, y n es el número de vértices del polígono, considerando que la posición del punto de vista del conductor es el primer y el último punto del polígono. El análisis de visibilidad junto con la condición de oclusión explicada en la subsección siguiente ha sido implementado en el software Matlab.

17


2.3. Algoritmo de determinación de oclusiones

En el enfoque propuesto, una oclusión se define como la existencia de un determinado número de puntos del modelo 3D que interrumpe la LV que existe entre la posición del conductor y el objeto que se desea percibir, siendo el objeto un peatón en el caso de este trabajo. Se puede dar el caso de que existan algunos puntos en el modelo que no definan un objeto en la realidad o que estos puntos pertenezcan a objetos que no son lo suficientemente grandes como para actuar como un obstáculo para la visión del conductor. Por tanto, es necesario definir un criterio para decidir cuándo considerar si una oclusión es un verdadero obstáculo capaz de ocultar a un peatón.

Para cada LV, se crea un cilindro alrededor y el algoritmo comprueba si existen puntos del modelo 3D dentro de este volumen. En el caso de que un punto sea detectado en el interior del cilindro, es necesario determinar si es un punto aislado, que no afecta a la visibilidad del conductor, o si por el contrario corresponde a un conjunto de puntos que no permite la visión del conductor.

La condición de oclusión depende de la densidad local del modelo 3D. Por tanto, el número de puntos alrededor del punto detectado por el algoritmo es evaluado para considerar si la oclusión puede ser un obstáculo. Esta densidad local se calcula como el número exacto de puntos que caen dentro de esa esfera con centro en algún punto de la LV y con un radio fijado como el radio del buffer (el mismo valor que se utiliza para el cilindro). La Figura 5 muestra un ejemplo que representa el funcionamiento de la condición de oclusión del algoritmo.

Figura 5. Representación del funcionamiento de la condición de oclusión.

Para resumir, se puede decir que la existencia de una oclusión en el modelo se define como la existencia de n puntos de la nube de puntos que se encuentran cercanos y en el interior de una esfera de 0.5m de diámetro con el centro en algún punto de la LV. La elección del número de

18


puntos necesarios para determinar un obstáculo influye determinantemente en el resultado del área de visibilidad que se puede obtener finalmente como puede verse en la Figura 6.

Figura 6. Resultados para la aplicación de las diferentes condiciones de oclusión en el algoritmo. La flecha negra sobre la carretera muestra la posición y dirección del vehículo.

Para establecer el número óptimo de puntos, se han generado nubes de puntos con diferentes densidades y se ha analizado la variación del área de visibilidad en función de la condición de oclusión para comparar la actuación del algoritmo. La densidad de la nube de puntos se calcula mediante el software Cloud Compare v2.6.1 tomando como densidad el número de puntos en una esfera de un metro de diámetro alrededor de dicho punto. Nótese que la densidad es un valor local para cada punto y que varía a lo largo de la nube. Para poder comparar las diferentes nubes de puntos se toma un valor de densidad media que es una forma aproximada de compararlas.

19

20


3. Análisis de los caso de estudio y de las

herramientas empleadas6.


3.1. Datos para el estudio

La metodología propuesta se prueba mediante una serie de datos que provienen de un sistema LiDAR móvil montado en una furgoneta. El sistema es un escáner laser LYNX MOBILE MAPPER (OPTECH 2015). Esta adquisición está basada en la técnica de “Time of Flight” (TOF) como principio de medida y sus características de acuerdo con la hoja del fabricante (Puente et al. 2013), las cuales se resumen en una precisión de 8mm, un rango máximo de 200 m, un ratio de medida del láser de entre 75 y 500 kHz, una frecuencia de escaneo de 80-200 Hz y una resolución angular de 0.001º. Además permite un escaneo con un campo de visión de 360º y que puede trabajar entre temperaturas de 10 y 40ºC.

