Le système LiDAR mobile (SLM) est une technologie d'acquisition de données de pointe qui permet de cartographier les scènes du monde réel en nuages de points 3D. Les applications du SLM sont très vastes, de la foresterie à la modélisation 3D des villes, en passant par l'évaluation de l'inventaire routier et la cartographie des infrastructures portuaires. Le SLM peut également être monté sur diverses plateformes, telles que des plateformes aériennes, terrestres, marines, etc. Indépendamment de l'application et de la plateforme, pour s'assurer que le SLM atteigne sa performance optimale et sa meilleure précision, il est essentiel de traiter correctement les erreurs systématiques du système, spécialement l'erreur des angles de visée à laquelle on s'intéresse particulièrement dans cette thèse. L'erreur des angles de visée est définie comme le désalignement rotationnel des deux parties principales du SLM, le système de positionnement et d'orientation et le scanneur LiDAR, introduit par trois angles de visée. En fait, de petites variations angulaires dans ces paramètres peuvent causer des problèmes importants d'incertitude géométrique dans le nuage de points final et il est vital d'employer une méthode d'alignement pour faire face à la problématique de l'erreur des angles de visée de ces systèmes. La plupart des méthodes existantes d'alignement des angles de visée qui ont été principalement développées pour les SLM aériens et terrestres, tirent profit d'éléments in-situ spécifiques et présents sur les sites de levés et adéquats pour ces méthodes. Par exemple, les éléments linéaires et planaires extraits des toits et des façades des maisons. Cependant, dans les environnements sans présence de ces éléments saillants comme la forêt, les zones rurales, les ports, où l'accès aux éléments appropriées pour l'alignement des angles de visée est presque impossible, les méthodes existantes fonctionnent mal, voire même pas du tout. Par conséquent, cette recherche porte sur l'alignement des angles de visée d'un SLM dans un environnement complexe. Nous souhaitons donc introduire une procédure d'acquisition et traitement pour une préparation adéquate des données, qui servira à la méthode d'alignement des angles de visée du SLM. Tout d'abord, nous explorons les différentes possibilités des éléments utilisés dans les méthodes existantes qui peuvent aider à l'identification de l'élément offrant le meilleur potentiel pour l'estimation des angles de visée d'un SLM. Ensuite, nous analysons, parmi un grand nombre de possibles configurations d'éléments (cibles) et patrons de lignes de balayage, celle qui nous apparaît la meilleure. Cette analyse est réalisée dans un environnement de simulation dans le but de générer différentes configurations de cibles et de lignes de balayage pour l'estimation des erreurs des angles de visée afin d'isoler la meilleure configuration possible. Enfin, nous validons la configuration proposée dans un scénario réel, soit l'étude de cas du port de Montréal. Le résultat de la validation révèle que la configuration proposée pour l'acquisition et le traitement des données mène à une méthode rigoureuse d'alignement des angles de visée qui est en même temps précise, robuste et répétable. Pour évaluer les résultats obtenus, nous avons également mis en œuvre une méthode d'évaluation de la précision relative, qui démontre l'amélioration de la précision du nuage de points après l'application de la procédure d'alignement des angles de visée. / A Mobile LiDAR system (MLS) is a state-of-the-art data acquisition technology that maps real-world scenes in the form of 3D point clouds. The MLS's list of applications is vast, from forestry to 3D city modeling and road inventory assessment to port infrastructure mapping. The MLS can also be mounted on various platforms, such as aerial, terrestrial, marine, and so on. Regardless of the application and the platform, to ensure that the MLS achieves its optimal performance and best accuracy, it is essential to adequately address the systematic errors of the system, especially the boresight error. The boresight error is the rotational misalignment offset of the two main parts of the MLS, the positioning and orientation system (POS) and the LiDAR scanner. Minor angular parameter variations can cause important geometric accuracy issues in the final point cloud. Therefore, it is vital to employ an alignment method to cope with the boresight error problem of such systems. Most of the existing boresight alignment methods, which have been mainly developed for aerial and terrestrial MLS, take advantage of the in-situ tie-features in the environment that are adequate for these methods. For example, tie-line and tie-plane are extracted from building roofs and facades. However, in low-feature environments like forests, rural areas, ports, and harbors, where access to suitable tie-features for boresight alignment is nearly impossible, the existing methods malfunction or do not function. Therefore, this research addresses the boresight alignment of a marine MLS in a low-feature maritime environment. Thus, we aim to introduce an acquisition procedure for suitable data preparation, which will serve as input for the boresight alignment method of a marine MLS. First, we explore various tie-features introduced in the existing ways that eventually assist in the identification of the suitable tie-feature for the boresight alignment of a marine MLS. Second, we study the best configuration for the data acquisition procedure, i.e., tie-feature(s) characteristics and the necessary scanning line pattern. This study is done in a simulation environment to achieve the best visibility of the boresight errors on the selected suitable tie-feature. Finally, we validate the proposed configuration in a real-world scenario, which is the port of Montreal case study. The validation result reveals that the proposed data acquisition and processing configuration results in an accurate, robust, and repeatable rigorous boresight alignment method. We have also implemented a relative accuracy assessment to evaluate the obtained results, demonstrating an accuracy improvement of the point cloud after the boresight alignment procedure.

