Há ambientes que ganham fama. Quando recebemos os desenhos e as fotografias de um túnel de esgotos na Suíça, percebemos imediatamente por que razão o cliente nos tinha contactado — várias soluções de ponta SLAM já tinham tentado trabalhar neste local e falharam.
Um túnel subterrâneo com 1,48 km, com cerca de 3 metros de diâmetro, revestido a betão, com um tubo de esgoto de aço que percorre toda a extensão do piso, assente em estacas de betão. Elementos escassos, geometria repetitiva, iluminação mínima. O tipo de ambiente que leva a tecnologia de mapeamento móvel ao seu limite.
Os túneis são notoriamente difíceis para SLAM. Este era particularmente complicado: sapatas de betão a cada cinco a dez metros, estruturas de infraestrutura de maiores dimensões a cada cinquenta, e, ocasionalmente, condutas ou tubagens a cada cem metros, aproximadamente. As formações de sal nas paredes — onde a água subterrânea tinha infiltrado-se através do betão e cristalizado — acrescentavam alguma variação, mas muito pouca. Tudo parecia igual, e é precisamente esse o problema.
SLAM Localização e Mapeamento Simultâneos — funciona através da leitura contínua da geometria à sua volta para determinar a sua localização. Sem características suficientemente distintas para detetar e reidentificar, a localização começa a falhar e os erros acumulam-se. Imagine que está dentro de um tubo de aço onde tudo parece idêntico. Até uma pessoa perderia rapidamente a noção de onde se encontrava. O algoritmo enfrenta o mesmo desafio.
O cliente já tinha investido tempo e dinheiro em soluções alternativas, mas nenhuma tinha produzido resultados úteis. Deslizamentos e desvios, sempre.
Tinham também um requisito específico: sem pontos de controlo no solo. Precisavam de uma solução capaz de produzir resultados precisos sem GCPs nem georreferenciamento — bastava entrar, digitalizar e entregar.
O nosso especialista no terreno conduziu durante 12 horas para chegar ao local. Na noite anterior à digitalização, o cliente enviou fotografias do interior do túnel.
«Pensei: “Isto não parece ser um ambiente SLAM”», recorda Jeremy Sofonia. «Tive de começar a pensar em como iria gerir as expectativas.»
O que ele ainda não sabia era que as expectativas do cliente já eram baixas. Quando o Jeremy chegou ao local, o cliente já tinha assistido a tantas tentativas falhadas que partiu do princípio de que esta seguiria o mesmo padrão.
Não havia garantia de que não fosse uma viagem em vão — apenas confiança na tecnologia e uma abordagem metódica a um ambiente difícil.
Quando não se tem a certeza quanto a um SLAM , começa-se com o dispositivo na mão. Percorre-se o percurso lentamente. Deixa-se o sensor fazer o que faz melhor. Foi exatamente isso que fizemos. Percorremos os 1,48 km até ao fim, demos meia-volta e voltámos — uma única digitalização contínua, utilizando quase as duas horas completas de autonomia da bateria disponível.
O segredo estava em reconhecer o que estava lá e dar ao algoritmo a melhor oportunidade possível de trabalhar com isso.
A resolução é fundamental num ambiente desafiante. Quanto mais densa for a nuvem de pontos, maior é a probabilidade de detetar e acompanhar os pequenos detalhes presentes — sapatas de betão, estruturas de tubagem, a textura ténue das formações salinas nas paredes. Caminhar lentamente maximiza a densidade de pontos. Transportar Hovermap , em vez de o colocar no suporte da mochila, permitiu que o sensor visse simultaneamente para a frente e para trás, ligando os detalhes já passados aos que ainda estavam à frente.
«Quaisquer que fossem as características presentes no ambiente, eu queria a maior resolução possível sobre elas», explica Jeremy. «Por isso, caminhei devagar, mantive o aparelho ao meu lado para que pudesse ver para a frente e para trás, e tentei ligar as características entre si.»
O cliente caminhava ao seu lado, observando a nuvem de pontos a formar-se em tempo real no Emesent Commander.
O processamento inicial revelou algum desvio — o que não era de estranhar num túnel desta extensão, com tão poucos pontos de referência e sem GCPs que servissem de guia. Bastaram alguns ajustes nas definições de processamento para que a nuvem de pontos ficasse perfeita.
O cliente demorou alguns dias a concluir a sua avaliação técnica. Quando voltou, os dados tinham cumprido os requisitos de precisão que todas as tentativas anteriores não tinham conseguido atingir.
«Ele mal conseguia acreditar que tinha finalmente encontrado um equipamento capaz de realizar essa tarefa», diz Jeremy.
Como diz o Jeremy: «Podemos dizer às pessoas que Emesent SLAM o melhor — mas isso tem um peso limitado. É em projetos como este que podemos mostrar exatamente porquê. Sabemos onde os nossos concorrentes tiveram dificuldades e onde tivemos sucesso lá onde eles falharam.»