3.2. Diseño del análisis de visibilidad

El algoritmo propuesto para el análisis de visibilidad es sensible a la variación de los parámetros. Para comprobar la sensibilidad del valor de , el algoritmo ha sido lanzado con diferentes valores para el ángulo de rotación. Los resultados muestran que un ángulo de 0.1º (seleccionado mediante el cálculo en la [ec.2]) no muestra diferencias importantes con los calculados con 0.01º (mínimo ángulo estudiado). Variaciones de menos de 0.01º no cambian las áreas de visibilidad resultantes del algoritmo, por lo que no se han estudiado. (Figura 7).

Figura 7. Diferentes curvas representando el área de visibilidad en función de la condición de oclusión utilizada para el algoritmo.

21


La metodología se prueba con ocho casos de estudio reales. Todos ellos se encuentran situados en Galicia, una región del noroeste de España, y se seleccionan de forma que se aseguren casos los suficientemente diferentes como para asegurar la robustez y representatividad del algoritmo. Para cada caso de estudio, se calcula el área de visibilidad mediante el algoritmo propuesto y se comprueba si los resultados son acordes con la visibilidad real que hay en la sección en la realidad. En el caso de que los resultados no sean aparentemente lógicos o inmediatos se estudia el caso de forma individual tratando de dar una explicación a cada fenómeno que provoca que el área de visibilidad no sea el esperado. Con este análisis se pretende estimar las capacidades del algoritmo y sus límites para el análisis de visibilidad en carreteras.

Las Figuras 8-13 muestran los resultados obtenidos para cada uno de los casos de estudio. En el lado izquierdo de la imagen se ve la vista en planta de la sección de carretera estudiada, mostrando la posición del vehículo en la calzada y el área visibilidad calculada por el algoritmo. En el lado derecho de la imagen aparece una imagen del punto de vista del conductor y la leyenda con las especificaciones de la zona estudiada.

3.2.1. Caso de estudio interurbano 1

El primer caso de estudio se representa en la Figura 8. Al lado derecho de la carretera, no hay obstáculos claros que puedan ocluir la visibilidad del conductor, sólo hay algún árbol aislado, mientras que en el lado izquierdo se puede apreciar que aparece un terreno montañoso denso y en pendiente, a través del cual no se puede ver la continuación de la carretera. Este terreno montañoso es reconocido perfectamente por el algoritmo y se reconoce como obstáculo para la visión del conductor.

En el lado derecho de la carretera, pese a no existir un obstáculo aparente, el área de visibilidad marca que al abandonar la calzada se acaba la visibilidad. Eso es debido a que el algoritmo detecta el guarda rail como un obstáculo, aunque en un caso real éste no ocultaría a un posible peatón que estuviera detrás del guarda raíl sino que ocluiría una pequeña parte de su cuerpo.

22


Figura 8. Primer caso de estudio


El segundo caso de estudio (Figura 9) se corresponde a otro tramo de la carretera estudiada en el apartado anterior. En este caso, la carretera se encuentra encerrada entre una montaña donde las rocas y vegetación ejercen de obstáculo y no permiten ver más allá. Los resultados son coherentes con la orografía del terreno y, por tanto, el área de visibilidad se detiene en estas partes montañosas detectándolas como zonas de oclusión de la visibilidad.

Figura 9. Segundo caso de estudio

23



El tercer caso de estudio se corresponde a una sección con un terreno montañoso en la parte izquierda de la carretera y en al lado derecho un tramo con una vegetación dispersa y un ambiente despejado de obstáculos. Además, este tramo de carretera se encuentra en una pendiente ascendente, así que la vegetación que se encuentra en el margen derecho en la colina a partir de un determinado punto de la trayectoria no influye en el análisis de visibilidad ya que no es lo suficientemente alta como para influir en la visibilidad (Figura 10).

Se muestra también como al ser una pendiente ascendente en la que aparece una curva a la izquierda no se puede apreciar los vehículos que bajan por la carretera en dirección al vehículo desde el cual se adquiere el punto de vista, factor por el que se debería tener en cuenta la velocidad de la vía para adecuarla a esta situación de no visibilidad.

