CityGML als Grundlage für die Indoor Positionierung mittels Range Imaging Münchner Fortbildungsseminar Geoinformationssystem 10.03.2010 Andreas Donaubauer, Tobias Kohoutek, Rainer Mautz ETH Zürich, Institut für Geodäsie und Photogrammetrie (IGP)

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

Übersicht Positionierungssysteme: Messmethoden, Reichweiten und Genauigkeit

Übersicht Indoor-Positionierungssysteme: Systemkomponenten Sensor Hardware ggf. Auswerte- +/ Datenübertragungs- system Lokale Referenz- Infrastruktur Digitale Referenzdaten Komponen- ten gängiger Systeme WLAN-Empfänger WLAN- Access-Points Koordinaten der Access-Points, Signalstärkekarte Beispiel: WLAN- System Range-Imaging- System Geometrisch-semantisches Innenraummodell Forschungs- thema

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

CityGML als geometrisch-semantisches Innenraummodell Room class: z.B. 1070 = education, research function/usage: z.B. 2720 = prison cell boundedBy:  FloorSurface-, InteriorWallSurface-Objekte interiorFurniture:  BuildingFurniture-Objekte roomInstallation:  InteriorBuildingInstallation-Objekte Room FloorSurface Geometrie InteriorWall Surface Door InteriorBuilding Installation Building Furniture FloorSurface lod4MultiSurface: Geometrie InteriorWallSurface lod4MultiSurface: Geometrie opening: Verweis auf Door-Objekte Door lod4MultiSurface: Geometrie address: Raumnummer etc. InteriorBuildingInstallation class: z.B. 6000 = statics function/usage: z.B. 7020 = column BuildingFurniture class: z.B. 1100 = education, research function/usage: z.B. 1230 = desk lod4ImplicitRepresenation: CAD-Zeichnung

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

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

CityGML + Range Imaging als Positionierungsmethode „Grobpositionierung“ mittels Objekterkennung und logischer Auswertung der CityGML-Datenbasis Einschränkung des Suchraums für die anschliessende Feinpositionierung „Feinpositionierung“ mittels Entfernungsmessung

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

Beispielmessungen + * -

Fazit Range Imaging: CityGML scheint aus folgenden Gründen geeignet: 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

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?