Contribution à la Reconstruction 3D de Bâtiments à partir de Nuages de Points de Scanner Laser Terrestre

Cette partie introduit les différentes technologies de numérisation utilisées par les scanners laser terrestres (SLT). Elle détaille les principes de fonctionnement de ces systèmes, en mettant l'accent sur la combinaison entre les systèmes de mesure de distance et de balayage angulaire. L'analyse souligne que chaque combinaison est adaptée à des domaines d'application spécifiques, tels que la topographie, la numérisation d'objets de petite taille, ou la numérisation de milieux industriels. L'objectif est de présenter un panorama complet des capacités des SLT, en fonction de leurs caractéristiques techniques, pour permettre un choix éclairé en fonction des besoins spécifiques de la numérisation 3D de bâtiments. La précision de la numérisation est également abordée, ainsi que les limitations inhérentes à chaque technologie. Des exemples d'applications sont mentionnés pour illustrer la diversité des usages des SLT.

L'acquisition de données par SLT est sujette à des erreurs de mesure. Cette section classe ces erreurs en deux catégories : les facteurs extrinsèques, liés aux conditions environnementales (réflectance de la surface, rugosité, milieu de propagation du laser), et les facteurs intrinsèques, liés aux défaillances du SLT lui-même (bruit des capteurs, décalage des axes de rotation). L'importance de la calibration des SLT est soulignée, et différentes méthodes de calibration automatique et semi-automatique sont présentées. Le but de la calibration est de définir un modèle géométrique précis du SLT, permettant de corriger les erreurs systématiques et d'améliorer la précision globale des mesures. L'étude mentionne des travaux de recherche sur la calibration de SLT hybrides et panoramiques, fournissant des informations complémentaires sur la gestion des erreurs d'acquisition.

Lorsque l'acquisition se fait à partir de plusieurs points de vue pour réduire l'effet d'occlusion, une étape de recalage des nuages de points est nécessaire pour les ramener dans un même référentiel. Ce processus est crucial pour obtenir une représentation 3D complète et cohérente du bâtiment. La section décrit différentes méthodes de recalage, notamment celles basées sur des points homologues et celles intégrant des informations a priori sur la géométrie du bâtiment. L'analyse compare les performances de ces méthodes, en soulignant les avantages et les inconvénients de chaque approche. Deux types principaux de reconstruction 3D sont ensuite détaillés : les méthodes non-paramétriques (maillage triangulaire) et les méthodes paramétriques (primitives géométriques). Les forces et faiblesses de chaque approche sont discutées en termes de précision, de volume de données et de capacité à intégrer des informations sémantiques. Le choix de la méthode dépendra des besoins spécifiques du projet et des compromis entre précision et complexité.

La segmentation du nuage de points, étape cruciale pour la reconstruction 3D, vise à partitionner l'ensemble des points en sous-ensembles cohérents correspondant aux différentes parties du bâtiment (façades, toitures, etc.). Le document souligne la complexité de cette tâche, notamment lorsque la taille du nuage de points est importante. La méthode naïve basée sur la distance à un plan est mentionnée comme étant trop complexe pour une mise en œuvre pratique. Des méthodes plus efficaces, basées sur des approches sous-optimales, sont donc nécessaires. L'utilisation de l'algorithme RANSAC est présentée comme une solution plus réaliste, bien que sa complexité algorithmique soit un challenge. Des améliorations de l'algorithme RANSAC pour diminuer sa complexité sont proposées, par exemple, en calculant le nombre d'inliers de manière dynamique ou en effectuant une sélection de l'échantillon minimal non uniforme. Le partitionnement par octree est également discuté, ainsi que ses avantages et ses limites en termes de temps de calcul et de risque de mauvaise segmentation.

