Hay entornos que se ganan una reputación. Cuando recibimos los planos y las fotos de un túnel de alcantarillado en Suiza, supimos exactamente por qué el cliente se había puesto en contacto con nosotros: varias soluciones líderes SLAM ya habían intentado abordar esta obra y habían fracasado.
Un túnel subterráneo de 1,48 km, de unos 3 metros de diámetro, revestido de hormigón, con una tubería de alcantarillado de acero que recorre toda la longitud del suelo sobre pilotes de hormigón. Elementos escasos, geometría repetitiva, iluminación mínima. El tipo de entorno que lleva al límite la tecnología de cartografía móvil.
El reto
Los túneles son famosos por lo difíciles que resultan para SLAM. Este lo era especialmente: zapatas de hormigón cada cinco o diez metros, estructuras de infraestructura más grandes cada cincuenta, y algún que otro conducto o tubería aproximadamente cada cien metros. Las formaciones de sal en las paredes —donde el agua subterránea había filtrado a través del hormigón y se había cristalizado— añadían cierta variación, pero muy poca. Todo parecía igual, y ese es precisamente el problema.
SLAM localización y cartografía SLAM funciona leyendo continuamente la geometría que le rodea para determinar dónde se encuentra. Sin suficientes características distintivas que detectar y volver a identificar, la localización empieza a fallar y los errores se acumulan. Imagínate estar dentro de un tubo de acero donde todo parece idéntico. Incluso una persona perdería rápidamente la noción de dónde se encuentra. El algoritmo se enfrenta al mismo reto.
El cliente ya había invertido tiempo y dinero en soluciones alternativas, y ninguna había ofrecido resultados útiles. Deslizamientos y desviaciones, una y otra vez.
Además, tenían un requisito específico: nada de puntos de control en el suelo. Necesitaban una solución que pudiera producir resultados precisos sin puntos de control en el suelo (GCP) ni georreferenciación: simplemente entrar, escanear y entregar.
12 horas y una oportunidad
Nuestro especialista de campo condujo durante 12 horas para llegar al lugar. La noche antes del escaneo, el cliente envió unas fotos del interior del túnel.
«Pensé: “Esto no parece un entorno SLAM”», recuerda Jeremy Sofonia. «Tuve que empezar a pensar en cómo iba a gestionar las expectativas».
Lo que aún no sabía era que las expectativas del cliente ya eran bajas. Para cuando Jeremy llegó al lugar, el cliente ya había visto suficientes intentos fallidos como para dar por hecho que este seguiría el mismo patrón.
No había garantía de que no fuera un viaje en vano, solo confianza en la tecnología y un enfoque metódico ante un entorno difícil.
Cuando no estás seguro de un SLAM , empiezas con el dispositivo en la mano. Caminas despacio. Dejas que el sensor haga lo que mejor sabe hacer. Eso es exactamente lo que hicimos. Recorrimos los 1,48 km completos, dimos la vuelta y volvimos andando: un único escaneo continuo, utilizando casi las dos horas completas de autonomía de la batería.
Donde otros ven paredes sin rasgos distintivos, nosotros vemos datos
La clave estaba en reconocer lo que había y dar al algoritmo las mejores posibilidades posibles para que pudiera trabajar con ello. 
La resolución lo es todo en un entorno complicado. Cuanto más densa es la nube de puntos, mayores son las posibilidades de detectar y seguir los pequeños detalles presentes: zócalos de hormigón, estructuras de tuberías, la tenue textura de las formaciones de sal en las paredes. Caminar despacio maximiza la densidad de puntos. Llevar Hovermap , en lugar de en el soporte de la mochila, permitía que el sensor viera tanto hacia delante como hacia atrás al mismo tiempo, vinculando los detalles ya pasados con los que aún quedaban por delante.
«Fueran cuales fueran los elementos del entorno, quería obtener la mayor resolución posible sobre ellos», explica Jeremy. «Así que caminé despacio, lo mantuve a mi lado para que pudiera ver tanto hacia delante como hacia atrás, e intenté vincular los elementos entre sí».
El cliente caminaba a su lado, observando cómo se generaba la nube de puntos en tiempo real en Emesent Commander.
Método y resultados
El procesamiento inicial mostró cierto deslizamiento, algo previsible en un túnel de esta longitud con tan pocos elementos de referencia y sin puntos de control geométricos (GCP) que sirvieran de guía. Tras unos cuantos ajustes en la configuración del procesamiento, la nube de puntos quedó perfectamente definida.
El cliente tardó un par de días en completar su evaluación técnica. Cuando volvió, los datos cumplían los requisitos de precisión que ningún intento anterior había logrado alcanzar.
«Apenas podía creer que por fin hubiera encontrado un equipo capaz de realizar esa tarea», afirma Jeremy.
Conclusión
No todos los escaneos salen bien a la primera. Lo importante es contar con la tecnología necesaria para capturar los datos en primer lugar y con la flexibilidad de procesamiento necesaria para perfeccionar los resultados.
Como dice Jeremy: «Podemos decirle a la gente que Emesent SLAM el mejor, pero eso no tiene mucho peso por sí solo. Son proyectos como este los que nos permiten explicar exactamente por qué. Sabemos en qué aspectos han tenido dificultades nuestros competidores y en qué aspectos hemos tenido éxito allí donde ellos han fracasado».