Depuis quelques années, les techniques de positionnement intérieur deviennent de plus en plus importantes et trouvent leur place dans divers domaines, dont l'arpentage souterrain. Le présent travail a été réalisé dans le cadre du projet MinEyes, dont l'un des principaux objectifs est d'améliorer le positionnement d'un système lidar mobile (SLM) à l'intérieur des tunnels miniers souterrains. Cela permettra d'effectuer une cartographie 3D précise et rapide de ces environnements. Cependant, l'absence de signal GNSS rend cette tâche difficile. L'une des solutions mise en place pour résoudre ce problème est l'utilisation d'une centrale inertielle. Cependant, l'un des inconvénients majeurs de cette technique est l'accumulation d'erreurs dans le temps ce qui provoque la dérive de la trajectoire. Nous proposons donc une méthode combinant un système de positionnement intérieur basé sur la trilatération ultrasonore et un SLM. Nous utilisons pour cela un ensemble de balises ultrasons fixes dont les positions sont connues et qui communiquent avec une cible ultrason mobile lui permettant d'estimer sa trajectoire. La qualité de la trajectoire ainsi estimée est évaluée à l'aide de données obtenues avec une station totale robotisée. Nos expériences ont démontré une incertitude constante de la trajectoire produite sur toute sa longueur. Les écarts obtenus sont de 2 cm pour la coordonnée X (axe suivant la largeur du corridor) et 4 cm pour la coordonnée Y (axe de déplacement de la cible mobile). Suite à la validation de la qualité de la trajectoire générée, nous avons procédé à l'intégration de la cible ultrason mobile sur un SLM servant à la localisation et la production de nuages de points 3D sur un robot conçu sur la plateforme Raspberry Pi, exploitant la librairie ROS (Robot Operating System) et permettant la production de nuages de points géoréférencés. La comparaison du nuage de points ainsi produit avec un nuage de points de référence produit avec un scanneur LiDAR 3D (Faro X130) a montré un écart uniforme ne dépassant pas 4 mm pour 67% de la zone couverte. Ce travail démontre donc le potentiel du système de navigation proposé, basé sur la technologie de trilatération ultrasonore, qui permet d'éviter la dérive d'une plateforme mobile en milieu intérieure. / In recent years, indoor positioning techniques have become increasingly important and are finding their way into various fields, including underground surveying. The present work was carried out within the framework of the MinEyes project. One of its main goals is to improve the positioning of a mobile lidar system (MLS) inside underground mining tunnels. This will allow accurate and fast 3D mapping of these environments. However, the lack of a GNSS signal makes this task difficult. One of the solutions implemented to solve this problem is the use of an inertial measurement unit. However, one of the major drawbacks of this technique is the accumulation of errors over time, which causes the trajectory to drift. We therefore propose a method combining an indoor positioning system based on ultrasonic trilateration and an MLS. We use a set of fixed ultrasonic beacons whose positions are known, and which communicate with a mobile ultrasonic target allowing it to estimate its trajectory. The quality of the estimated trajectory is evaluated using data obtained simultaneously with a robotic total station. Our experiments demonstrated a constant uncertainty of the produced trajectory over its entire length. This uncertainty reaches 2 cm for the X coordinate (axis following the width of the corridor) and 4 cm for the Y coordinate (axis of movement of the mobile target). Following the validation of the quality of the generated trajectory, we proceeded to the integration of the mobile ultrasound target on an MLS used for the localization and the production of 3D point clouds of a robot designed on the Raspberry Pi platform, exploiting the ROS library (Robot Operating System) and allowing the production of georeferenced point clouds. The comparison of a point cloud produced in this way with a reference point cloud produced with a 3D LiDAR scanner (Faro X130) showed a uniform deviation not exceeding 4 mm for 67% of the area covered. This work demonstrates the potential of the proposed navigation system, based on the technology of ultrasonic trilateration, which allows avoiding the drift of a mobile platform in indoor environment.

