1 / 13

CityGML als Grundlage für die Indoor Positionierung mittels Range Imaging

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.

makana
Download Presentation

CityGML als Grundlage für die Indoor Positionierung mittels Range Imaging

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. CityGML alsGrundlagefür die Indoor Positionierungmittels Range Imaging Münchner Fortbildungsseminar Geoinformationssystem 10.03.2010 Andreas Donaubauer, Tobias Kohoutek, Rainer Mautz ETH Zürich, InstitutfürGeodäsie und Photogrammetrie (IGP)

  2. 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

  3. Übersicht Positionierungssysteme: Messmethoden, Reichweiten und Genauigkeit

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

  5. Unterscheidungskriterien für digitale3D-Innenraummodelle • Art der Entstehung: Konstruktion / Aufmass* Zustand vor-/nach Fertigstellung des Gebäudes* • *=CityGML • Geometrische Modellierung:Constructive Solid Geometry / BoundaryRepresentation* • Semantische Modellierung:Existenz (Ja*/Nein), Detaillierungsgrad • Datenformat:Computergrafik (VRML, X3D), CAAD/BIM-Welt (IFC), GIS-Welt (CityGML)* [Bildquelle: Claus Nagel et al. 2009]

  6. CityGML als geometrisch-semantisches Innenraummodell • Room • class: z.B. 1070 = education, research • function/usage: z.B. 2720 = prisoncell • boundedBy:  FloorSurface-, InteriorWallSurface-Objekte • interiorFurniture:  BuildingFurniture-Objekte • roomInstallation:  InteriorBuildingInstallation-Objekte • 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

  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

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

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

  10. Ablauf bezogen auf das Datenmodell von CityGML • Building • Room • Room 2) Suchraum einschränken = Grobpositionierung • FloorSurface • InteriorWallSurface • InteriorBuildingInstallation • BuildingFurniture 1) Typ und Anzahl bestimmter Möbelstück erkennen • Geometrie • Geometrie • Door • Geometrie • Geometrie 3) Weitere Raumbestandteile hinzu laden fürFeinpositionierung • Geometrie

  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

  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?

More Related