Partager

Stipple : De la visualisation des nuages de données à l’interaction en 3D

13 septembre | Stipple : De la visualisation des nuages de données à l’interaction en 3D
© Light & Shadows
Avec l’émergence et la démocratisation des scanners 3D, outils d’acquisition et de numérisation tridimensionnels, de nouveaux défis scientifiques et techniques ont émergé : comment gérer la sauvegarde, la visualisation et le traitement de ces données massives, souvent plusieurs milliards de points (!), voire les coupler à la CAO ?

Dans le cadre du partenariat avec la startup LS GROUP (ex Light & Shadows), nos chercheurs ont développé toute l’algorithmie de leur dernier outil, le plugin Stipple (https://www.ls-group.fr/stipple et https://www.stipple-software.com/fr).

Une structuration et un parcours extrêmement performants des données (i.e. l’ensemble du nuage 3D) stockées sur disque dur, reposant sur des arbres hiérarchiques et des niveaux de détails (notion de « Nested Octree »), permettent désormais :

  • un rendu visuel du nuage massif en RV ou RE (possible même sur un serveur distant, dans le contexte d’une collaboration à distance autour de résultats) ;
  • la comparaison, entre CAO et nuages de points : recalage automatique global et local, calculs de distances nuage/nuage et nuage/maillage (…) ;
  • une interaction avec le nuage de points (calcul d’interférences) ;
  • ou encore la génération automatique de nuages synthétiques, par la simulation d’acquisition de nuage de points par Lidar et caméra de profondeur en prenant en compte leurs caractéristiques matérielles et le bruit associé.

Ces fonctionnalités propulsent Stipple au meilleur niveau de l’état de l’art et ouvrent la porte à une vaste gamme d’usages industriels : visite virtuelle de chantier en collaboration et à distance, avancement de chantier objectivé par des mesures 3D sur sites, ou encore suivi des non-conformités de construction, pour en accélérer leurs résolutions.

Jordane Richter, Chief Sales and Marketing Officer de Light & Shadows, le constate : « Après un trimestre sur le marché, Stipple, notre solution dédiée aux nuages de points développée en collaboration avec le CEA-List s’envole déjà pour l’autre bout du monde. En effet, nous avons conclu une de nos premières ventes au Vietnam et cela montre que les solutions de traitement de nuages de points sont une demande internationale à laquelle nous répondons avec un outil unique et performant. Et nous continuerons d’y répondre avec de futures améliorations ! »

« Les interfaces intuitives de Stipple permettent au plus grand nombre de s’approprier facilement les outils logiciels que nous avons développés », ajoute Gilles Rougeron, ingénieur-chercheur au CEA List. « La qualité du rendu dont l’aspect visuel est quasi surfacique (équivalent à un modèle texturé) aide beaucoup à se repérer dans un nuage, par nature discret. De plus la capacité à appliquer des algorithmes est très rapide et l’intégration de l’outil dans Unity favorise sa diffusion auprès d’un très large public. »

Derniers développements algorithmiques en date : la capacité à gérer plusieurs nuages de points massifs simultanément, tout en prenant en plus en compte des grandes coordonnées dans Unity3D (données géo-référencées par exemple). Ce qui ouvre le champ au chargement et au streaming, à la volée, de données issues d’un grand nombre de fichiers pour une visualisation interactive.

Retrouvez un exemple de navigation dans 400 fichiers représentant 1500km² entre Aix-les-bains et Annecy, issus de la base de donnée IGN  https://geoservices.ign.fr/lidarhd dans la vidéo ci-dessous.

L’ensemble représente ici 500 milliards de points 3D, 500Go de données compressées, 1.5To, décompressées ; jusqu’à 15 millions de points sont affichés simultanément pour une navigation fluide de 30 à 60 fps.

Exemple de navigation dans 400 fichiers représentant 1500km² entre Aix-les-bains et Annecy, issus de la base de donnée IGN

Prochains enjeux pour les équipes du CEA-List : travailler à l’idéalisation des nuages de points et à leur segmentation par des approches de machine learning.

 

© Light & Shadows