Titre de l'écran-titre (visionné le 5 septembre 2023) / Ce mémoire porte sur la localisation d'un véhicule de transport collectif dans un milieu urbain. L'approche proposée se fait en 2 phases : une phase de construction de la carte globale du trajet d'intérêt et une phase de localisation. Lors de la phase de construction de la carte, la carte est construite à partir des données de localisation de vérité terrain et de keypoints Intrinsic Shape Signature extraits des nuages de points locaux obtenus à l'aide d'un LiDAR monté sur le véhicule. Les keypoints sont mis en registre avec la méthode du plus proche voisin pour construire la carte. Lors de la phase de localisation, les données récoltées sont les données d'odométrie et les nuages de points obtenus par un LiDAR. Pour localiser le véhicule, on exploite un filtre à particules. Dans un premier temps, les keypoints Intrinsic Shape Signature sont extraits du nuage de points. Ensuite, les particules sont déplacées selon les mesures d'odométrie. Ensuite, l'algorithme Iterative Closest Point avec une erreur point à point sur les keypoints est appliqué sur chaque particule pour raffiner la pose de celles-ci. Puis le poids de chaque particule est mis à jour avec un calcul d'erreur basé sur les plus proches voisins entre la carte et les keypoints du scan local. Finalement, la pose du véhicule est estimée par un moyenne pondérée des 10% des particules ayant les poids les plus élevés. La méthode proposée est validée expérimentalement sur 2 sessions du jeu de données North Campus Long-Term. Ce jeu de données est récolté sur le campus de l'Université du Michigan en 27 sessions étalées sur 15 mois. Les résultats obtenus démontrent une erreur de 0.106 m et de 0.229 m pour les sessions "2012-01-08" et "2012-08-04". / This thesis is about the localization of a collective transportation vehicle in an urban setting. The proposed approach is done in two stages: a mapping stage and a localization stage. During the mapping stage, the map is built from ground truth pose data and from Intrinsic Shape Signature keypoints extracted from a point cloud obtained with a LiDAR mounted on the vehicle. The keypoints are registered with the closest neighbors method to build the map. During the localization stage, the data used are odometry measure and point cloud obtained with a LiDAR. To locate the vehicle, we make use of a particle filter. First, we extract the keypoints from the local scan. Then, the particles are moved based on the odometry measurements. Then, the Iterative Closest Point algorithm with a point to point error on the keypoints is applied to each particle to refine its pose. The particle's weight is updated with an error based on the nearest neighbours between the map and the keypoints from local scan. Finally, the vehicle's pose is estimated by a weighted mean of the 10% of the particles with the greater weights. The proposed method is validated on 2 sessions from the dataset North Campus Long-Term. This dataset was taken on the campus of University of Michigan on 27 sessions over the course of 15 months. The results show an error of 0.106 m and of 0.229 m on the sessions "2012-01-08" and "2012-08-04".

De nos jours, les Systèmes Lidar Mobile (SLMs) sont utilisés dans une multitude de disciplines professionnelles liées à l'arpentage du territoire. À l'instar des systèmes de cartographie mobile basés sur la photogrammétrie, un SLM terrestre offre un grand potentiel en permettant aux professionnels du territoire d'être plus efficace à réaliser des opérations de mesurage courantes avec un portrait complet communément appelé "nuage de points". À partir d'une plateforme mobile terrestre (véhicule routier), aérienne (drone) ou marine (navire), sur laquelle repose un système de navigation (INS-GNSS) combiné avec un ou plusieurs scanneurs laser, le SLM permet d'acquérir des données géospatiales 4D (x, y, z, t) avec une précision et un niveau de détail élevés. Toutefois, l'intégration de ces capteurs de fonction et de grade différents requiert une procédure de contrôle et de validation des paramètres d'intégration, en vue de bonifier la valeur ajoutée du nuage de points. Les paramètres d'intégration d'un SLM sont : les angles de visée, la latence et les bras de levier. Les angles de visée sont les trois angles d'orientations relatives entre le repère du scanneur et le repère de l'IMU. Elles représentent une des sources d'erreurs majeures à laquelle il faut s'attaquer pour éliminer les incohérences parmi les nuages de points issus du même recouvrement. La latence est un délai de synchronisation temporelle des capteurs du SLM. Elle est associée au temps de géoréférencement d'un point lidar par rapport à sa mesure physique. Les bras de levier sont des distances entre l'origine du repère d'un capteur vers un autre. L'exactitude des retours lidar d'un SLM est donc intimement liée à l'ajustage de cette chaîne métrologique complexe. Actuellement, avec la démocratisation du marché et la diminution du coût d'achat, le montage d'un SLM devient une recette subjective, mais l'intégration demeure une tâche complexe et ardue. Cependant, mis à part les grandes compagnies comme Riegl, Leica et Trimble qui disposent de méthodes d'ajustage propre aux systèmes qu'ils commercialisent, il n'existe pas de méthodes d'ajustage indépendant du SLM permettant à l'utilisateur de contrôler les paramètres d'intégration. Le but de ce projet de recherche consiste à rendre accessible aux utilisateurs de tous