Figura 10. Tercer caso de estudio

24



En el cuarto caso de estudio, la carretera se encuentra situada en un lugar con la presencia de edificios, gran variedad de elementos al borde de carretera y vegetación a ambos lados de la sección. Este entorno tan variado hace que la interpretación del área de visibilidad sea más complicada que en los casos anteriores y nos muestra una contraindicación para la utilización de este método que quizás se vea más reflejado en el caso urbano donde la presencia de gran variedad de elementos es inherente al entorno que se estudia.

De todos modos se puede apreciar que se identifican elementos como la ladera que se encuentra al lado derecho del vehículo (Figura 11), los contenedores de basura que se encuentran al lado izquierdo y también se ve como la presencia de edificios afecta al resultado que el algoritmo propone para el área de visibilidad.

Figura 11. Cuarto caso de estudio

25



En este caso de estudio, el área de visibilidad calculada muestra que el tramo de carretera que está delante del vehículo es visible en su totalidad (Figura 12). Además de este hecho vemos que se identifican caminos secundarios e intersecciones por los que hay visibilidad y esta zona de visibilidad termina para el caso en el que se pueden vislumbrar las casas que se encuentran al borde de la carretera.

El caso de estudio es complejo como el anterior por la gran cantidad de edificios y elementos que se encuentran al borde de la carretera pero vemos que el área de visibilidad que se obtiene es coherente con la realidad que existe y se puede apreciar en la imagen desde el punto de vista del conductor que queda reflejado en la Figura 12.

Figura 12. Quinto caso de estudio

26



Este caso de estudio no presenta apenas situaciones dificultosas ya que la densidad de la vegetación que rodea la carretera es continua y no aparecen grandes variaciones de elementos a lo largo del recorrido de la carretera, situación que hace que el área de visibilidad calculado se adecúe a la realidad de la carretera y nos indique que el tramo de calzada es completamente visible, como también se puede visualizar algún tramo de fuera de la carretera (Figura 13).

Figura 13. Sexto caso de estudio

27


3.2.7. Caso de estudio urbano 1

En este caso de estudio se aprecia como el área de visibilidad que se obtiene tiene la forma de una carretera recta y sin ningún obstáculo aparente, que es lo que se representa en la Figura 14, por lo que actúa de una manera correcta. Las proporciones de la calzada son las correctas al principio del área, si bien es cierto que da una impresión de estrechez en cuanto se avanza a lo largo de la trayectoria del vehículo y que no se distinguen los huecos entre coches aparcados a los laterales, dando semejanza de obstáculos continuados a lo largo del carril.

Figura 14. Primer caso de estudio urbano

28


3.2.8. Caso de estudio urbano 2

Este caso de estudio también es de una carretera que se encuentra en un entorno urbano, por el que discurren más vehículos, hay más objetos y del mismo modo que en el anterior los resultados también muestran más debilidades del algoritmo.

Lo más destacable de este caso de estudio se aprecia al ver cómo afecta la valla que se ve en la imagen desde el punto de vista del conductor al área de visibilidad (Figura 15). Al tener el modelo 3D una gran densidad de puntos, el algoritmo detecta los barrotes de la valla como obstáculos para la visión, cuando el grosor de los mismos no es el suficiente como para tapar a una persona y crear un problema de visibilidad.

7.

Figura 15. Segundo caso de estudio urbano

29

30


Conclusiones


En este trabajo se propone un algoritmo automático y robusto para analizar la visibilidad en carreteras detectando los obstáculos que pueden interrumpir la línea de visión entre el punto de vista del conductor de un vehículo y un posible lugar en el que podría haber un peatón. Este algoritmo se realiza en diferentes casos de estudio y con diferentes valores de los parámetros para la optimización de estos y con el objetivo de establecer los límites para el propósito de analizar la visibilidad en carreteras.

De los resultados obtenidos, se pueden extraer las siguientes conclusiones:

• La representación de la propuesta de área de visibilidad mejora la calidad de entendimiento de los métodos basados en ASD aportando una información en 2D, mientras que los métodos habituales representan esta variable mediante una variable unidimensional.

