Optimización con aprendizaje de máquina de método para obtención de nubes de puntos y su representación en realidad virtual

Abstract

Resumen: En este manuscrito se presenta un procedimiento nuevo para la optimización de nubes de puntos basado en la reducción de la distancia de Hausdorff (métrica de error) entre la nube y el objeto 3D que representa, con la finalidad de conseguir una representación más fidedigna del contorno del objeto. Además, también se propone un entorno de realidad virtual en el cual se manipulan las nubes optimizadas. Para lograr la optimización de las nubes de puntos, se utilizan dos nubes de diferente densidad de puntos de un mismo objeto 3D, una con alta densidad (nube de puntos original) y la otra con baja densidad (nube simplificada de puntos); esto se hace para considerar las posiciones que hay en la nube original al momento de reordenar todos los puntos de la nube simplificada. La metodología para la optimización consiste en, primeramente, escalar ambas nubes de puntos para que ambas estén en el mismo rango sin perder su forma original, luego se posicionan ambas nubes en el mismo espacio para formar vecindarios de puntos en la nube original a los que se puedan ligar uno o varios puntos de la nube simplificada. Posteriormente, se reordena cada punto de la nube simplificada considerando el vecindario que le corresponde de la nube original. Para el diseño del entorno de realidad virtual, se utilizó un motor de desarrollo de videojuegos (Unreal Engine 5) en el cual se implementaron las nubes de puntos resultantes para poder ser trasladadas, rotadas, escaladas e incluso utilizadas como un objeto sólido con físicas de movimiento; todo esto con el objetivo de explorar las opciones que el motor ofrece para manipular este tipo de objetos. Como resultado, el proceso de optimización demostró ser efectivo en la reducción del error al dar como resultado nubes de puntos optimizadas que presentan tanto una mejora visual como una reducción en la distancia de Hausdorff con respecto a las nubes simplificadas. Además, el acercamiento a Unreal Engine 5 permitió tanto entender la manera en la que funciona el motor, como ver las posibles áreas de mejoras en él al momento de trabajar con nubes de puntos; lo cual, podría derivar en propuestas de herramientas futuras para dicho motor.

Abstract: This work presents a new method for optimizing point clouds based on reducing the Hausdorff distance (error metric) between the point cloud and the 3D object it represents, with the aim of achieving a more accurate representation of the object’s shape. In addition, a virtual reality environment in which the optimized point clouds can be manipulated is also proposed. To optimize point clouds, two point clouds of different densities representing the same 3D object are used: one with high density (the original cloud) and the other with low density (the simplified cloud). This is done by considering the positions in the original cloud while reordering all the points in the simplified cloud. The optimization methodology consists of, first, scaling both point clouds so that they are within the same range without losing their original shape; then, both point clouds are positioned in the same space to make neighborhoods of points in the original cloud that can be linked to one or more points in the simplified cloud. Next, each point in the simplified cloud is reordered based on its corresponding neighborhood in the original cloud. To design the virtual reality environment, a video game development engine (Unreal Engine 5) was used, in which the resulting point clouds were implemented so they could be moved, rotated, scaled, and even used as solid objects with physics-based movement; all of this was done with the goal of exploring the options the engine offers for manipulating this type of object. As a result, the optimization process proved effective in reducing error, yielding optimized point clouds that show both visual improvement and a reduction in Hausdorff distance compared to the simplified clouds. Furthermore, the exploration of Unreal Engine 5 allowed us to understand how the engine works and to identify potential areas for improvement when working with point clouds; which could lead to proposals for future tools for that development engine.