{"id":3242,"date":"2021-06-16T09:36:00","date_gmt":"2021-06-16T09:36:00","guid":{"rendered":"https:\/\/oxts.com\/?p=3242"},"modified":"2025-04-29T09:30:39","modified_gmt":"2025-04-29T09:30:39","slug":"how-to-get-the-best-precision-and-improve-pointcloud-accuracy","status":"publish","type":"post","link":"https:\/\/www.oxts.com\/es\/how-to-get-the-best-precision-and-improve-pointcloud-accuracy\/","title":{"rendered":"C\u00f3mo obtener la m\u00e1xima precisi\u00f3n y mejorar la exactitud de las nubes de puntos"},"content":{"rendered":"
\n
\n
\n \n \n \n \n\n\n \n\n\n \n\n\n \n\n
Pocas veces nos detenemos a valorar lo compleja que es la tecnolog\u00eda topogr\u00e1fica moderna.<\/h5>\n\n\n
\n

Los top\u00f3grafos utilizan la f\u00edsica m\u00e1s avanzada, con d\u00e9cadas de experiencia, en cada componente. El GPS utiliza c\u00e1lculos de tiempo a partir de relojes at\u00f3micos y se\u00f1ales enviadas desde \u00f3rbita. Esta tecnolog\u00eda es ahora omnipresente en la vida cotidiana. O c\u00f3mo\u00a0LiDAR<\/a>\u00a0debe realizar miles de c\u00e1lculos por segundo sobre el tiempo que ha tardado un haz de luz en volver a \u00e9l. Por consiguiente, en sistemas tan complejos hay muchas fuentes de error. Por suerte, podemos hablar de ellas en t\u00e9rminos generales para comprender mejor la precisi\u00f3n de nuestra topograf\u00eda. En este art\u00edculo se analizan algunos puntos importantes para obtener la precisi\u00f3n de los levantamientos topogr\u00e1ficos y las nubes de puntos desde la perspectiva de un top\u00f3grafo.<\/p>\n\n <\/div>\n\n <\/div>\n <\/div>\n \n \n <\/div>\n\n\n \n

\n
\n
\n \n \n\n \n\n\n \n \n \n \n \"OXTS\n <\/picture>\n\n\n \n <\/div>\n <\/div>\n <\/div>\n\n\n
\n
\n
\n \n \n \n \n\n\n \n\n\n \n\n\n \n\n
Precisi\u00f3n de la IMU<\/h5>\n\n\n
\n

Una IMU (unidad de medici\u00f3n inercial) mide el movimiento intr\u00ednseco al que est\u00e1 sometida. Normalmente, la IMU utiliza instrumentos girosc\u00f3picos y aceler\u00f3metros para determinar su aceleraci\u00f3n y los cambios en su orientaci\u00f3n. Para los top\u00f3grafos, por tanto, una IMU es extremadamente importante. Esto se debe a que la topograf\u00eda suele consistir en la observaci\u00f3n de objetos a cierta distancia de uno mismo para mayor comodidad, pero cuanto m\u00e1s lejos est\u00e9 un objeto, menos precisa ser\u00e1 su posici\u00f3n. Considere el diagrama siguiente; para todas las mediciones existe un error intr\u00ednseco, incluido en los cambios de \u00e1ngulo medidos por la IMU.<\/p>\n

Tomando una aproximaci\u00f3n de \u00e1ngulo peque\u00f1o, el error en la posici\u00f3n de un objeto es simplemente el\u00a0error angular<\/em>\u00a0x\u00a0distancia al objeto<\/em>. Esto significa que un error angular min\u00fasculo puede provocar f\u00e1cilmente una discrepancia muy grande en la posici\u00f3n de un objeto topografiado al encontrarse a gran distancia. Una IMU t\u00edpica para topograf\u00eda como la\u00a0OXTS NAV650<\/strong><\/a>\u00a0La IMU puede tener una precisi\u00f3n de medio grado.<\/p>\n\n <\/div>\n\n <\/div>\n <\/div>\n \n \n <\/div>\n\n\n \n