• El área de visibilidad aporta información visual sobre qué áreas pueden suponer un problema en la visibilidad durante la conducción en carreteras y pueden poner en peligro la vida de peatones. Así se pueden detectar las zonas peligrosas para poder asegurar la seguridad de los usuarios de la vía.

• El área de visibilidad es altamente dependiente del número de puntos que se decidan seleccionar para considerar una oclusión como obstáculo. Este número está relacionado con la densidad de puntos de la nube que se emplea para el cálculo del área de visibilidad.

• En la mayoría de los casos de estudio, los resultados muestran que el área de visibilidad es una representación acertada del campo de visión real del conductor desde su punto de vista.

• El resultado del algoritmo en el caso de secciones de carreteras urbanas no parece cumplir los objetivos propuestos. Esta área de visibilidad calculada se ve altamente distorsionada por el tipo de elementos que aparecen en este entorno y por tanto, no se puede admitir el resultado como bueno para el objetivo propuesto ya que no permite distinguir entre obstáculos grandes u obstáculos no continuados con pequeños espacios en medio de ellos.

Como trabajo futuro se podría usar esta metodología para la detección de “puntos negros” en carreteras, la determinación de la velocidad máxima óptima para determinados tramos atendiendo al área de visibilidad o la comprobación de si la señalización horizontal y vertical es coherente con las carreteras según el nivel de visibilidad de las mismas. Una mejora en el algoritmo desarrollado podría consistir en la inclusión de las pendientes de la carretera para la detección de oclusiones,con el objetivo de detectar en qué zonas la infraestructura puede afectar a problemas de visibilidad para los conductores.

En cuanto al caso de las carreteras urbanas se podría adaptar el algoritmo y los parámetros a las condiciones que existen en dicho entorno, ya que difieren de los entornos interurbanos para los que la metodología estudiada ha sido inicialmente propuesta.

31

32


Agradecimientos


A los autores les gustaría agradecer a la Dirección General de Tráfico (Ministerio del Interior), Ministerio de Economía y Competitividad (Gobierno de España) y Xunta de Galicia por la ayuda financiera aportada a través de las ayudas (SPIP20141500, FPU AP2010-2969, CN2012/269).

33

34


Bibliografía


Adminaite, D., Allsop, R., and Jost, G. 2015. ‘Making Walking and Cycling on Europe´s Roads Safer. PIN Flash Report 29. ETSC’.

Alsadik, B., M. Gerke, and G. Vosselman. 2014. ‘Visibility Analysis of Point Cloud in Close Range Photogrammetry’. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences 5 (May): 9–16. doi:10.5194/isprsannals-II-5-9-2014.

Bhise, Vivek D. 2011. Ergonomics in the Automotive Design Process. CRC Press.

Broggi, A., P. Cerri, S. Ghidoni, P. Grisleri, and Ho Gi Jung. 2009. ‘A New Approach to Urban Pedestrian Detection for Automatic Braking’. IEEE Transactions on Intelligent Transportation Systems 10 (4): 594–605. doi:10.1109/TITS.2009.2032770.

Campbell, John L. 2012. Human Factors Guidelines for Road Systems. Transportation Research Board.

Castro, Maria, Serafin Lopez-Cuervo, Maria Paréns-González, and César de Santos-Berbel. 2015. ‘LIDAR-Based Roadway and Roadside Modelling for Sight Distance Studies’. Survey Review, June, 1752270615Y.0000000037. doi:10.1179/1752270615Y.0000000037.

Centro Nacional de Información Geográfica (CNIG)). 2015. ‘Centro de Descargas Del CNIG’. Accessed July 8. http://centrodedescargas.cnig.es/CentroDescargas/.

