Alcuni ambienti si guadagnano una certa reputazione. Quando abbiamo ricevuto i disegni e le foto di un tunnel fognario in Svizzera, abbiamo capito subito perché il cliente si fosse rivolto a noi: diverse soluzioni all’avanguardia SLAM avevano già tentato di affrontare quel sito, fallendo.
Un tunnel sotterraneo lungo 1,48 km, del diametro di circa 3 metri, rivestito in calcestruzzo, con un condotto fognario in acciaio che corre lungo tutta la lunghezza del fondo su pali di calcestruzzo. Elementi architettonici scarsi, geometria ripetitiva, illuminazione minima. Il tipo di ambiente che spinge la tecnologia di mappatura mobile al limite delle sue possibilità.
Le gallerie sono notoriamente difficili da SLAM. Questa lo era particolarmente: basamenti in cemento ogni cinque-dieci metri, strutture infrastrutturali più grandi ogni cinquanta, condotte o tubazioni occasionali ogni cento metri circa. Le formazioni saline sulle pareti — dove l’acqua sotterranea aveva filtrato attraverso il cemento e si era cristallizzata — aggiungevano una certa varietà, ma in misura minima. Tutto sembrava uguale, ed è proprio questo il problema.
SLAM Localizzazione e Mappatura Simultanee — funziona leggendo continuamente la geometria circostante per stabilire la propria posizione. Senza elementi distintivi sufficienti da rilevare e riconoscere, la localizzazione inizia a fallire e gli errori si accumulano. Immaginate di trovarvi all’interno di un tubo d’acciaio dove tutto sembra identico. Anche una persona perderebbe rapidamente il senso dell’orientamento. L’algoritmo deve affrontare la stessa sfida.
Il cliente aveva già investito tempo e denaro in soluzioni alternative, ma nessuna aveva fornito risultati utilizzabili. Ogni volta si verificavano scostamenti e derive.
Avevano inoltre un requisito specifico: nessun punto di controllo a terra (GCP). Avevano bisogno di una soluzione in grado di produrre risultati accurati senza GCP né georeferenziazione: bastava entrare, eseguire la scansione e ottenere i risultati.
Il nostro specialista sul campo ha guidato per 12 ore per raggiungere il sito. La sera prima della scansione, il cliente ci ha inviato alcune foto dell’interno del tunnel.
«Ho pensato: “Questo non sembra un ambiente SLAM”», ricorda Jeremy Sofonia. «Ho dovuto iniziare a riflettere su come gestire le aspettative».
Quello che ancora non sapeva era che le aspettative del cliente erano già basse. Quando Jeremy è arrivato sul posto, il cliente aveva assistito a così tanti tentativi falliti da dare per scontato che anche questo avrebbe seguito lo stesso schema.
Non c’era alcuna garanzia che non sarebbe stato un viaggio inutile — solo fiducia nella tecnologia e un approccio metodico a un ambiente difficile.
Quando non si è sicuri di un SLAM , si inizia con il dispositivo portatile. Si cammina lentamente. Si lascia che il sensore faccia ciò che sa fare meglio. È esattamente quello che abbiamo fatto. Abbiamo percorso tutti gli 1,48 km in discesa, ci siamo voltati e siamo tornati indietro — una singola scansione continua, utilizzando quasi tutte le due ore di autonomia della batteria disponibili.
La chiave è stata riconoscere ciò che c'era e dare all'algoritmo le migliori possibilità possibili di sfruttarlo.
La risoluzione è fondamentale in un ambiente impegnativo. Più densa è la nuvola di punti, maggiori sono le possibilità di rilevare e tracciare i piccoli dettagli presenti: basamenti in cemento, strutture tubolari, la texture appena accennata delle formazioni saline sulle pareti. Camminare lentamente massimizza la densità dei punti. Trasportare Hovermap , anziché nel supporto dello zaino, ha permesso al sensore di vedere contemporaneamente sia davanti che dietro, collegando i dettagli già superati a quelli ancora da superare.
«Qualunque fossero gli elementi presenti nell’ambiente, volevo ottenere la massima risoluzione possibile su di essi», spiega Jeremy. «Così ho camminato lentamente, tenendo il dispositivo al mio fianco in modo che potesse vedere sia davanti che dietro, e ho cercato di collegare tra loro gli elementi».
Il cliente camminava al suo fianco, osservando la nuvola di punti che si formava in tempo reale su Emesent Commander.
L'elaborazione iniziale ha evidenziato alcuni scostamenti — cosa non inaspettata in un tunnel di questa lunghezza, con così pochi punti di riferimento e senza GCP che fungessero da "guardia". Bastarono alcune modifiche alle impostazioni di elaborazione perché la nuvola di punti si componesse in modo nitido.
Il cliente ha impiegato un paio di giorni per completare la sua valutazione tecnica. Quando è tornato, i dati soddisfacevano i requisiti di precisione che nessun tentativo precedente era riuscito a raggiungere.
«Non riusciva quasi a credere di aver finalmente trovato un'apparecchiatura in grado di svolgere quel compito», racconta Jeremy.
Come dice Jeremy: «Possiamo dire alla gente che Emesent SLAM il migliore, ma questo non basta. È proprio attraverso progetti come questo che possiamo spiegare esattamente il perché. Sappiamo dove i nostri concorrenti hanno incontrato difficoltà e dove noi abbiamo avuto successo proprio dove loro hanno fallito».