Importante: Le informazioni contenute negli articoli hanno scopo divulgativo. Si raccomanda sempre di verificare la correttezza e l'applicabilità dei contenuti facendo riferimento alle normative tecniche vigenti di settore e di discuterne con colleghi esperti attraverso la community del Forum Ingegneri.
La gestione in tempo reale di più flussi sensoriali su un unico dispositivo portatile è uno dei problemi aperti nel cantiere digitale. L’integrazione di LiDAR, più telecamere e unità inerziali richiede una potenza di calcolo che, fino a poco tempo fa, imponeva architetture distribuite con microcontrollori separati per ogni sensore. NavLive ha scelto il system-on-module Nvidia Jetson Orin per centralizzare l’elaborazione del suo scanner manuale da cantiere, riducendo peso e ingombri senza compromettere le prestazioni.
Architettura hardware e integrazione sensoriale
Il dispositivo integra cinque sensori: tre telecamere, un LiDAR e un modulo IMU. I dati vengono acquisiti simultaneamente e processati in un unico flusso computazionale. Con le generazioni precedenti ogni sensore richiedeva un microcontroller dedicato, con un impatto diretto su massa, volume e consumi elettrici. Il passaggio al Jetson Orin NX ha permesso di consolidare CPU, GPU e acceleratori deep learning su unico substrato, eliminando la frammentazione hardware.
La scelta del modulo Nvidia consente quindi di operare le funzioni di localizzazione e mappatura simultanea (SLAM) in tempo reale, insieme ai task di visione artificiale, senza ricorrere a unità di calcolo esterne. Come spiegato da David Wisth, CTO e co-fondatore di NavLive, la riduzione del peso è stata immediatamente percepibile dagli operatori, mentre le capacità di elaborazione sono aumentate.
Elaborazione real-time: SLAM e object detection
Sulla piattaforma Jetson lo scanner esegue SLAM in tempo reale e rileva oggetti ricorrenti in edilizia come finestre e porte. La combinazione dei tre flussi video con i dati LiDAR e della IMU alimenta modelli di deep learning che operano direttamente a bordo. Questo evita la latenza di connessione a server remoti e rende il dispositivo utilizzabile in contesti cantieristici con connettività limitata.
L’hardware conserva margini di scalabilità computazionale per implementare funzionalità aggiuntive. Tra queste è prevista l’anonimizzazione automatica delle riprese, attraverso il rilevamento dei volti, per soddisfare i requisiti di conformità normativa sulla privacy in cantiere.
Implicazioni per la pratica progettuale e operativa
Per i professionisti della progettazione strutturale e del BIM la disponibilità di uno scanner che integra in tempo reale SLAM e object detection significa poter disporre di nuvole di punti già arricchite con il riconoscimento degli elementi architettonici. Il dato grezzo da scansione viene processato localmente, riducendo i tempi di post-elaborazione in ufficio. Inoltre la centralizzazione del calcolo su una piattaforma unificata semplifica la manutenzione e l’aggiornamento del sistema, aspetto rilevante per chi opera con flotte di strumenti di rilievo.
La scelta di un SoM basato su architettura GPU general-purpose apre la strada a future personalizzazioni dei modelli di visione, adattabili a specifiche esigenze di cantiere o a particolari elementi costruttivi.
La convergenza tra acquisizione dati e intelligenza artificiale a bordo dispositivo sembra destinata a modificare i flussi di lavoro del rilievo digitale, rendendo la fase di elaborazione sempre più contestuale alla rilevazione stessa.
Partecipa al forum per Ingegneri civili!
La tua esperienza è fondamentale per la comunità. Unisciti a noi e contribuisci con le tue conoscenze!
Entra ora nel ForumCondividi, impara e cresci con i migliori professionisti del settore.