COST. 2014. ‘Scientific and Technical Innovations for Safer Powered Two Wheelers’.

de Santos-Berbel, C., M. Castro, S. López-Cuervo Medina, and M. Paréns-González. 2014. ‘Sight Distance Studies on Roads: Influence of Digital Elevation Models and Roadside Elements’. Procedia - Social and Behavioral Sciences, XI Congreso de Ingenieria del Transporte (CIT 2014), 160 (December): 449–58. doi:10.1016/j.sbspro.2014.12.157.

Dirección General de Tráfico. 2015. ‘Revista Tráfico Y Seguridad Vial N 224’. Asp-Es.secure-Zone.net. Accessed September 4. http://asp-es.secure-zone.net/indexPop.jsp?id=5938/10033/23388&startPage=1&lng=es#5938/10033/233881es.

Dumbaugh, Eric, and Wenhao Li. 2010. ‘Designing for the Safety of Pedestrians, Cyclists, and Motorists in Urban Environments’. Journal of the American Planning Association 77 (1): 69–

35


88. http://www.tandfonline.com/doi/abs/10.1080/01944363.2011.536101.

Hassan, Yasser, Said Easa, and A. El Halim. 1996. ‘Analytical Model for Sight Distance Analysis on Three-Dimensional Highway Alignments’. Transportation Research Record: Journal of the Transportation Research Board 1523 (January): 1–10. doi:10.3141/1523-01.

Kwan, I., J. Mapstone, and I. Roberts. 2002. ‘Interventions for Increasing Pedestrian and Cyclist Visibility for the Prevention of Death and Injuries’. The Cochrane Database of Systematic Reviews, no. 2: CD003438. doi:10.1002/14651858.CD003438.

Liu, X., Z. Zhang, J. Peterson, and S. Chandra. 2007. ‘The Effect of LiDAR Data Density on DEM Accuracy’. In Proceedings of the International Congress on Modelling and Simulation (MODSIM07), edited by Les Oxley and Don Kulasiri, 1363–69. Canberra, Australia: Modelling and Simulation Society of Australia and New Zealand Inc. http://www.mssanz.org.au/MODSIM07/papers/21_s46/TheEffectOfL_s46_Liu_.pdf.

Mertzanis, Fotis S., Antonis Boutsakis, Ikaros-Georgios Kaparakis, Stergios Mavromatis, and Basil Psarianos. 2015. ‘Analytical Method for 3-D Stopping Sight Distance Adequacy Investigation’. Journal of Civil Engineering and Architecture 9 (2): 232–43. doi:10.17265/1934-7359/2015.02.012.

Ministerio de Fomento. 1999. ‘TRAZADO: INSTRUCCION DE CARRETERA. NORMA 3.1-IC’. December 27. http://www.fomento.gob.es/NR/rdonlyres/7CDCD3E7-850A-4A9C-813D-B87FAEDE1A7A/55858/0510100.pdf.

Ogawa, T., H. Sakai, Y. Suzuki, K. Takagi, and K. Morikawa. 2011. ‘Pedestrian Detection and Tracking Using in-Vehicle Lidar for Automotive Application’. In 2011 IEEE Intelligent Vehicles Symposium (IV), 734–39. doi:10.1109/IVS.2011.5940555.

OPTECH. 2015. ‘Lynx SG1 » Teledyne Optech’. Accessed July 23. http://www.teledyneoptech.com/index.php/product/lynx-sg1/.

Puente, I., H. González-Jorge, J. Martínez-Sánchez, and P. Arias. 2013. ‘Review of Mobile Mapping and Surveying Technologies’. Measurement 46 (7): 2127–45. doi:10.1016/j.measurement.2013.03.006.

36


Puente, Iván, Higinio González-Jorge, Joaquín Martínez-Sánchez, and Pedro Arias. 2014. ‘Automatic Detection of Road Tunnel Luminaires Using a Mobile LiDAR System’. Measurement 47 (January): 569–75. doi:10.1016/j.measurement.2013.09.044.

RIEGL. 2015. ‘LMS-Q680i’. Accessed October 27. http://www.riegl.com/uploads/tx_pxpriegldownloads/10_DataSheet_LMS-Q680i_28-09-2012.pdf.