\n
\n
\n \n \n\n \n\n\n \n \n \n \n \"\"\n\n <\/picture>\n\n\n \n <\/div>\n <\/div>\n <\/div>\n\n\n
\n
\n
\n \n \n \n \n\n\n \n\n\n \n\n\n \n\n\n\n
\n

La IMU tambi\u00e9n es muy importante para la navegaci\u00f3n. Intr\u00ednsecamente, la IMU mide el movimiento. Esto significa que los top\u00f3grafos pueden utilizarla como un dispositivo de navegaci\u00f3n rudimentario para saber c\u00f3mo se mueve la IMU. Por lo tanto, es posible utilizar una IMU de alta calidad para obtener la informaci\u00f3n de orientaci\u00f3n esencial, pero tambi\u00e9n la informaci\u00f3n de d\u00f3nde se encuentra la IMU. Sin embargo, todos los instrumentos muestran un recorrido aleatorio o una deriva en sus mediciones que afectar\u00e1 negativamente a la precisi\u00f3n de la nube de puntos. Por lo tanto, una IMU por s\u00ed sola se alejar\u00e1 r\u00e1pidamente de su posici\u00f3n real, ya que mide el movimiento y no localiza la posici\u00f3n.<\/p>\n\n <\/div>\n\n <\/div>\n <\/div>\n \n \n <\/div>\n\n\n

\n
\n
\n \n \n \n \n\n\n \n\n\n \n\n\n \n\n
Localizaci\u00f3n GNSS<\/h5>\n\n\n
\n

A\u00a0GNSS<\/strong><\/a>\u00a0(sistema mundial de navegaci\u00f3n por sat\u00e9lite) localiza su posici\u00f3n en la Tierra gracias a las constelaciones de sat\u00e9lites en \u00f3rbita. Gracias a la gran precisi\u00f3n de las se\u00f1ales de estos sat\u00e9lites, un receptor GNSS puede determinar su posici\u00f3n con una precisi\u00f3n de menos de un metro sobre la superficie terrestre. Utilizando un segundo receptor, a menudo denominado estaci\u00f3n base, se pueden calcular las correcciones de la distorsi\u00f3n de las se\u00f1ales de los sat\u00e9lites en la atm\u00f3sfera, lo que puede aumentar la precisi\u00f3n del dispositivo hasta un cent\u00edmetro.<\/p>\n

Existen otros sistemas que pueden utilizarse para localizar la posici\u00f3n, pero la mayor\u00eda de ellos se limitan a entornos de grandes infraestructuras para actuar como sustitutos cuando no pueden recibirse se\u00f1ales GNSS; por ahora, no hay ning\u00fan competidor real del GNSS en entornos exteriores. El GNSS proporciona un posicionamiento absoluto muy exacto y preciso sobre la Tierra, mientras que muchos sustitutos s\u00f3lo pueden ofrecer un posicionamiento relativo sin la ayuda del propio GNSS.<\/p>\n\n <\/div>\n\n <\/div>\n <\/div>\n \n \n <\/div>\n\n\n

