Как сообщает Вестник ГЛОНАСС, планирование, управление ликвидацией последствий стихийных бедствий, угрозы безопасности, присущие сложной городской среде, требуют новых решений. Исследователи опираются на разработки, используя такие подходы, как цифровой двойник, элементы объёмного изображения (воксели), LiDAR, для моделирования с ранее невозможными уровнями детализации, точности и достоверности. В сотрудничестве с Университетом Нового Южного Уэльса (UNSW) Европейская ассоциация индустрии аэрофотосъемки (EAASI) собрала специалистов, чтобы поделиться своими идеями и расширить знания о потенциале 3D-моделей городов для вывода их следующий уровень.

Профессор д-р Сиси Златанова, руководитель лаборатории GRID (инновации и развитие геопространственных исследований) в Школе искусственных сред, UNSW в Сиднее, открыла сессию своей презентацией «Облака точек и не только: парадигма трёхмерного моделирования». Городской «цифровой двойник», цифровая копия, обеспечивающая конвергенцию физического и цифрового состояний, в последние годы стала горячей темой. Этот метод ценят за способность поддерживать широкий спектр приложений – от городского планирования до умных городов и управления при стихийных бедствиях. Он выходит за рамки простой геопространственной модели, предлагая данные о поведении, связях между объектами и ряд других факторов, что позволяет объединять как статическую, так и динамическую информацию из реального и цифрового мира. Дистанционное зондирование на открытом воздухе и в помещении становится критически важным для 3D-моделирования городов, в частности, для 3D-обновления и 3D-аналитики, для динамического анализа. По-прежнему необходимы более совершенные процедуры для обнаружения изменений в трёхмерном пространстве, и в будущих исследованиях будет разумно сосредоточиться на этих важных областях.

Доктор Петра Гельмхольц – эксперт по фотограмметрии, дистанционному зондированию и анализу изображений из Школы наук о Земле и планетах Университета Кертина в Перте, Австралия. От облаков точек и изображений до контуров и моделей зданий – работа Петры по трёхмерному моделированию городов и обнаружению тепла в городах, которая проводится совместно с Институтом Фраунгофера в Карлсруэ, Германия. Уровень детализации повышается постепенно, начиная с цифровой модели поверхности (DSM), полученной с помощью лазерных сканеров или изображений, затем извлекается рельеф с помощью цифровой модели местности (DTM). Применяются вертикальные пороговые значения, создаётся маска земли, и окончательная DTM создается с использованием нормализованной DSM.

Цель состоит в том, чтобы сгенерировать приблизительную модель многоугольника здания с использованием алгоритма отслеживания контуров Мура в качестве начального шага, за которым следует алгоритм, управляемый данными, основанный на геометрических свойствах здания. Точность модели зависит от двух факторов: разрешения изображений и разрешения или плотности облаков точек. Поскольку точность подхода алгоритма отслеживания контуров Мура не так высока, как хотелось бы, применяется дополнительное математическое моделирование. И модели Гаусса-Хельмерта, и модели Гаусса-Маркова используются для корректировки многоугольников зданий, что приводит к гораздо лучшему контуру, более репрезентативному для маски здания, со средней погрешностью от 0,91 см до 1 м для исследуемой области из 126 зданий в Перте. Для получения полной семантической 3D-модели потребовалось дополнительное моделирование, а для разработки цифрового двойника 4D для городских тепловых островов – моделирование температуры поверхности. В последние годы изображения данных стали более плотными, с увеличенным пространственным, временным и спектральным разрешением, что позволяет создавать более подробные и точные модели. Эти модели облегчают работу конечных пользователей, включая городских планировщиков, поддерживая общую цель создания более пригодных для жизни городов.

Д-р Джек Бартон, менеджер лаборатории GRID в UNSW, получил образование архитектора и специализируется на приложениях для 3D-картографии и городского моделирования. Он объяснил потенциал вокселей для обработки и анализа, поделившись некоторыми новыми методологическими подходами. Сиднейский мост Харбор-Бридж и Оперный театр создают проблемы для традиционного моделирования из-за своей известной сложности, а воксели обеспечивают простое решение. Воксели – это дискретный трёхмерный пиксельный подход с множеством приложений, включая медицину, геоматику и исследования искусственной среды. Воксели полезны для моделей, поскольку они предоставляют ценные данные на уровне объёма, превышающие то, что может предложить двухмерный или векторный анализ, обеспечивая анализ видимости для отбрасывания теней и других объёмных анализов. LiDAR всё чаще используется в Австралии для сбора огромных объёмов данных облаков точек на больших территориях, разметки и добавления слоев семантики к существующим данным для поддержки анализа пространств. Воксели позволяют идентифицировать гораздо более детализированные детали, внедряя интеллектуальные функции в облака точек, чтобы упростить идентификацию и определение объектов, тем самым улучшая и ускоряя процессы анализа данных.

Воксели также полезны для вычисления объёма внутри помещений, комбинируя крупномасштабные топографические карты, аэрофотоснимки LiDAR или фотограмметрические облака точек и доступные данные по строительной практике для оценки объёмов и площадей на жилую единицу. Эти вокселизированные данные позволяют быстро и эффективно выявлять важную информацию, которую невозможно получить с помощью традиционных векторных методов. Этот интеллектуальный подход имеет множество приложений, включая планирование действий в чрезвычайных ситуациях, моделирование путей и динамический навигационный поиск в общественных зданиях. Это позволяет интеллектуально моделировать факторы аварийной эвакуации, такие как дым, газ и пожар внутри зданий, предоставляя важные данные для информирования планирования.

Сочетание вокселизации с облаками точек обеспечивает быстрый анализ и моделирование как в трёхмерном, так и в четырёхмерном измерении для информирования планирования, особенно при реагировании на чрезвычайные ситуации. Дальнейшие исследования в области моделирования навигации октодерева предлагают потенциал для уменьшения вычислительной сложности, деталей управления и, что наиболее важно, для обеспечения космического анализа.

Что касается автономного вождения, то этот вопрос остается спорным, по мнению профессора Куроша Кошельхама из Университета Мельбурна. Хотя на самом деле существует пять уровней автономного вождения, оно вряд ли получит широкое распространение в ближайшем будущем. Человеческая ошибка является причиной 94% дорожно-транспортных происшествий, и автоматизация вождения может напрямую решить эту проблему, обеспечивая более безопасные дороги, улучшенный транспортный поток, сокращение выбросов и улучшенную мобильность для людей с особыми потребностями. LiDAR может помочь с восприятием окружающей среды при вождении, с созданием карт высокой чёткости и позиционированием транспортных средств, и он более точен в различных погодных условиях, чем камеры, поэтому в ненастную погоду могут возникнуть проблемы с безопасностью и производительностью.

Расширенные ML-модели обучаются с помощью помеченных вручную данных, которые при развёртывании могут идентифицировать и определять местонахождение объектов в дорожной среде. Машинное обучение, основанное на комбинации LiDAR и камеры, намного точнее (более 98%), чем любой другой метод по отдельности. Потребность в аннотированных данных является проблемой для классификации облаков точек в более крупном масштабе для создания подробных трёхмерных карт дорожной среды. Еще одна проблема – адаптация и переносимость сцены в разных средах, поскольку дорожные условия различаются в разных городах и странах. Машинное обучение – это ключ, который откроет весь потенциал автономных транспортных средств в будущем.

Границы трёхмерных городских моделей с использованием данных аэрофотосъемки в настоящее время формируются, и точность и уровень детализации, возможные с помощью этих новых подходов, делают эту область одной из самых захватывающих.