\u00bfC\u00f3mo sacar el m\u00e1ximo partido a los datos de Pointcloud? En el art\u00edculo, '\u00bfC\u00f3mo se fabrica un Pointcloud?<\/strong><\/a>En la sesi\u00f3n anterior, en la que hablamos de la necesidad de que los marcos de coordenadas LiDAR e INS est\u00e9n bien calibrados, y de su precisi\u00f3n. La pregunta obvia es c\u00f3mo conseguirlo. Hay muchas formas de conseguirlo: por ensayo y error, con un soporte impreso digitalmente o con una t\u00e9cnica de calibraci\u00f3n basada en datos. El m\u00e9todo de ensayo y error lleva mucho tiempo y hay que asegurarse de que la configuraci\u00f3n no cambia en lo m\u00e1s m\u00ednimo, de lo contrario habr\u00e1 que repetir los ensayos. Un soporte impreso es una forma c\u00f3moda de obtener \u00e1ngulos y desplazamientos precisos integrados en la configuraci\u00f3n. Sin embargo, lleva tiempo y es caro. Una tercera posibilidad es utilizar una t\u00e9cnica de calibraci\u00f3n basada en datos que analice los datos de la nube de puntos recopilados y calibre la configuraci\u00f3n comparando lo que se ve con lo que deber\u00eda verse.<\/p>\n Este \u00faltimo m\u00e9todo es el que ha desarrollado OXTS. El usuario s\u00f3lo tiene que maniobrar su veh\u00edculo con el LiDAR y la configuraci\u00f3n INS para que el LiDAR obtenga una buena vista de algunos objetivos desde una serie de distancias y \u00e1ngulos representativos de su estudio. Los objetivos son muy sencillos y est\u00e1n formados por tablas cuadradas y planas recubiertas de material altamente reflectante. Las maniobras s\u00f3lo llevan unos minutos y pueden a\u00f1adirse a cualquier levantamiento. En la oficina, los datos pueden cargarse en OXTS Georeferencer, que buscar\u00e1 los \u00e1ngulos que mejor ajusten la nube de puntos a la realidad. Tambi\u00e9n hemos desarrollado un m\u00e9todo para calibrar los desplazamientos, y esta funci\u00f3n ya est\u00e1 disponible en modo beta en Georreferenciador.<\/strong><\/a><\/p>\n\n <\/div>\n\n <\/div>\n <\/div>\n \n \n <\/div>\n\n\n \n Un estudio de carreteras realizado con un xNAV550 y un LiDAR VLP16.<\/p>\n\n\n\n Georreferenciador OXTS<\/a><\/strong> tambi\u00e9n, como era de esperar, georreferenciar datos LiDAR y de navegaci\u00f3n para crear nubes de puntos. Lo que se requiere suelen ser cinco archivos: el archivo de datos de navegaci\u00f3n, el archivo LiDAR (PCAP) y tres archivos de configuraci\u00f3n que detallan los \u00e1ngulos y desplazamientos entre el LiDAR y el INS, y tambi\u00e9n del INS al veh\u00edculo. Con estos se pueden calibrar los archivos de configuraci\u00f3n como se explic\u00f3 anteriormente o crear un\u00a0Pointcloud<\/strong><\/a>.<\/p>\n Adem\u00e1s, el usuario dispone de muchas opciones adicionales para sacar el m\u00e1ximo partido de su nube de puntos. A menudo, el LiDAR puede estar viendo partes del veh\u00edculo. Si esto ocurre, una parte del veh\u00edculo estar\u00e1 presente en cada fotograma que se grabe y en la nube de puntos aparecer\u00e1 como si algo hubiera sido arrastrado. Esto puede eliminarse simplemente eligiendo una distancia m\u00ednima desde el LiDAR a la que deben estar los puntos. Esto permite a los usuarios ser m\u00e1s flexibles en su configuraci\u00f3n.<\/p>\n Los LiDAR suelen registrar un valor de intensidad de reflexi\u00f3n para cada punto. \u00c9sta es una de las grandes caracter\u00edsticas de los LiDAR que les confieren tantos usos inesperados. Los usuarios de\u00a0Georreferenciador OXTS<\/strong><\/a>\u00a0son capaces de crear nubes de puntos en cualquier umbral de reflectividad. Se trata de una gran ventaja, sobre todo porque la creaci\u00f3n de nubes de puntos con una reflectividad de 100 permite solucionar problemas de configuraci\u00f3n con solo unos cientos de kilobytes en lugar de los gigabytes de datos habituales.<\/p>\n Quiz\u00e1 la caracter\u00edstica m\u00e1s importante de Georeferencer, aparte de la calibraci\u00f3n, es que utilizar\u00e1 una f\u00f3rmula sofisticada para calcular las precisiones con las que se pueden conocer los puntos utilizando los diagn\u00f3sticos que arrojan nuestros datos de navegaci\u00f3n. Esto permite al usuario ver qu\u00e9 puntos son los m\u00e1s o menos precisos y tambi\u00e9n editarlos. Los usuarios pueden elegir la precisi\u00f3n centim\u00e9trica que deben tener todos los puntos de Pointcloud, suponiendo que la configuraci\u00f3n est\u00e9 calibrada, por lo que puede prometer a su cliente que puede ofrecer la precisi\u00f3n adecuada con total confianza.<\/p>\n\n <\/div>\n\n <\/div>\n <\/div>\n \n \n <\/div>\n\n\n \n Un estudio sobre las carreteras de un pueblo muestra que los puntos son menos precisos (en naranja) cuando se circula bajo copas de \u00e1rboles.<\/p>\n\n\n\n![\"Road](\"https:\/\/oxts.mwb.digital\/wp-content\/uploads\/2025\/03\/Pointcloud-road-survey-xNAV550-and-VLP16LiDAR-201110-600x0-c-default.png\"\n "\\"Nube")
\n <\/picture>\n\n\n \n <\/div>\n <\/div>\n <\/div>\n\n\nGeorreferenciaci\u00f3n<\/h3>\n\n \n\n\n \n\n\n\n
![\"Village](\"https:\/\/oxts.mwb.digital\/wp-content\/uploads\/2025\/03\/Pointcloud-Village-road-pointcloud-under-tree-canopy-201110-600x0-c-default.png\"\n "\\"Nube")
\n <\/picture>\n\n\n \n <\/div>\n <\/div>\n <\/div>\n\n\n