azimuts une méthode d'ajustage des angles de visée, générique et simple à implanter, qui ne demande pas l'utilisation d'instruments spécialisés de laboratoire. L'obtention de résultats aussi fiables que ceux obtenus par des méthodes de détermination plus laborieuses, représentant la réelle valeur ajoutée de cette méthode. / Nowadays, the Mobile Lidar Systems (MLSs) are used in a multitude of professional disciplines related to territory mapping. Following the example of Mobile Mapping Systems (MMS) based on photogrammetry, a ground-based MLS oers an interesting potential by allowing the geospatial professionals to be more ecient at carrying out routine measurement operations with a complete portrait commonly known as a "point cloud". From a mobile terrestrial (road vehicle), airborne (drone) or marine (ship) platform, where a navigation system (INS-GNSS) combined with one or several laser scanners are xed, the MLS allows the acquisition of 4D (x, y, z, t) geospatial data with a high level of precision and detail. However, the integration of these sensors of dierent grade and utility requires a procedure for control and validation of the integration parameters to improve the added value of the point cloud. The integration parameters of an MLS are: boresight angles, latency and lever arms. The boresight angles are the three relative orientation angles between the scanner frame and the IMU frame. They are one of the major sources of error that must be tackled in order to eliminate discrepencies among point clouds from overlapping passes. The latency is a time synchronization delay of the MLS sensors. It is associated with the geolocalisation time of a lidar return point with respect to its physical measurement. Lever arms are distances between the origin frame of one sensor to another. The accuracy of lidar ranging from a MLS is therefore intimately bounded to the rigorous adjustment of this complex metrological set. Currently, with the democratization of the market and the increased accessibility of low cost solutions, the integration of an MLS becomes a subjective recipe but it remains a complex and dicult task. However, aside from well renowned commercial solutions such as Riegl, Leica and Trimble, whose adjustment methods remains specic to theirs products, independent adjustment methods of MLS that allow the user to control their integration parameters are still needed. The goal of this research project is to provide a wide range of users with a generic, easy-to-implement boresight angles adjustment method that does not require the use of top-grade laboratory instruments, while at the same time achieving results as reliable as more labored adjustment methods, representing then a real added value.

La mobilité est une habitude de vie fondamentale pour la participation sociale des personnes à mobilité réduite (PMRs). L'un des plus grands défis des PMRs est de trouver des itinéraires accessibles pour leur déplacement en ville. À cet égard, plusieurs groupes de recherche, dont MobiliSIG, s'intéressent à l'évaluation de l'accessibilité des lieux en appui au développement des outils d'assistance à la mobilité des PMRs. Cependant, les méthodes traditionnelles de l'acquisition et le traitement de données pertinentes pour l'analyse de l'accessibilité de l'environnement urbain sont généralement peu précises, peu efficaces et très coûteuses en temps et en argent. Dans ce contexte, la technologie lidar présente une alternative intéressante pour l'acquisition de données très détaillées et précises sur l'environnement urbain. De plus, les techniques issues de l'intelligence artificielle ont démontré de grands potentiels pour l'extraction automatique de l'information pertinente à partir de nuages de points lidar. À cet effet, l'objectif global de cette recherche est d'évaluer le potentiel des nouvelles approches basées sur l'apprentissage profond pour la segmentation sémantique de nuages de points lidar afin d'automatiser l'extraction des obstacles et des facilitateurs (trottoirs, ilots de refuge, marches, etc.) en lien avec la mobilité des PMRs. Pour ce faire, nous nous sommes particulièrement intéressés au potentiel des méthodes d'apprentissage profond telles que les algorithmes de Superpoint graph et FKAconv. Les principales étapes de cette recherche consistent à : 1) élaborer une base de données 3D annotée dédiée à la mobilité des PMRs, 2) appliquer et évaluer les algorithmes de l'apprentissage profond, 3) mettre en évidence les défis rencontrés dans l'apprentissage sémantique en 3D à partir de données lidar mobile (données irrégulières et volumineuses, la complexité des scènes urbaines, morphologie très variable des instances, etc.). Les algorithmes visés sont appliqués aux données lidar mobile pour analyser l'accès aux commerces au centre-ville de Québec. Les résultats de cette recherche ont démontré le potentiel des méthodes d'apprentissage profond pour la segmentation sémantique des éléments pertinents à la mobilité des PMRs à partir des données lidar mobile. Cependant, ces méthodes souffrent de plusieurs problèmes qui engendrent de mauvaises classifications menant à des imperfections de segmentation. / Mobility is a fundamental life habit for the social participation of people with motor disabilities (PMD). One of the biggest challenges for PMDs is to find accessible itineraries for their movement in the city. In this respect, several research groups, including MobiliSIG, are interested in assessing the accessibility