\n
\n
\n \n \n \n \n\n\n \n\n\n \n\n\n \n\n
Constelaciones GNSS<\/h5>\n\n\n
\n

Existen\u00a0cuatro constelaciones principales<\/strong><\/a> de sat\u00e9lites GNSS en uso hoy en d\u00eda. Durante mucho tiempo, las constelaciones rusa y estadounidense, GLONASS y GPS, han sido omnipresentes, pero las constelaciones europea y china, Galileo y Beidou, est\u00e1n cada vez m\u00e1s extendidas (tambi\u00e9n hay otras, por ejemplo QZSS). En general, las precisiones de estas constelaciones individuales son similares, pero un sistema GNSS puede aprovechar al m\u00e1ximo todos los datos disponibles utilizando varias de estas constelaciones, o las cuatro, combinadas. En la imagen que se muestra a continuaci\u00f3n, puede verse la trayectoria de un sistema INS. Se muestra la trayectoria de un trazado de posici\u00f3n s\u00f3lo GPS (azul) y de un trazado GPS y GLONASS (rojo). Como el veh\u00edculo ha pasado por algunos \u00e1rboles y edificios obstructivos, las se\u00f1ales de sat\u00e9lite se han perdido y se ha producido un desv\u00edo de la posici\u00f3n. En el postprocesado se observa un salto repentino en la posici\u00f3n de la l\u00ednea azul, y parece que se desplaza por el carril equivocado. Sin embargo, en la l\u00ednea roja no vemos tal salto, sino una trayectoria suave en el lugar correcto. Esto se debe a que los sistemas GNSS necesitan un n\u00famero m\u00ednimo de sat\u00e9lites para ofrecer resultados \u00f3ptimos. Cuantos m\u00e1s sat\u00e9lites, o m\u00e1s constelaciones, m\u00e1s fiable ser\u00e1 la salida de posici\u00f3n, especialmente en entornos GNSS deficientes, como una ciudad o un pueblo. Hoy en d\u00eda, los sistemas como el OXTS xNAV650 ofrecen de serie las cuatro constelaciones para obtener la soluci\u00f3n m\u00e1s fiable.<\/p>\n\n <\/div>\n\n <\/div>\n <\/div>\n \n \n <\/div>\n\n\n \n

\n
\n
\n \n \n\n \n\n\n \n \n \n \n \"Google\n <\/picture>\n\n\n \n <\/div>\n <\/div>\n <\/div>\n\n\n
\n
\n
\n \n \n \n \n\n\n \n\n

Sistemas de navegaci\u00f3n inercial<\/h3>\n\n \n\n\n \n\n\n\n
\n

Un sistema GNSS y un IMU combinan sus puntos fuertes y d\u00e9biles para formar un sistema de navegaci\u00f3n completo. El GNSS proporciona una posici\u00f3n precisa del sistema en la Tierra y la IMU determina su orientaci\u00f3n. Juntos, el sistema proporciona una posici\u00f3n en 3D, una alta precisi\u00f3n\u00a0cronometraje del reloj at\u00f3mico<\/strong><\/a>\u00a0del GNSS y la orientaci\u00f3n 3D. Suele denominarse INS (sistema de navegaci\u00f3n inercial).<\/p>\n

Los dos flujos de datos tambi\u00e9n pueden combinarse de forma inteligente para obtener una estimaci\u00f3n a\u00fan m\u00e1s precisa de la posici\u00f3n y la orientaci\u00f3n, cotejando continuamente un flujo de datos con el otro. Por ejemplo, cuando hay obstrucciones en las se\u00f1ales de los sat\u00e9lites, los datos del GNSS pueden mostrar grandes errores en su posici\u00f3n, pero al compararlos con los datos del aceler\u00f3metro, un INS puede determinar la trayectoria m\u00e1s plausible. En esos casos, o cuando no hay ninguna se\u00f1al de sat\u00e9lite visible, se pueden utilizar las aceleraciones medidas por la IMU para estimar la trayectoria del dispositivo. Esto no ser\u00e1 ni mucho menos tan preciso como cuando se utiliza el GNSS, pero es una soluci\u00f3n provisional decente para este tipo de situaciones.<\/p>\n\n <\/div>\n\n <\/div>\n <\/div>\n \n \n <\/div>\n\n\n \n

\n
\n
\n \n \n\n \n\n\n \n \n \n \n \"OXTS\n <\/picture>\n\n\n \n <\/div>\n <\/div>\n <\/div>\n\n\n

xNAV650 INS y Hesai XT LiDAR montados en un coche para cartograf\u00eda m\u00f3vil<\/p>\n\n\n\n

\n
\n
\n \n \n \n \n\n\n \n\n\n \n\n\n \n\n\n\n
\n

En\u00a0OXTS INS<\/strong><\/a>\u00a0por ejemplo, podr\u00eda mostrar alrededor de un metro de deriva en un minuto completo sin actualizaciones del GNSS. Cuando se recupera el GNSS, se utiliza la posici\u00f3n verdadera y los datos capturados pueden mejorarse en el postprocesado para obtener una trayectoria realista.<\/p>\n

