CityGML als Grundlage für die Indoor Positionierung mittels Range Imaging

Transkript

1 CityGML als Grundlage für die Indoor Positionierung mittels Range Imaging Münchner Fortbildungsseminar Geoinformationssystem Andreas Donaubauer, Tobias Kohoutek, Rainer Mautz ETH Zürich, Institut für Geodäsie und Photogrammetrie (IGP)

2 Inhalt 1. Übersicht Indoor-Positionierungssysteme 2. Unterscheidungskriterien für digitale 3D-Innenraummodelle 3. CityGML als geometrisch-semantisches Innenraummodell 4. Range Imaging als Messmethode 5. CityGML + Range Imaging als Positionierungsmethode 6. Fazit und Ausblick 2

3 Übersicht Positionierungssysteme: Messmethoden, Reichweiten und Genauigkeit

4 Übersicht Indoor-Positionierungssysteme: Systemkomponenten Komponenten gängiger Systeme Sensor Hardware ggf. Auswerte- +/ Datenübertragungssystem Lokale Referenz- Infrastruktur Digitale Referenzdaten Beispiel: WLAN- System WLAN-Empfänger WLAN- Access-Points Koordinaten der Access-Points, Signalstärkekarte Forschungsthema Range-Imaging- System Geometrischsemantisches Innenraummodell 4

5 Unterscheidungskriterien für digitale 3D-Innenraummodelle Art der Entstehung: Konstruktion / Aufmass* Zustand vor-/nach Fertigstellung des Gebäudes* Geometrische Modellierung: Constructive Solid Geometry / Boundary Representation* Semantische Modellierung: Existenz (Ja*/Nein), Detaillierungsgrad Datenformat: Computergrafik (VRML, X3D), CAAD/BIM-Welt (IFC), GIS-Welt (CityGML)* *=CityGML [Bildquelle: Claus Nagel et al. 2009] 5

6 CityGML als geometrisch-semantisches Innenraummodell Room class: z.b = education, research function/usage: z.b = prison cell boundedby: FloorSurface-, InteriorWallSurface-Objekte interiorfurniture: BuildingFurniture-Objekte roominstallation: InteriorBuildingInstallation-Objekte FloorSurface InteriorWall Surface Room Door FloorSurface lod4multisurface: InteriorWallSurface InteriorBuilding lod4multisurface: Building opening: Installation Verweis auf Furniture Door-Objekte Door lod4multisurface: address: Raumnummer etc. InteriorBuildingInstallation class: z.b = statics function/usage: z.b = column BuildingFurniture class: z.b = education, research function/usage: z.b = desk lod4implicitrepresenation: CAD-Zeichnung 6

7 Range Imaging als Messmethode kombinierte CMOS/CCD-Technologie parallele Aufnahme der lokalen Helligkeit und eines Distanzbildes Distanzmessung erfolgt mittel time-of-flight (TOF) Verfahren für jedes Pixel 7

8 Range Imaging als Messmethode Tiefenbild durch detektierten Phasenversatz Signalabgriff an vier Punkten zum Bestimmen von Offset, Amplitude und Phase D = Dmax * φ/2π 8

9 CityGML + Range Imaging als Positionierungsmethode 1. Grobpositionierung mittels Objekterkennung und logischer Auswertung der CityGML-Datenbasis 2. Einschränkung des Suchraums für die anschliessende Feinpositionierung 3. Feinpositionierung mittels Entfernungsmessung 9

10 Ablauf bezogen auf das Datenmodell von CityGML Building Room Room 2) FloorSurface Suchraum einschränken = Grobpositionierung 3) Weitere Raumbestandteile hinzu laden für Feinpositionierung InteriorWall Surface Door InteriorBuilding Installation 1) Typ und Anzahl bestimmter Möbelstück erkennen Building Furniture 10

11 Beispielmessungen *

12 Fazit Range Imaging: Kinematische Messung von 3D-Koordinaten in Echtzeit Erfassung von Räumen in ihrer Lage + darin enthaltener Objekte Identifikation von Objekten kann durch maschinelles Lernen trainiert werden Grenzen: relativ kleiner eindeutiger Messbereich der Kamera, Mixed Pixels, störende Objekte, Mehrdeutigkeiten CityGML scheint aus folgenden Gründen geeignet: Geometrisch-semantisches Modell und Detaillierungsgrad sind Messmethode angemessen (keine verborgenen oder nur teilweise sichtbaren Objekte im Gegensatz zu CAAD) Kopplung von Outdoor- und Indoor-Positionierungsverfahren durch Unterstützung geodätischer Bezugssysteme 12

13 Ausblick Implementierung der Positionierungsmethode mit Grob- und Feinpositionierung Forschungsfragen: Welcher Genauigkeitsbereich / welche Zuverlässigkeit kann erreicht werden und welche Anwendungsmöglichkeiten gibt es somit für die Methode? Wo liegen die Vor- und Nachteile der Methode im Vergleich zu Techniken, die ohne ein semantisch-geometrisches Innenraummodell arbeiten? Wie muss ein geometrisch-semantisches Innenraummodell beschaffen sein, das die Methode optimal unterstützt? Reicht CityGML? Erweiterung? Anforderungen an Datenqualität? 13