Nube de puntos
Formato de datos compuesto por numerosos puntos de coordenadas 3D (x, y, z) en el espacio. Adquirido mediante LiDAR o cámaras estéreo, sirve como datos fundamentales para modelado 3D, conducción autónoma y topografía.
Una nube de puntos es una colección de puntos de datos en el espacio tridimensional, que representa la superficie externa de objetos o un entorno. Cada punto lleva como mínimo sus coordenadas 3D (x, y, z) y puede incluir atributos adicionales como color (RGB), vectores normales de superficie e intensidad de reflectancia. A diferencia de las mallas o vóxeles, las nubes de puntos son datos no estructurados sin conectividad explícita entre puntos.
Las nubes de puntos se adquieren mediante diversas tecnologías de sensado. LiDAR (Light Detection and Ranging) mide distancias usando el tiempo de vuelo de pulsos láser, capturando cientos de miles a millones de puntos por segundo. Las cámaras estéreo calculan coordenadas 3D a partir de mapas de disparidad. Structure from Motion (SfM) reconstruye nubes de puntos 3D a partir de múltiples imágenes 2D. Las cámaras de profundidad (ToF, luz estructurada) generan nubes de puntos en tiempo real.
- Formatos de archivo: PLY, PCD (Point Cloud Data) y LAS/LAZ (estándar de topografía aérea) son los más comunes. PLY ofrece definiciones flexibles de atributos en su cabecera, mientras que PCD es el formato nativo de la Point Cloud Library (PCL)
- Preprocesamiento: Los pipelines estándar incluyen submuestreo (Voxel Grid Filter para reducir el número de puntos), eliminación de valores atípicos (Statistical Outlier Removal) y estimación de normales (cálculo de la orientación de superficie a partir de puntos vecinos)
- Registro: El algoritmo ICP (Iterative Closest Point) es el método estándar para alinear múltiples escaneos en un marco de coordenadas unificado. Los métodos basados en características como FPFH proporcionan alineación inicial gruesa antes del refinamiento ICP
Las principales bibliotecas para procesamiento de nubes de puntos incluyen PCL (C++) y Open3D (Python/C++). En aprendizaje profundo, PointNet y PointNet++ consumen directamente nubes de puntos crudas para clasificación de objetos 3D y segmentación semántica. Los sistemas de conducción autónoma utilizan nubes de puntos LiDAR para detección de objetos 3D en tiempo real de peatones, vehículos y ciclistas usando arquitecturas como PointPillars y CenterPoint.