Tambi\u00e9n se pueden incorporar otros instrumentos y utilizar sus flujos de datos para comprobar otros. Por ejemplo, un sensor de velocidad de las ruedas se utiliza habitualmente en aplicaciones de cartograf\u00eda m\u00f3vil. Este dispositivo simplemente mide el movimiento de las ruedas de un veh\u00edculo para obtener otra lectura de d\u00f3nde podr\u00eda estar el veh\u00edculo. En este caso, se mide una pseudovelocidad. Este flujo de datos, al igual que la IMU, est\u00e1 disponible incluso cuando las se\u00f1ales GNSS no lo est\u00e1n, por lo que puede ser un complemento muy \u00fatil en condiciones GNSS deficientes, como bosques o zonas urbanas, donde las se\u00f1ales pueden estar obstruidas o distorsionadas. En las im\u00e1genes comparativas que aparecen a continuaci\u00f3n, se han bloqueado artificialmente las se\u00f1ales GNSS en un tramo de un barrio.<\/p>\n

Los colores de la nube de puntos son estimaciones de la incertidumbre, siendo el azul el de mayor precisi\u00f3n, el verde oscuro, el verde claro, el amarillo y el naranja los de menor precisi\u00f3n, y el rojo el de menor precisi\u00f3n, con una gran desviaci\u00f3n. En la primera imagen, se puede ver que la mayor parte del estudio es de color rojo, lo que significa que es de baja precisi\u00f3n, llegando hasta medio metro en la incertidumbre de la posici\u00f3n del punto. Sin embargo, en la segunda imagen, en la que se utiliz\u00f3 el mismo proceso pero adem\u00e1s un sensor de velocidad de las ruedas, se observa que un mayor porcentaje de la medici\u00f3n alcanz\u00f3 el nivel m\u00e1s alto de precisi\u00f3n. Si se observa de cerca, se aprecian mejoras sustanciales, ya que la velocidad de las ruedas evita el desplazamiento de partes de la nube de puntos en casi medio metro, con una borrosidad considerablemente menor. Esto hace que un sensor de velocidad de las ruedas sea una gran adici\u00f3n a las configuraciones de cartograf\u00eda m\u00f3vil en este tipo de entornos.<\/p>\n\n <\/div>\n\n <\/div>\n <\/div>\n \n \n <\/div>\n\n\n \n

\n
\n
\n \n \n\n \n\n\n \n \n \n \n \"Village\n <\/picture>\n\n\n \n <\/div>\n <\/div>\n <\/div>\n\n\n

Levantamiento de una secci\u00f3n de un barrio sin GNSS, coloreada seg\u00fan la incertidumbre de la posici\u00f3n del punto.<\/p>\n\n\n\n \n

\n
\n
\n \n \n\n \n\n\n \n \n \n \n \"Village\n <\/picture>\n\n\n \n <\/div>\n <\/div>\n <\/div>\n\n\n

La misma encuesta, pero ahora con datos sobre la velocidad de las ruedas.<\/p>\n\n\n\n

\n
\n
\n \n \n \n \n\n\n \n\n

Calibraci\u00f3n de la mira<\/h3>\n\n \n\n\n \n\n\n\n
\n

Como ya hemos mencionado, los datos topogr\u00e1ficos son muy sensibles a los datos de orientaci\u00f3n debido a su propagaci\u00f3n a distancia. Pero existe otra fuente de error de orientaci\u00f3n, que se produce entre la IMU y el dispositivo topogr\u00e1fico. Para combinar, o georreferenciar, los datos de navegaci\u00f3n de un INS y los datos topogr\u00e1ficos, por ejemplo de un LiDAR, debe conocerse la relaci\u00f3n espacial entre ambos. Hay que medir los desplazamientos y rotaciones a lo largo de cada eje 3D. Y este error de orientaci\u00f3n contribuir\u00e1 al error de posici\u00f3n de los puntos. Este error se denomina desalineaci\u00f3n de punter\u00eda.<\/p>\n

