En ny algoritm utvecklad av University of Twente Ph.D. kandidaten Phillipp Fanta-Jende förbättrar noggrannheten hos undersökta mobila kartläggningsprodukter. Den kan kompensera för mätfel från felaktig satellitbaserad positionering som vanligtvis förekommer i stadsområden. Den nya tekniken är kostnadseffektiv jämfört med traditionella arbetsintensiva metoder samtidigt som den möjliggör en jämförbar noggrannhet i området med låga decimeter.

Mobil kartläggning i tätorter

Mobil kartläggning inkluderar alla former av geospatial datainsamling med hjälp av en mobil plattform som bär ett eller flera sensorsystem. En av de mest kända användningarna av mobil kartläggning är Google Street View, där en bil med en 360-graderskamera monterad på taket används för att kartlägga alla gator i världen.

Stadsområden kräver ofta användning av mobil kartläggning men är kanske de områden som är svårast att kartlägga korrekt. För att få mobil kartläggning att fungera, systemet behöver en direkt siktlinje med flera navigationssatelliter för att alltid veta sin exakta position. I stadsområden, detta kan bli ett problem eftersom höga byggnader kan blockera signalen, gör uppgifterna mindre korrekta.

Dramatiska perspektivskillnader

För att göra den inhämtade informationen mer korrekt, University of Twente Ph.D. kandidaten Phillipp Fanta-Jende utvecklade en algoritm som använder flygbilder – som är allmänt och ofta fritt tillgängliga – för att korrigera de ursprungliga uppgifterna. "Ett av de stora problemen jag tacklade i min avhandling, är de dramatiska perspektivskillnaderna mellan datamängderna för flygbilder och mobil kartläggning, ", säger Fanta-Jende. Algoritmen måste känna igen objekt – som vägmarkeringar – från en vy ovanifrån (flygbilder) men också en gatuvy (mobil kartläggning). Identifierade objekt används för att upprätta tusentals länkar mellan datamängderna som möjliggör en matematisk procedur för att korrigera mobil kartdata.

Fanta-Jendes algoritm fungerar inte bara med flygbilder gjorda i rät vinkel; den kan också använda sneda bilder. Detta är särskilt användbart i stadsområden där det inte alltid finns en direkt siktlinje till vägen rakt uppifrån på grund av växtlighet eller där det inte finns några tydliga särdrag på vägen alls.

Testad i Rotterdam

För sin forskning, data från staden Rotterdam användes som ett testområde eftersom det erbjuder ett typiskt urbant kanjonscenario med ett stort antal höghus. I testerna, en noggrannhet på 10—20 centimeter uppnåddes från initiala fel upp till en meter. Noggrannheten bekräftades av mer vanligt använda tekniker som kräver manuellt arbete.

Vidareutveckling av denna teknik sker hos anslutna företag som Cyclomedia och Fugro. Arbetet kan utökas mot realtidsbearbetning och användas för relaterade områden, såsom autonom körning eller drönare.