Data Science met
Mobile M
Mobile Mapping is het proces van
inwinnen van ruimtelijke data door
gebruik te maken van een voertuig
uitgerust met GPS, fotografie,
LIDAR, laser en/of radarsensoren.
Mobile Mapping maakt het
mogelijk om rijdend in het verkeer
de weg en de naaste omgeving
in kaart te brengen. Een rit met de
auto levert de volgende data op:
positie van de auto, 360 graden
foto's en een 3D-puntenwolk.
4 Geo-Info I 2020-4
Wat is Mobile Mapping?
Door Jelle Pot
De Streetmapper (Mobile Mapping systeem
van Geomaat, zie figuur i) is een systeem
dat verschillende sensoren bevat: GPS IMU
(Inertial Measurement Unit), fotografie en
laserscanner (LIDAR). De IMU bepaalt 250 maal
per seconde de positie van de auto (roll, pitch
en heading, vergelijkbaar met een gyroscoop
in een vliegtuig). Het systeem kan op verschil
lende soorten voertuigen worden bevestigd.
Figuur 1 - Streetmapper.
Puntenwolk
Een punt in de 3D-puntenwolk wordt berekend
door de positie van de auto en de afstand die een
laserstraal heeft afgelegd (waar de laserstraal dus
wordt weerkaatst) te bepalen. Een punt heeft dus
een X, Y, Z-coördinaat en een intensiteit (mate van
reflectie van de lichtstraal) als attribuutwaardes.
Door verdere ontwikkeling van het systeem is het
mogelijk om steeds nauwkeuriger een RGB-
waarde aan een punt als attribuut toe te voegen.
Zo kunnen ook puntenwolken die kleurwaardes
bevatten worden gemaakt. Een rit met het sys
teem kan een puntenwolk opleveren van miljoe
nen tot miljarden punten. Met de 3D-puntenwolk
en 360 graden foto's kan de omgeving zeer nauw
keurig in kaart worden gebracht. Uit deze enorme
dataset (miljoenen tot miljarden punten), die door
één rit met de auto gegenereerd wordt, moet vaak
nog bruikbare informatie worden gehaald.
Ontwikkeling van de puntenwolk
Puntenwolken kunnen dus zeer grote bestanden
worden. Vijftien jaar geleden hadden computers
nog geen grote opslagcapaciteit en konden
netwerken deze grote hoeveelheden data niet
verwerken. Alleen heel specifieke software
kon de grote puntenwolken inladen. Dit is de
afgelopen tien jaar sterk veranderd. Een voor
beeld hiervan is de ontwikkeling om zo veel
mogelijk bewerkingen aan de puntenwolk te
parallelliseren. Door bewerkingen die voorheen
serieel werden uitgevoerd, parallel uit te voeren
Met Mobile Mapping worden grote
hoeveelheden ruimtelijke data (3D-pun-
tenwolken, foto's, sensor data) inge
wonnen. Het omzetten naar bruikbare
informatie, denk aan verkeersborden,
wegmarkeringen, kantverharding etc.,
gaat nu nog veelal handmatig. Welke
mogelijkheden bieden Data Science
technieken als Deep Learning om deze
geautomatiseerd uit 3D-puntenwolken
te halen? De ervaringen met het Mobile
Mappingsysteem van Geomaat, de
Streetmapper, worden gebruikt om de
ontwikkelingen te beschrijven.
zijn enorme tijdswinsten te halen. Tegenwoordig
is de rekenkracht van computers sterk toegeno
men waardoor puntenwolken steeds toeganke
lijker worden. Bovendien is de opslag van grote
datasets verbeterd en komen er langzaam meer
cloudoplossingen om puntenwolken te bewer
ken. Het bekijken en muteren van puntenwolken
kan met verschillende software worden gedaan.
Op dit moment is er een razendsnelle ontwikke
ling gaande om snel de benodigde informatie uit
puntenwolken te halen.
Feature extractie uit de puntenwolk
De benodigde informatie (features) uit de pun
tenwolken halen blijkt een lastige taak voor orga
nisaties die deze informatie willen gebruiken. In
het verleden was een 3D-puntenwolk vooral een
tussenproduct. Features halen uit de puntenwolk
was (en is) veelal handmatig en specialistisch werk.
Met CAD-programma's worden 3D-lijnen en/of
punten getekend om features in de puntenwolk
om te zetten naar vectoren (zie figuur 2). Dat is
altijd een kostbaar en tijdrovend proces geweest.
Een volgende stap is dan ook het automatiseren
van dit werkproces ter ondersteuning van het
handmatig uitwerken. En verdere realisatie van
kostenbesparing wordt ook gevonden door dit
werk uit te besteden naar de lageloonlanden.
Of dit een wenselijke ontwikkeling is, laat ik nu
in het midden. Verdere automatisering van het
extraheren van features lijkt echter een logische
volgende stap, mede door de toegenomen
rekenkracht van computers.
Automatisering van feature extractie
Sinds 2011 ontwikkelt Geomaat in samenwer
king met TNO software die features uit de
puntenwolk haalt. De eerste automatiserings-