of places to support the development of mobility assistance tools for PMDs. However, traditional methods for acquiring and processing data relevant to the analysis of the accessibility of the urban environments are generally inefficient and very costly in terms of time and money. In this context, the lidar technology presents an interesting alternative for the acquisition of very detailed and accurate data on the urban environment. Moreover, artificial intelligence techniques have shown great potential for the automatic extraction of relevant information from lidar point clouds. To this end, the overall objective of this research is to evaluate the potential of new deep learning-based approaches for the semantic segmentation of lidar point clouds to automate the extraction of obstacles and facilitators (sidewalks, island, steps, etc.) related to the mobility of PMDs. To do so, we were particularly interested in the potential of deep learning methods such as Superpoint graph and FKAconv algorithms. The main steps of this research are: 1) to develop an annotated 3D database dedicated to mobility setoff PMDs, 2) to apply and evaluate the deep learning algorithms, 3) to highlight the challenges encountered in 3D semantic learning (irregular and voluminous data, complexity of urban scenes, highly variable morphology of instances, etc.). The selected algorithms are applied to mobile lidar data to analyze access to shops in downtown Quebec City. The results of this research have demonstrated the potential of deep learning methods for semantic segmentation of elements relevant to PRM mobility from mobile lidar data. However, these methods still suffer from several problems that lead to misclassifications leading to segmentation imperfections.

Titre de l'écran-titre (visionné le 18 mars 2024) / La fréquence et l'ampleur des dommages causés par les inondations au Canada augmentent chaque année, nécessitant des solutions préventives. Les étages inférieurs des bâtiments sont particulièrement vulnérables, justifiant la nécessité de détecter avec précision les ouvertures comme les portes et les fenêtres. Les nuages de points obtenus par télémétrie mobile sont bien adaptés pour identifier la présence de ces ouvertures sur les façades de bâtiments. Toutefois, la présence d'occlusions dans les nuages de points causées par des objets obstruant le faisceau LiDAR rend cette tâche complexe. Le présent projet de maîtrise vise à répondre à cette problématique en proposant une approche pour détecter et caractériser les occlusions dans les scènes acquises dans les milieux résidentiels et ruraux. La conception de la méthode est articulée autour de deux volets : la segmentation sémantique pour étiqueter le nuage de points et la détection d'occlusions par lancer de rayons. La méthode a été validée à partir de données simulées car elles permettent un contrôle total sur l'environnement et facilitent la visualisation des résultats. Cette analyse a ensuite été transposée sur les résultats obtenus à partir du nuage de points réel. Les résultats obtenus par la méthode proposée ont démontré une capacité à détecter la présence d'occlusions dans les milieux résidentiels et ruraux. La combinaison de la segmentation sémantique pour l'étiquetage du nuage de points avec la détection d'occlusions par lancers de rayons a permis une identification robuste des occlusions. Ces résultats soulignent l'efficacité de la solution dans des contextes réalistes, renforçant ainsi sa pertinence pour la détection précise des ouvertures sur les façades, une étape cruciale pour évaluer les risques liés aux inondations. La transposition réussie de l'analyse des données simulées aux résultats du nuage de points réel valide la robustesse de l'approche et son applicabilité dans des scénarios du monde réel. / The frequency and extent of flood damage in Canada increases every year, necessitating preventive solutions. The lower floors of buildings are particularly vulnerable, justifying the need for accurate detection of openings such as doors and windows. Point clouds obtained by mobile telemetry are suitable for identifying the presence of such openings on building facades. However, the presence of occlusions in the point clouds caused by objects obstructing the LiDAR beam makes this a complex task. The present Master's project aims to address this issue by proposing an approach for detecting and characterizing occlusions in scenes acquired in residential and rural environments. The method was designed around two components: semantic segmentation to label the point cloud, and occlusion detection using ray tracing. The method was validated using simulated data, as these allow total control over the environment and facilitate visualization of the results. This analysis was then transposed to results obtained from the real point cloud. The results obtained by the proposed method demonstrated an ability to detect the presence of occlusions in residential and rural environments. Combining semantic segmentation for point cloud labeling with occlusion detection by ray-tracing enabled robust occlusion identification. These results underline the effectiveness of the solution in realistic contexts, reinforcing its relevance for the accurate detection of facade openings, a crucial step in assessing flood risks. The successful transposition of simulated data analysis to real point cloud results validates the robustness of the approach and its applicability in real-world scenarios.