Por desgracia, puede ser muy dif\u00edcil medir estos \u00e1ngulos con el grado de precisi\u00f3n necesario para obtener datos de calidad topogr\u00e1fica. Se pueden emplear varios m\u00e9todos, por ejemplo, utilizar un soporte impreso en CAD para unir firmemente el INS y el LiDAR con una orientaci\u00f3n y un desplazamiento conocidos, pero hay que recordar que las precisiones deben ser del orden de medio grado o mejores. Otro m\u00e9todo, desarrollado por OXTS, consiste en utilizar una t\u00e9cnica basada en datos para calibrar los \u00e1ngulos. Tiene varias ventajas, entre ellas que se realiza completamente por software y s\u00f3lo lleva diez minutos.<\/p>\n\n <\/div>\n\n <\/div>\n <\/div>\n \n \n <\/div>\n\n\n \n

\n
\n
\n \n \n\n \n\n\n \n \n \n \n \"Boresight\n <\/picture>\n\n\n \n <\/div>\n <\/div>\n <\/div>\n\n\n

Vista de configuraci\u00f3n del hardware en OXTS Georeferencer<\/p>\n\n\n\n

\n
\n
\n \n \n \n \n\n\n \n\n\n \n\n\n \n\n\n\n
\n

En el diagrama siguiente se puede ver la importancia de conseguir que los \u00e1ngulos de orientaci\u00f3n sean lo m\u00e1s precisos posible. Vistos a distancia desde diferentes perspectivas, los objetos aparecer\u00e1n en el lugar equivocado y empezar\u00e1n a desdibujarse, especialmente cuando los fotogramas se combinan en una nube de puntos. Desgraciadamente, los top\u00f3grafos no pueden simplemente fijar sus dispositivos a un veh\u00edculo y realizar el levantamiento sin medir cuidadosamente la relaci\u00f3n entre el INS y el LiDAR, es decir, sin una t\u00e9cnica de calibraci\u00f3n basada en datos que s\u00f3lo requiera que los dispositivos est\u00e9n r\u00edgidamente montados juntos. Realizando un breve levantamiento de algunos objetivos reflectantes, Georreferenciador OXTS<\/strong><\/a>\u00a0es capaz de calibrar la orientaci\u00f3n relativa a puntos de un grado.<\/p>\n\n <\/div>\n\n <\/div>\n <\/div>\n \n \n <\/div>\n\n\n \n

\n
\n
\n \n \n\n \n\n\n \n \n \n \n \"Boresight\n <\/picture>\n\n\n \n <\/div>\n <\/div>\n <\/div>\n\n\n

Diagrama del efecto de una desalineaci\u00f3n del eje de punter\u00eda<\/p>\n\n\n\n

\n
\n
\n \n \n \n \n\n\n \n\n

C\u00e1lculo de la precisi\u00f3n<\/h3>\n\n \n\n\n \n\n\n\n
\n

Utilizando los datos de la IMU y el GNSS, el INS puede calcular una amplia gama de informaci\u00f3n de diagn\u00f3stico y estimar las incertidumbres con las que emite los datos. Esta informaci\u00f3n puede ser muy \u00fatil para los top\u00f3grafos. OXTS utiliza una f\u00f3rmula que combina la especificaci\u00f3n de precisi\u00f3n de LiDAR com\u00fan y las precisiones comunicadas por el INS para calcular una estimaci\u00f3n de la incertidumbre en las posiciones de todos los puntos de una nube de puntos. Esta informaci\u00f3n se genera autom\u00e1ticamente al utilizar OXTS Georeferencer y rellena un campo escalar de valores para que los datos puedan visualizarse y analizarse en un software de visualizaci\u00f3n de nubes de puntos. Esto permite a los usuarios ver exactamente d\u00f3nde pueden necesitar volver a realizar el levantamiento. Al ver puntos naranjas o rojos, se puede identificar una zona en la que la metodolog\u00eda de levantamiento podr\u00eda mejorarse.<\/p>\n

