بررسی قابلیت سنسور مدت پرواز گوشی‌های‌ هوشمند در داده‌بَرداری فضای داخلی ساختمان

باتوجه‌به افزایش چشمگیر در استفاده از مدل‌سازی اطلاعات ساختمان (bim ) و نقش برجسته آن در صنایع معماری، مهندسی و ساخت‌وساز (aec )، دستیابی به یک مدل وضعیت موجود دقیق از اهمیت ویژه‌ای برخوردار است. درعین‌حال، ابزارهای کنونی برای تهیه داده‌های سه‌بعدی و بازسازی وضعیت موجود ساختمان‌ها با چالش‌هایی نظیر محدودیت در دقت و هزینه‌های بالا مواجه هستند. از زمان معرفی سنسور لیدار در گوشی‌های آیفون در سال 2020، تحقیقات گسترده‌ای برای ارزیابی قابلیت این سنسور در حوزه‌های مختلف به‌ویژه نقشه‌برداری صورت‌گرفته است. این پژوهش به مقایسه داده‌های اسکن سه‌بعدی آیفون در دو حالت با و بدون استفاده از گیمبال با داده‌های حاصل از فتوگرامتری و توتال استیشن می‌پردازد. نتایج نشان می‌دهد که استفاده از گیمبال باعث رفع خطای اسکن چندگانه و افزایش دقت هندسی می‌شود. در تحلیل ابر به ابر (c2c ) بدون گیمبال، خطاهای بیش از 35 سانتی‌متر مشاهده شد، درحالی‌که با استفاده از گیمبال، این خطاها به حداقل رسیده و اکثر اختلافات زیر 0.10 سانتی‌متر بودند. با وجود در برخی از قسمت ها خطا 10 تا 20 سانتی‌متر باقی ماند. مقدار خطای ریشه میانگین مربعات (rmse) برای داده‌های بُرداری تلفن هوشمند بین 15 تا 20 سانتی‌متر بوده است. در مقایسه، rmse توتال استیشن و فتوگرامتری به ترتیب 2 میلی‌متر و 1.5 سانتی‌متر اندازه‌گیری شده است. بنابراین داده‌های تلفن‌های هوشمند برای نقشه‌برداری داخلی با دقت متوسط مناسب هستند، اما برای پروژه‌های مهندسی دقیق قابل اعتماد نیستند.

investigating the capability of the smartphones time-of-flight sensor to data-capturing interior spaces of building

considering the significant increase in the use of building information modeling (bim) and its prominent role in the architecture, engineering, and construction (aec) industries, achieving an accurate as-built model is of critical importance. however, current tools for acquiring 3d data and reconstructing as-built building conditions face challenges such as limitations in accuracy and high costs. since the introduction of the lidar sensor in iphones in 2020, extensive research has been conducted to evaluate the capabilities of this sensor across various fields, especially in surveying. this study compares 3d scan data from the iphone in two modes— with and without the use of a gimbal— with data obtained from photogrammetry and a total station. the results show that using a gimbal eliminates the errors from multiple scans and enhances geometric accuracy. in the cloud-to-cloud (c2c) analysis without a gimbal, errors exceeding 35 cm were observed, while with the gimbal, these errors were minimized, with most discrepancies being below 0.10 cm. although some errors ranging from 10 to 20 cm were present, the root mean square error (rmse) for smartphone-derived vector data ranged between 15 to 20 cm. in comparison, the rmse for the total station and photogrammetry was measured at 2 mm and 1.5 cm, respectively. while the accuracy of this data is lower, it is suitable for medium-accuracy indoor building surveys, though it is less reliable for engineering projects requiring very high precision.