Les Systèmes LiDAR Mobiles (SLM) sont devenus des outils d’acquisition de données géospatiales de plus en plus accessibles pour plusieurs professionnels oeuvrant dans différents domaines. Cette accessibilité permet à ces professionnels la modélisation 3D de leurs projets s’étendant sur de longs corridors routiers, côtiers, ferroviaires, etc. Les premiers SLM ont été développés pour des applications de cartographie sur des plateformes aériennes (avions, hélicoptères). Plus récemment (à partir des années 90), ils ont été adaptés aux véhicules terrestres, aux embarcations marines et aux drones. Un SLM est une combinaison d’au moins trois capteurs, un récepteur GNSS, une centrale inertielle et un scanneur LiDAR. D’autres capteurs peuvent s’ajouter pour améliorer la qualité de l’acquisition des données. Un facteur important, lors d’une acquisition des données ou du post-traitement des données acquises, est de connaître la qualité associée. Cette qualité peut être estimée en connaissant les incertitudes-types de chaque capteur fournies par les spécifications du système. De plus, l’incertitude associée aux points observés par le système ne provient pas seulement des incertitudes-types des capteurs. Les erreurs peuvent être divisées en trois composantes. La première composante est la source d’erreur, qui provient des spécifications des capteurs. La deuxième, est la variable d’état du système qui dépend de la plateforme sur laquelle le SLM est embarqué. Puis, la troisième, est la géométrie de l’objet scanné, ou pour les SLM considérés dans ce projet, la morphologie du terrain. Cette combinaison montre que ce n’est pas seulement l’incertitude-type des capteurs qui est responsable de la qualité du levé, mais aussi sa plateforme et le terrain à lever. Par exemple, un système terrestre qui observe les données d’une certaine surface à partir d’une voiture ne produira pas nécessairement des données de même qualité que celles levées sur cette même surface avec le même système embarqué sur un drone. L’objectif de ce projet de recherche est de développer un modèle mathématique qui considère ces trois composantes d’erreurs et de valider ce modèle avec les données acquises sur le terrain avec un SLM terrestre. Le système utilisé pour l’acquisition des données est un SLM disponible au Département des sciences géomatiques de l’Université Laval. Un site de levé a été sélectionné sur le campus de la même université. / Mobile LiDAR Systems (MLS) have become more accessible geospatial data collection tools to more professionals in different areas. This accessibility allows these professionals to carry out 3D modeling of their projects. The first Mobile LiDAR Systems were developed for aerial cartography applications and more recently (from the 90s) they were adapted to land vehicles, marine crafts and drones. A MLS is a combination of at least three sensors, a GNSS receiver, an IMU and a LiDAR scanner. Other sensors can be added to improve the quality of the data acquisition. An important factor when acquiring or post-processing MLS data is knowing the associated quality. This quality can be estimated by using the standard measurement uncertainty of each sensor. This information is available in these sensor specifications datasheets. Moreover, the uncertainty associated to points collected by the system do not come only from the sensor standard measurement uncertainty. In fact, three types of uncertainties are involved. The first type of uncertainty comes from the sensor specifications datasheets. The second one is the system state variable which depends on the system platform. The third one is the geometry of the scanned object, and more specifically for this project, the field morphology. This combination shows that the standard measurement uncertainty of the sensors is not the only one responsible for the quality of the acquired data, but also the moving platform and the field to be scanned. For instance, the same system that collects data of a surface from a car will not have necessarily the same quality as the data acquired on the same surface with the same system if it is installed on a drone. The research project objective is to develop of a mathematical model that considers the above three components of mentionned uncertainties and to validate this model by using data acquired in a field with a terrestrial MLS. The system used for data acquisition is a MLS available at the Department of Geomatics Sciences of Laval University and the data acquisition site is located on the campus of the same university.

