Fernández Gómez, Wilmar DaríoLópez Pinzón, Sergio Daniel2026-02-102026-02-102025-11-27http://hdl.handle.net/11349/100311El desempeño funcional de un pavimento mide el nivel de confort que experimentan los usuarios al transitar sobre una vía. La evaluación de este nivel de comodidad se realiza, generalmente, analizando la regularidad del pavimento a través de índices estandarizados como el Índice de Regularidad Internacional -IRI- o el Ride Number -RN-. El insumo fundamental para el cálculo de este tipo de índices son los perfiles longitudinales de las roderas del pavimento. Tradicionalmente, estos perfiles se reconstruyen mediante métodos como las nivelaciones de precisión o los perfilómetros inerciales. Aunque estos últimos son los más utilizados y han demostrado ser efectivos, presentan limitaciones significativas, como la sensibilidad a las variaciones en la velocidad del vehículo y la falta de repetibilidad en las mediciones, lo que compromete la confianza en su uso para administrar grandes redes de pavimentos. Con el avance de la tecnología LiDAR móvil, se abre una oportunidad para superar estas limitaciones mediante el aprovechamiento de datos espaciales tridimensionales de alta resolución. Esta investigación propone una metodología eficiente y automatizada para el procesamiento de nubes de puntos LiDAR móvil, con el fin de obtener perfiles longitudinales del pavimento, contemplando altos rendimientos computacionales. La metodología se organiza en dos fases: la primera aborda el desarrollo de una estrategia basada en redes neuronales artificiales para la extracción automática de la superficie de rodadura, mientras que la segunda se centra en la identificación automatizada de los bordes y eje de vía, con el fin de realizar el trazado y cálculo de los perfiles longitudinales del pavimento. Para esta última se emplean técnicas avanzadas como envolventes cóncavas, esqueletos topológicos y árboles KD. La implementación de la metodología se llevó a cabo en Python y se puso a prueba con nubes de puntos LiDAR de acceso libre. Se demostró su viabilidad al lograr tiempos reducidos en la extracción automática de los perfiles y productos aptos para calcular índices estandarizados como el IRI.The functional performance of a pavement measures the level of comfort experienced by users traveling on a road. This comfort level is generally assessed by analyzing pavement regularity using standardized indices such as the International Roughness Index (IRI) or the Ride Number (RN). The fundamental input for calculating these indices is the longitudinal profile of the pavement ruts. Traditionally, these profiles are reconstructed using methods such as precision leveling or inertial profilometers. Although the latter are the most widely used and have proven effective, they have significant limitations, such as sensitivity to variations in vehicle speed and a lack of repeatability in measurements, which compromises the reliability of their use in managing large pavement networks. With the advancement of mobile LiDAR technology, an opportunity arises to overcome these limitations by leveraging high-resolution, three-dimensional spatial data. This research proposes an efficient and automated methodology for processing mobile LiDAR point clouds to obtain longitudinal pavement profiles, achieving high computational performance. The methodology is organized into two phases: the first addresses the development of a strategy based on artificial neural networks for the automatic extraction of the road surface, while the second focuses on the automated identification of the edges and centerline of the roadway in order to trace and calculate the longitudinal pavement profiles. Advanced techniques such as concave envelopes, topological skeletons, and KD trees are used for this latter phase. The methodology was implemented in Python and tested with open-source LiDAR point clouds. Its viability was demonstrated by achieving reduced times in the automatic extraction of profiles and products suitable for calculating standardized indices such as the IRI.pdfspaLiDAR móvilRedes neuronales artificialesRegularidad de pavimentosmasterThesisMaestría en Ciencias de la Información y las Comunicaciones -- Tesis y disertaciones académicasTecnología LiDAR móvilProcesamiento y análisis de nubes de puntosEvaluación y gestión de pavimentosOpenAccessMobile LiDARArtificial neural networksPavement smoothnessAbierto (Texto Completo)