Por ejemplo\u00a0Estudio de carreteras<\/strong><\/a>\u00a0que se muestra a continuaci\u00f3n. Cuando el veh\u00edculo se movi\u00f3 bajo la l\u00ednea de \u00e1rboles y las se\u00f1ales de sat\u00e9lite empezaron a perderse, la posici\u00f3n del INS empez\u00f3 a desviarse dando como resultado puntos verdes m\u00e1s claros, luego amarillos y naranjas a medida que recuperaba la vista GNSS. El top\u00f3grafo podr\u00eda decidir que se trata de una zona importante y que es necesario volver a topografiarla. El levantamiento podr\u00eda mejorarse simplemente conduciendo el veh\u00edculo en la direcci\u00f3n opuesta por la carretera para que el levantamiento tenga puntos de alta precisi\u00f3n en esa zona.<\/p>\n

Como alternativa, o adem\u00e1s, el top\u00f3grafo podr\u00eda decidir simplemente eliminar los puntos inexactos. Dado que estos valores se almacenan en un campo escalar, como la hora GPS o la intensidad, pueden eliminarse f\u00e1cilmente en cualquier software de visualizaci\u00f3n de nubes de puntos o en el propio OXTS Georeferencer. OXTS Georeferencer ofrece a los usuarios la posibilidad de elegir una incertidumbre de posici\u00f3n exacta bajo la que no procesar los puntos. Por ejemplo, si s\u00f3lo desea conocer los puntos con una precisi\u00f3n de cinco cent\u00edmetros o superior. Esto s\u00f3lo puede ser una estimaci\u00f3n y el tipo espec\u00edfico de LiDAR y\/o los errores en la configuraci\u00f3n del hardware ser\u00edan factores adicionales.<\/p>\n\n <\/div>\n\n <\/div>\n <\/div>\n \n \n <\/div>\n\n\n \n

\n
\n
\n \n \n\n \n\n\n \n \n \n \n \"Point\n <\/picture>\n\n\n \n <\/div>\n <\/div>\n <\/div>\n\n\n

Nube de puntos coloreada por la estimaci\u00f3n de incertidumbre de OXTS<\/p>\n\n\n\n

\n
\n
\n \n \n \n \n\n\n \n\n\n \n\n\n \n\n\n\n
\n
\n
\n
\n

En el ejemplo anterior, mostrado para el sensor de velocidad de las ruedas, vimos c\u00f3mo puede utilizarse esta funci\u00f3n para comparar la precisi\u00f3n de los sondeos. Tambi\u00e9n podr\u00eda utilizarse de forma proactiva para eliminar los puntos inexactos. Por ejemplo, podr\u00eda eliminar todos los puntos rojos menos precisos y dejar s\u00f3lo los verdes y azules. Esto significar\u00eda que un \u00e1rea sin GNSS casi no tendr\u00e1 datos de grado de levantamiento, pero con una velocidad de ruedas, gran parte del \u00e1rea puede mantener la alta precisi\u00f3n requerida y con varias pasadas se mantendr\u00e1 la mayor parte del levantamiento.<\/p>\n<\/div>\n<\/div>\n<\/div>\n\n <\/div>\n\n <\/div>\n <\/div>\n \n \n <\/div>\n\n\n

\n
\n
\n \n \n

Hemos identificado las contribuciones a los errores finales en las posiciones de los puntos a partir de una serie de fuentes y algunas formas de combatirlas. En particular, hemos visto que los datos topogr\u00e1ficos son muy sensibles a los errores angulares cuando se realizan mediciones a gran distancia, lo que hace que la especificaci\u00f3n y la fiabilidad de la IMU sean muy importantes, as\u00ed como las relaciones medidas entre los equipos topogr\u00e1ficos. Por mucho que se intente reducir estas contribuciones, siempre quedar\u00e1 alg\u00fan error residual. Por eso es una buena idea hacer uso de la informaci\u00f3n de que disponemos para estimar y analizar los errores a lo largo de un levantamiento y as\u00ed comprender d\u00f3nde puede ser necesario prestar m\u00e1s atenci\u00f3n. Adem\u00e1s, esto puede servir para mejorar autom\u00e1ticamente los datos finales incluyendo s\u00f3lo los puntos tomados en las condiciones m\u00e1s \u00f3ptimas.<\/p>\n<\/h3>\n