La densité du nuage de points, variable en fonction de la distance et de l'angle d'incidence du laser, joue un rôle déterminant dans la qualité de la segmentation et de l'extraction des points de contours. Le document explique que les algorithmes existants, souvent basés sur un seuil global, sont inadaptés car ils ne tiennent pas compte de cette variation de densité. Un seuil unique peut conduire à une sur-segmentation dans les zones de faible densité et à une sous-segmentation dans les zones de haute densité. L’exemple de la méthode de croissance de régions est mentionnée comme illustrant cette problématique. Plusieurs approches pour l'extraction de points de contours et de caractéristiques sont mentionnées, telles que l'utilisation de la variance, de la distance au centre d'un ellipsoïde, ou du vote tensoriel. Ces méthodes reposent sur la notion de voisinage, elle-même dépendante de la densité des points. Une densité élevée permet de détecter des frontières fines, tandis qu'une faible densité ne permet de détecter que des frontières grossières. Cette dépendance à la densité souligne la nécessité de développer des algorithmes plus robustes et adaptatifs.

L'extraction de points de contours est essentielle pour définir les limites des différentes surfaces du bâtiment. La section présente la problématique de l'utilisation d'un seuil global dans les algorithmes existants, ce qui est source d'imprécision compte tenu de la variation de la densité du nuage de points. Le document propose une méthode d'approximation du pas d'échantillonnage de la surface afin de déterminer un seuil local plus précis. Deux algorithmes basés sur la triangulation de Delaunay sont présentés: l'un utilisant la longueur des arêtes, l'autre utilisant l'alpha-shape. La nécessité de prendre en compte un seuil variable, adapté à la densité locale, est mise en avant pour améliorer la fiabilité de l'extraction. L'impact de l'utilisation d'un seuil local par rapport à un seuil global est analysé. Des résultats expérimentaux comparant les performances des algorithmes avec seuil local et seuil global sont mentionnés, démontrant la supériorité de l'approche proposant un seuil local. L'utilisation d'un seuil local, déduit de l'approximation du pas d'échantillonnage, vise à résoudre la problématique de la densité variable et à améliorer la précision de l'extraction des points de contours.

Après l'extraction des points de contours, une étape de classification est nécessaire pour distinguer les différents types de régions. Le document décrit une méthode de classification basée sur des propriétés géométriques des régions : l'aire, la densité et le périmètre. Ces paramètres permettent de catégoriser les régions en trois types : les régions d'éléments architecturaux (REA), les régions de façades régulières (RF), et les régions d'irrégularités (RI). Cette classification préliminaire est cruciale pour la sélection de la méthode de modélisation appropriée à chaque type de région. La sensibilité de ces propriétés géométriques au seuil de consistance utilisé pour la segmentation et au paramètre λ pour l’extraction des points de contours est soulignée, soulignant la nécessité d'un paramétrage précis pour une classification fiable. La qualité de cette classification influence directement la précision du modèle CAO final.

Les éléments architecturaux (EA), tels que les fenêtres, les portes, les balcons et les appuis de fenêtres, sont classifiés en deux catégories : les intrusions (éléments en retrait par rapport au plan de la façade) et les extrusions (éléments en avant du plan). La méthode de modélisation choisie pour les EA repose sur la représentation par les arêtes de polyèdres, chaque arête étant définie par deux sommets. Cette approche est jugée appropriée, surtout pour les bâtiments de logements sociaux qui présentent généralement des EA de formes géométriques simples et majoritairement planes. La méthode de détermination des polygones intérieurs et extérieurs des polyèdres est expliquée, avec l'introduction d'une marge pour éviter la troncature des éléments. Le placement des polygones dans l'espace est réalisé en définissant des plans parallèles au plan de la façade, à des intervalles réguliers. Cette approche permet une modélisation précise de la position et des dimensions des EA, même en présence d’irrégularités.

Les régions de façades régulières (RF) sont modélisées simplement par des polygones, tandis que les régions d'irrégularités (RI) nécessitent une approche plus complexe. Pour les RI, la méthode proposée utilise un maillage triangulaire pour une représentation fidèle de la surface. Le processus de création de ce maillage est décrit en trois étapes: la définition de l'ensemble de points consistants, la création d'un maillage triangulaire initial sur l'enveloppe convexe, et le raffinement de ce maillage par suppression des triangles situés à l'extérieur de l'enveloppe concave. Cette méthode permet de gérer les formes complexes des irrégularités de façade. Les erreurs liées au processus d’acquisition et au paramétrage des algorithmes de segmentation et d’extraction de points de contours sont mentionnées et prises en compte dans la modélisation. L'intégration de ces erreurs dans le modèle CAO final est essentielle pour le dimensionnement précis des MIT.