La sécurité dans les mines souterraines est l’une des principales préoccupations des entreprises d’exploitation minières. La surveillance des moindres changements ou déformations au niveau des tunnels et galeries miniers, notamment la convergence des tunnels (rétrécissement diamétral d’une section de tunnel), figure parmi les principales priorités de ces entreprises. Les techniques de surveillance de la convergence des tunnels miniers communément utilisées se basent essentiellement sur des mesures ponctuelles et limitées qui sont généralement longues et coûteuses. Les technologies LiDAR mobiles émergentes et prometteuses amènent des pistes de solutions qui permettent de gagner en efficacité et en sécurité. Cependant, la détection et la mesure précise de convergence des tunnels miniers au moyen de données LiDAR mobile demeurent problématiques en raison des enjeux suivants : la précision des nuages de points, l’irrégularité de la zone observée, la variabilité de la densité des scans et de leur prise de vue, la présence d’obstructions, la complexité de l’alignement parfait des nuages de points. La recherche visée dans ce mémoire de maîtrise s’inscrit dans le cadre du projet « MinEyes » et elle a pour objectif principal de détecter et de mesurer la convergence de tunnels miniers souterrains à partir de données LiDAR mobile. Pour ce faire, nous proposons une méthode multi-échelles de comparaison de nuages de points qui prend en considération les irrégularités de surface des tunnels miniers et qui permet une meilleure détection de leurs changements et une mesure plus précise de leur convergence. La méthode proposée se base sur une approche de comparaison modèle à modèle locale des nuages de points LiDAR mobile souterrain. Les résultats obtenus sont très prometteurs comparés à ceux d’autres méthodes de détection de changement dans les nuages de points LiDAR (ex. : méthodes C2C, C2M). Une analyse statistique des résultats a également permis de confirmer la robustesse de la méthode proposée surtout dans des zones rugueuses des tunnels miniers. / Security in underground mines is one of the main concerns of mining companies. Monitoring any changes or distortions in mining tunnels and galleries, including tunnel’s convergence, is one of the top priorities for those companies. Commonly used convergence monitoring techniques in underground tunnels are based on limited measurements that are usually very time-consuming and costly in terms of process. Emerging mobile LiDAR technologies offer alternative solutions that are far more efficient and lower in risk. However, the accurate measurements of convergence in mining tunnels using mobile LiDAR data remains challenging because of the following issues: limited precision of LiDAR point clouds, the roughness and irregularity of the studied surfaces in the tunnels, the irregularity of the scan density, the presence of occlusions and the complexities of reliable registration of point clouds. This research work is defined as a part of the ‘MinEyes project’ in collaboration with the company Pecktech which main objective is to detect and measure the convergence of underground mining tunnels from mobile LiDAR data. To do so, we propose a multi-scale point cloud comparison method that considers the surface irregularities of the mining tunnels and allows a better detection of their changes and a more precise measurement of their convergence. The proposed method is based on a local model-to-model comparison method of underground mobile LiDAR point clouds. The results obtained are very promising compared to other LiDAR point cloud comparison methods (e.g. C2C, C2M methods). A statistical analysis of the results also has confirmed the efficiency of the proposed method, especially in the rough areas of the mining tunnels.

Compte tenu de la fréquence élevée et de l'impact majeur des inondations, les décideurs, les acteurs des municipalités et le ministère de la sécurité publique ont un besoin urgent de disposer d'outils permettant de prédire ou d'évaluer l'importance des inondations et leur impact sur la population. D'après les statistiques, le premier étage des bâtiments, ainsi que les ouvertures inférieures, sont plus susceptibles de subir des dommages lors d'une inondation. Ainsi, dans le cadre de l'évaluation de l'impact des inondations, il serait nécessaire d'identifier l'emplacement de l'ouverture la plus basse des bâtiments et surtout sa hauteur par rapport au sol. Le système de balayage laser mobile (MLS) monté sur un véhicule s'est avéré être l'une des sources les plus fiables pour caractériser les bâtiments. Il peut produire des millions de points géoréférencés en 3D avec un niveau de détail suffisant, grâce à son point de vue depuis la rue et sa proximité. De plus, l'augmentation du nombre de jeux de données, issues des MLS acquis dans les villes et les environnements ruraux, permet de développer des approches pour caractériser les maisons résidentielles à l'échelle provinciale. Plusieurs défis sont associés à l'extraction d'informations descriptives des façades de bâtiments à l'aide de données MLS. Ainsi, les occlusions devant une façade rendent impossible l'obtention de points 3D sur ces parties de la façade. Aussi, comme les fenêtres sont principalement constituées de verre, qui ne réfléchit pas les signaux laser, les points disponibles pour celles-ci sont généralement limités. De plus, les approches de détection exploitent la répétitivité et les positions symétriques des ouvertures sur la façade. Mais ces caractéristiques sont absentes pour des maisons rurales et résidentielles. Finalement, la variabilité de la densité de points dans les données MLS rend difficile le processus de détection lorsqu'on travaille à l'échelle d'une ville. Par conséquent, l'objectif principal de cette recherche est de concevoir et de développer une approche globale d'extraction efficace des ouvertures présentes sur une façade. La solution proposée se compose de trois phases: l'extraction des façades, la détection des ouvertures et l'identification des occlusions. La première phase utilise une approche de segmentation adaptative par croissance de régions pour extraire la boîte englobante 3D de la façade. La deuxième