\n
\n

Jacob Amacker<\/h4>\n Ingeniero de producto, OxTS\n <\/div>\n
\n <\/div>\n <\/div>\n\n <\/div>\n <\/div>\n \n <\/div>\n\n\n \n
\n
\n
\n \n \n\n \n\n\n \n \n \n \n \"OXTS\n <\/picture>\n\n\n \n <\/div>\n <\/div>\n <\/div>\n\n\n
\n
\n
\n \n \n \n \n\n\n \n\n

Vea nuestro seminario web sobre la precisi\u00f3n de las nubes de puntos...<\/h3>\n\n \n\n\n \n\n

Anteriormente, en 2021, Jacob Amacker, ingeniero de producto de OXTS, habl\u00f3 de c\u00f3mo obtener la m\u00e1xima precisi\u00f3n de las nubes de puntos y mejorar la exactitud.<\/h5>\n\n\n
\n
\n
\n
\n

Durante el seminario web, Jacob trat\u00f3 varios temas clave:<\/p>\n

- Por qu\u00e9 la precisi\u00f3n de la IMU y el GNSS es importante para la precisi\u00f3n de las nubes de puntos.
\n- C\u00f3mo el uso de una calibraci\u00f3n de punter\u00eda puede tener beneficios significativos en los resultados de las nubes de puntos.
\n- Por qu\u00e9 el uso de diagn\u00f3sticos de exactitud para estimar la incertidumbre en la precisi\u00f3n de los puntos de la nube de puntos es clave para la toma de decisiones topogr\u00e1ficas.<\/p>\n

La asistencia fue gratuita, y puede ver la grabaci\u00f3n aqu\u00ed...<\/p>\n

Ver grabaci\u00f3n<\/a><\/p>\n<\/div>\n<\/div>\n<\/div>\n\n <\/div>\n\n <\/div>\n <\/div>\n \n \n <\/div>\n\n\n

\n
\n
\n \n \n \n \n\n\n \n\n\n \n\n\n \n\n\n\n
\n
\n
\n
\n

Contactar con OXTS<\/strong><\/a>\u00a0para saber m\u00e1s sobre c\u00f3mo nuestros sistemas de navegaci\u00f3n inercial pueden ayudar a mejorar la topograf\u00eda LiDAR.<\/p>\n<\/div>\n<\/div>\n<\/div>\n\n <\/div>\n\n <\/div>\n <\/div>\n \n \n <\/div>\n\n\n

<\/p>","protected":false},"excerpt":{"rendered":"

xNAV650 INS and Hesai XT LiDAR mounted on a car for mobile mapping A survey of a neighbourhood section with no GNSS, coloured by point position uncertainty The same survey but now making use of wheelspeed data Hardware setup view in OXTS Georeferencer Diagram of the effect of a boresight misalignment Point cloud coloured by […]<\/p>\n","protected":false},"author":1,"featured_media":3249,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[6,50],"tags":[],"class_list":["post-3242","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-industry-articles","category-georeferencing"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.oxts.com\/es\/wp-json\/wp\/v2\/posts\/3242","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.oxts.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.oxts.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.oxts.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.oxts.com\/es\/wp-json\/wp\/v2\/comments?post=3242"}],"version-history":[{"count":3,"href":"https:\/\/www.oxts.com\/es\/wp-json\/wp\/v2\/posts\/3242\/revisions"}],"predecessor-version":[{"id":7615,"href":"https:\/\/www.oxts.com\/es\/wp-json\/wp\/v2\/posts\/3242\/revisions\/7615"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.oxts.com\/es\/wp-json\/wp\/v2\/media\/3249"}],"wp:attachment":[{"href":"https:\/\/www.oxts.com\/es\/wp-json\/wp\/v2\/media?parent=3242"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.oxts.com\/es\/wp-json\/wp\/v2\/categories?post=3242"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.oxts.com\/es\/wp-json\/wp\/v2\/tags?post=3242"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}