Acteurs : Inria/TITANE, Cerema/ENDSUM, Cerema/DTerSO, Cerema/GIPI, Inria/STATIFY, Cerema/GITEX, Cerema/DTerMed, Cerema/DTerCE, Cerema/GéoCoD.
La modélisation 3D concerne des structures d’intérêt très diverses comme des ouvrages d’art (ponts, tunnels, murs, digues), des chaussées, des sols, des falaises… D’où leur caractère protéiforme. Un premier problème est le recensement exhaustif et automatique des ouvrages à l’échelle d’un territoire. L’objectif étant de comprendre l’évolution des structures et de l’environnement comme les mouvements de terrain, une analyse spatio-temporelle est requise, avec le défi scientifique de mouvements très lents, de l’ordre du bruit de mesure. Les analyses métrologiques requièrent des calculs de distance, ces dernières nécessitant le recalage des acquisitions sur un même site, ainsi que la mise en correspondance des acquisitions effectuées à des instants différents. Enfin, l’analyse non destructive des structures, chaussées et matériaux requiert de modéliser et de raisonner avec des volumes 3D.
Tâche 2.1 : Détection d’ouvrages à partir de données cartographiques
Acteurs : Inria/TITANE, Cerema/ENDSUM, Cerema/DTerSO, Cerema/GIPI.
L’objectif est de détecter automatiquement la position probable d’ouvrages d’art à partir d’images satellites ou aériennes, à l’échelle d’un territoire, pour planifier les visites sur le terrain. L’hypothèse générale qu’un ouvrage permet de franchir un obstacle sur une voie de communication routière, ferroviaire ou fluviale, suggère d’explorer la détection d’intersections de voies. Toutefois, plusieurs écueils rendent le problème difficile: les intersections ne sont pas toujours visibles et les différences de niveau avec les voies sont parfois très faibles. La présence d’un ouvrage dépendant d’un contexte non nécessairement local, nous explorerons des méthodes d’apprentissage supervisé.
Tâche 2.2 : Recalage et segmentation sémantique de données 3D
Acteurs : Inria/TITANE, Inria/STATIFY, Cerema/ENDSUM, Cerema/GITEX, Cerema/DTerMed, Cerema/DTerCE, Cerema/GéoCoD.
La captation de données 3D réalisée dans l’axe 1 va générer des données massives comme des nuages de points 3D non structurés, des lignes de points 3D ou encore des images. Plusieurs acquisitions sont nécessaires pour couvrir la totalité d’un ouvrage ou d’un environnement, et le suivi spatio-temporel requiert d’effectuer des acquisitions à différents intervalles de temps. Pour un site donné, le recalage et la mise en correspondance de ces données est une étape indispensable avant l’analyse métrologique et notamment le calcul de distances. Le recalage de nuages de points 3D consiste à estimer une transformation rigide qui aligne tous les nuages dans un même repère pour ne former qu’un seul nuage qui pourra être analysé. Le défi scientifique consiste à réaliser l’estimation en présence de résolutions variables, d’incertitudes de mesures (bruit variable, occultations par météo, données aberrantes), et de variations importantes dans les environnements instables. La mise en correspondance de nuages de points ou de surfaces acquises à des instants différents consiste à calculer une fonction univoque (idéalement bijective) entre chaque point d’un nuage – ou d’une surface reconstruite à partir du nuage – et son analogue sur les autres nuages. La difficulté est d’être robuste (stable) en présence de données manquantes ou aberrantes, tout en permettant le calcul de distances et fiabilités associées. On explorera des fonctions de correspondance diffuses plutôt que point à point, et des distances robustes basées sur des plans de transport optimal relaxant les contraintes de préservation de masse. On concevra également une méthode de segmentation sémantique dense pour faciliter le recalage et la mise en correspondance, y compris pour le recalage géographique de données de mesure, c’est-à-dire leur positionnement dans le repère global d’une carte géographique vectorielle ou tramée. La segmentation sémantique et l’utilisation d’autres types de mesures (comme la couleur ou la réflectivité) permettent d’envisager des méthodes d’exploration exhaustive de l’espace de transformation (méthodes dites de recalage global) plutôt que des recherches locales de correspondance. Cette exploration permettra d’obtenir un alignement entre des nuages de points qui ne sont pas pré-alignés.
Tâche 2.3 : Cartographie interne 3D des sols et chaussées
Acteurs: Inria/TITANE, Inria/STATIFY, Cerema/ENDSUM, Cerema/DGIPI.
La plupart des méthodes actuelles procèdent par analyse d’images, de données ligne ou de surface. Les problèmes de cartographie des sols et d’analyse non destructive des structures, chaussées (y compris épaisseurs, fissures internes, décollements et réseaux enterrés) et des matériaux requièrent d’acquérir et d’analyser des données 3D volumiques, par tomographie ou imagerie radar ou de résistivité électrique. L’analyse volumique de ces données requiert de traiter et modéliser des volumes et de raisonner en 3D pour l’analyse. L’analyse inclut la segmentation dense et la détection de défauts comme les fissures internes et les déformations spatio-temporelles. La modélisation inclut la génération de maillages multi-domaines pour faciliter la modélisation et simulation de l’aléa rocheux pour la prédiction à partir de données cartographiques et météorologiques.
Tâche 2.4 : Cartographie interne 3D des ouvrages d’art
Acteurs : Inria/TITANE, Inria/STATIFY, Cerema/ENDSUM, Cerema/DGIPI, Cerema/GITEX.
Comme pour les chaussées, les problèmes de cartographie des ouvrages d’art requièrent d’acquérir et d’analyser des données 3D volumiques, par tomographie ou imagerie radar, ultrasonore ou de résistivité électrique (par exemple pour améliorer la connaissance de la géométrie interne des ouvrages, pour aborder des problématiques de durabilité des matériaux, pour l’auscultation de zones non accessibles et la détection de défauts cachés, etc.). L’analyse inclut la segmentation dense et la détection de défauts comme les fissures internes et les déformations spatio-temporelles. La modélisation inclut la génération de maillages multi-domaines pour faciliter la modélisation et simulation de grandeurs quantitatives (gradients de teneur en eau, en chlorures, porosité, caractérisation de l’état de contraintes internes, risque de rupture brutale etc.).