phase combine la détection de trous avec une technique de maillage pour extraire les boîtes englobantes 2D des ouvertures. La dernière phase, qui vise à discriminer les occlusions des ouvertures, est en cours d'achèvement. Des évaluations qualitatives et quantitatives ont été réalisées à l'aide d'un jeu de données réelles, fourni par Jakarto Cartographie 3D Inc., de la province de Québec, au Canada. Les statistiques ont révélé que l'approche proposée pouvait obtenir de bons taux de performance malgré la complexité du jeu de données, représentatif des données acquises en situation réelle. Les défis concernant l'auto-occlusion de certaines façades et la présence de grandes occlusions environnantes seront à étudier plus en profondeur afin d'obtenir des informations plus précises sur les ouvertures des façades. / Given the high frequency and major impact of floods, decision-makers, stakeholders in municipalities and public security ministry are in the urgent need to have tools allowing to predict or assess the significance of flood events and their impact on the population. Based on statistics, the first floor of the buildings, as well as the lower openings, are more likely subject to potential damage during a flood event. Thus, in the context of flood impact assessment, it would be required identifying the location of the buildings' lowest opening and especially its height above the ground. The capacity to characterize building with a relevant level of detail depends on the data sources used for the modeling. Different sources of data have been employed to characterize buildings' façade and openings. Mobile Laser Scanning (MLS) system mounted on a vehicle has proved to be one of the most reliable sources in this domain. It can produce millions of 3D georeferenced points with sufficient level of detail of the building facades and its openings, due to its street-view and close-range distance. Moreover, the increase of MLS providers and acquisitions in towns and rural environments, makes it possible to develop approaches to characterize residential houses at a provincial scale. Although being effective, several challenges are associated with extracting descriptive information of building facades using MLS data. The presence of occlusion in front of a facade makes it impossible to obtain the 3D points of the covered parts of the facade. Given the fact that windows mostly consist of glass and laser signals could not be reflected from the glass, limited points are usually available for windows. While the repetitive pattern and symmetrical positions of the openings on the facade makes it easier for the detection system to extract them, this characteristic is missing on the facade on rural and residential houses. The inconsistency of the point density in MLS data make the detection process even harder when working at city scale. Accordingly, the main objective of this research is to design and develop a comprehensive approach that effectively extracts facade openings. In order to meet the research project objective, the proposed solution consists of three phases including facade extraction, opening detection, and occlusion recognition. The first phase employs an adaptive region growing segmentation approach to extract the 3D bounding box of the facade. The second phase combines a hole-based assumption with an XZ gridding technique to extract 2D bounding boxes of the openings. The last phase which recognizes holes related to the occlusion from the openings is currently being completed. Qualitative and quantitative evaluations were performed using a real-word dataset provided by Jakarto Cartographie 3D inc. of the Quebec Province, Canada. Statistics revealed that the proposed approach could obtain good performance rates despite the complexity of the dataset, representative of the data acquired in real situations. Challenges regarding facade's self-occlusion and the presence of large surrounding occlusions should be further investigated for obtaining more accurate opening information on the facade.

Titre de l'écran-titre (visionné le 26 février 2024) / Les excavations réalisées dans le roc sont des ouvrages qui présentent un potentiel d'instabilités et de chutes de blocs. Dans plusieurs cas, ces instabilités sont d'origine structurale. Ceci est particulièrement vrai lorsque le massif rocheux est caractérisé par des discontinuités persistantes et lorsque le régime de contraintes in-situ est faible. Ces instabilités représentent des risques importants pour les opérations minières notamment pour la santé et la sécurité des travailleurs. La caractérisation structurale des massifs rocheux est à la base des analyses de la stabilité. Les méthodes manuelles sont celles qui sont traditionnellement utilisées dans l'industrie. De nouvelles technologies commencent à émerger et à être appliquées dans le domaine de la caractérisation structurale. La technologie LiDAR offre une avenue intéressante et prometteuse à la caractérisation structurale mais encore très peu utilisé dans le domaine minier souterrain. En effet, peu de cas d'étude existent dans la littérature démontrant son applicabilité dans un milieu minier en production. Ce mémoire présente donc une méthodologie utilisant la technologie LiDAR afin de caractériser le massif rocheux dans un milieu minier souterrain en opération. Une comparaison entre les méthodes utilisées traditionnellement sur le terrain et des méthodes numériques a été effectuée. Différentes technologies LiDAR ont également été comparées entre elles. Il a été observé que les résultats obtenus de la caractérisation structurale numérique sont plus reproductibles que ceux obtenus manuellement. Le biais humain introduit dans la donnée est également moindre. Les approches numériques permettent de quantifier adéquatement l'orientation des discontinuités. La trace des discontinuités est également évaluée adéquatement avec les outils LiDAR lorsque les surfaces des excavations sont exemptes de grillage. Les mines Mine 2 et MP8H de la propriété Raglan ont servi de cas d'étude dans le cadre de ce mémoire, afin de démontrer la performance et l'applicabilité de la technologie LiDAR pour caractériser les discontinuités d'un massif rocheux