Riveiro, B., H. González-Jorge, J. Martínez-Sánchez, L. Díaz-Vilariño, and P. Arias. 2015. ‘Automatic Detection of Zebra Crossings from Mobile LiDAR Data’. Optics & Laser Technology 70 (July): 63–70. doi:10.1016/j.optlastec.2015.01.011.

Serna, Andrés, and Beatriz Marcotegui. 2013. ‘Urban Accessibility Diagnosis from Mobile Laser Scanning Data’. ISPRS Journal of Photogrammetry and Remote Sensing 84 (October): 23–32. doi:10.1016/j.isprsjprs.2013.07.001.

Shinar, David. 2012. ‘Safety and Mobility of Vulnerable Road Users: Pedestrians, Bicyclists, and Motorcyclists’. Accident Analysis & Prevention, Safety and Mobility of Vulnerable Road Usears: Pedestrians, Bicyclists, and Motorcyclists, 44 (1): 1–2. doi:10.1016/j.aap.2010.12.031.

Spector, Robert H. 1990. ‘Visual Fields’. In Clinical Methods: The History, Physical, and Laboratory Examinations, edited by H. Kenneth Walker, W. Dallas Hall, and J. Willis Hurst, 3rd ed. Boston: Butterworths. http://www.ncbi.nlm.nih.gov/books/NBK220/.

Tarel, J., P. Charbonnier, F. Goulette, and J. Deschaud. 2012. ‘3D Road Environment Modeling Applied to Visibility Mapping: An Experimental Comparison’. In 2012 IEEE/ACM 16th International Symposium on Distributed Simulation and Real Time Applications (DS-RT), 19–26. doi:10.1109/DS-RT.2012.12.

Tomljenovic, Ivan, and Adam Rousell. 2014. Influence of Point Cloud Density on the Results of Automated Object-Based Building Extraction from ALS Data. AGILE Digital Editions. http://repositori.uji.es/xmlui/handle/10234/98911.

Ural, S., J. Shan, M. A. Romero, and A. Tarko. 2015. ‘Road and Roadside Feature Extraction Using Imagery and LIDAR Data for Transportation Operation’. ISPRS Annals of Photogrammetry,

37


Remote Sensing and Spatial Information Sciences 3 (March): 239–46. doi:10.5194/isprsannals-II-3-W4-239-2015.

Varela-González, M., H. González-Jorge, B. Riveiro, and P. Arias. 2014. ‘Automatic Filtering of Vehicles from Mobile LiDAR Datasets’. Measurement 53 (July): 215–23. doi:10.1016/j.measurement.2014.03.033.

World Health Organization. 2004. ‘World Report on Road Traffic Injury Prevention’. WHO. http://www.who.int/violence_injury_prevention/publications/road_traffic/world_report/en/.

Yang, Bisheng, Lina Fang, and Jonathan Li. 2013. ‘Semi-Automated Extraction and Delineation of 3D Roads of Street Scene from Mobile Laser Scanning Point Clouds’. ISPRS Journal of Photogrammetry and Remote Sensing 79 (May): 80–93. doi:10.1016/j.isprsjprs.2013.01.016.

Yin, Chang Lin, Wen Qiang Xu, Qing Ming Zhan, and Hong Hui Zhang. 2012. ‘Visibility Analysis for Three-Dimension Urban Landscape’. Key Engineering Materials 500 (January): 458–64. doi:10.4028/www.scientific.net/KEM.500.458.

38

En colaboración con: Con el apoyo de:

PLATAFORMA TECNOLÓGICA ESPAÑOLA DE LA CARRETERA (PTC)Goya, 23 - 3º, 28001 Madrid (España)

Web: www.ptcarretera.es / email:[email protected]

Diagnóstico de visibilidad en carreteras con nubes de ... · La mayor parte de la investigación...

Documents

Transcript of Diagnóstico de visibilidad en carreteras con nubes de ... · La mayor parte de la investigación...