Cette section souligne l'importance de l'intégration de l'erreur de modélisation dans le modèle CAO final. La prise en compte de cette erreur est cruciale pour la conception et la mise en œuvre des Modules d'Isolation Thermique (MIT), qui sont rigides et difficilement modifiables sur chantier. L'intégration de l'erreur est plus aisée sur les maquettes numériques BIM au standard IFC, car elles permettent d'intégrer facilement les informations sémantiques. Pour les fichiers CAO de bas niveau, cette intégration est plus complexe car ils ne contiennent que des informations géométriques et de texture. La quantification de l'erreur, due aux erreurs d'acquisition (erreur de position 3D, résolution de numérisation) et aux erreurs de paramétrage des algorithmes (seuils de segmentation et d'extraction des points de contours), est détaillée. Cette étape permet de prévoir les systèmes de fixation optimaux des MIT et de déterminer l’amplitude de l'intervention nécessaire sur le chantier.

Cette section introduit le contexte de la rénovation énergétique du parc immobilier français. Elle souligne l'importance de réduire les émissions de gaz à effet de serre (GES) liées au fonctionnement des bâtiments. La loi Grenelle 1 et ses mesures pour limiter la consommation énergétique des bâtiments neufs (50 kWh/m²/an en 2012 et bâtiments à énergie positive en 2020) sont mentionnées. Cependant, le faible taux de reconstruction et de renouvellement du parc immobilier (respectivement 1,1% et 0,07% par an) rend la seule limitation de la consommation des bâtiments neufs insuffisante pour atteindre les objectifs de réduction des GES à l'horizon 2050. L'objectif ambitieux de rénovation de 500 000 logements par an est présenté comme une nécessité pour atteindre les objectifs fixés. Cette introduction justifie l'importance des travaux de recherche sur la modélisation 3D précise pour faciliter et optimiser les processus de rénovation énergétique.

Cette partie explique comment la méthode de reconstruction automatique du modèle CAO de bâtiments, à partir de nuages de points obtenus par SLT, s'applique concrètement à la rénovation énergétique. Le travail de thèse a été réalisé en partenariat avec le CRITTBois (Centre Régional d’Innovation et de Transferts Technologiques des industries du Bois) et le CRAN (Centre de Recherche en Automatique de Nancy), mettant en avant son orientation vers la rénovation énergétique par structures bois rapportées. Bien que l'application principale se concentre sur les structures bois, la méthode développée est suffisamment générale pour être applicable à d'autres techniques de rénovation et d'isolation. L'accent est mis sur l'amélioration de la précision et de l'efficacité de la modélisation afin de faciliter le dimensionnement et la mise en place des Modules d'Isolation Thermique (MIT). La précision du modèle est directement liée à l'efficacité de la rénovation énergétique.

Cette section pourrait détailler les avantages concrets de la méthode de modélisation 3D pour les professionnels de la rénovation énergétique. Une modélisation précise permet de réduire les erreurs de mesure et d'optimiser la conception des interventions. Le gain de temps grâce à l'automatisation du processus de reconstruction est important, réduisant les coûts de main-d'œuvre et accélérant les phases de conception et de réalisation. La méthode permet une meilleure adaptation à la géométrie complexe des bâtiments existants, ce qui est crucial pour garantir l'efficacité des travaux d'isolation et de rénovation énergétique. On pourrait aussi mentionner l'amélioration de la communication entre les différents acteurs du projet (architectes, ingénieurs, entreprises de construction) grâce à un modèle 3D précis et facilement accessible. Enfin, la possibilité d'intégrer des informations sémantiques au modèle facilite la gestion des données et le suivi du projet.