Indoor Mapping

Abbildung 1: Standortbasierte Dienste, Robotik, erweiterte Realität und mobile Ad-hoc-Netzwerke sind stark mit der Existenz von Innenraumkarten verbunden.
Challenges and Objectives

Abbildung 2: Beispiel für eine erweiterte CityGML Detaillierungsstufe 2+ (LoD), welche Informationen über die Anzahl der Etagen und ihrer Höhe trägt.
Dieses Projekt zielt darauf ab, ein Modell einzuführen, das die Integration von dynamisch generierten, semantisch annotierten Innenraumkarten ermöglicht. Auf diese Weise werden weitere Plattformdienste durch semantische Geoinformationen verbessert. Nach der Einführung eines solchen Modells wird die Integration von existierenden Innenraumkarten zu Dienstleistern ermöglicht. Diese Karten werden bestehenden Standards wie CityGML und IndoorGML folgen. Schließlich wird die homogene B2B-Integration von Innenkarten mit semantischen Beschreibungen ermöglicht (z. B. Abbildung 2).
CityGML LoD2+
Unser Ziel

Abbildung 3: Ein Beispiel für ein Datenflussdiagramm, wie ein dynamischer Abbildungsprozess potenziell realisiert werden könnte. Das Diagramm zeigt den gesamten Informationsfluss als allmähliche Schritte, die mit der Identifizierung von Referenzorten beginnen wie Eingängen oder anderen eindeutig identifizierten Orten, die zu den wesentlichen Übergängen vom Außen- zum Innenraum gehören. Nach erfolgreichem Erhalt eines Referenzstandortes benötigen wir zur Lokalisierung eines Menschen in möglichst Infrastruktur-unabhängiger Weise 01 seine Gehrichtung und 02 seine Schrittlänge. Nach dem erfolgreichen Lokalisieren eines menschlichen Innenraums und der 03 Untersuchung der Eigenschaften der Orte, die er besucht hat, können charakteristische Orte im Innenraum erkannt werden. Zusätzlich kann durch die Kartierung von menschlichen Spuren im Innenraum eine 04 Punktwolke des Gebäudes erzeugt werden. Nachdem diese Punktwolke auf Basis von WiFi-Signalrückstrahlungen von den Wänden segmentiert wurde, können 05 Räume der Struktur erkannt werden, und eine 06 Karte, die die Geometrie des Innenraums beschreibt, entsteht. 07 Durch die Gruppierung der menschlichen Spuren auf der Grundlage ihrer Zeitcharakteristiken kann die 08 Topologie des Innenraums erkannt werden. Schließlich kann eine semantische Karte erzeugt werden, die den Kontext der Person an bestimmten Orten identifiziert..
Aktueller Schwerpunkt
Wir glauben, dass es keine einheitliche Abbildung von Innenräumen geben wird, sondern vielmehr ein vielfältiges Spektrum an Techniken und Dienstleistungen, um Karten und Dienstleistungen für Innenräume benutzerdefiniert aufzubauen [6]. Es ist möglich, dass einige Dienste eigentlich nicht einmal genaue Karten erfordern, wie im Fall eines Dienstes „Bring mich zum Ausgang“ (Englisch: “Take me to the exit“) (Abbildung 4), für den nur Benutzerspuren ausreichend sein können. Wir behaupten auch, dass wir uns in Richtung auf benutzerdefinierte Lösungen für die Kombination von Innenraum-Kartierungstechniken bewegen, um die Genauigkeit zu verbessern und eine Vielzahl von verschiedenen Dienstleistungen zu ermöglichen.
Abbildung 4: [4] Ein Beispiel für einen „Bring mich zum Ausgang“-Dienst (Englisch: Take me to the exit“-service). ariadne, zeigt dem Benutzer den nächsten Ausgang von der U-Bahn-Station zu seinem Ziel, das nächste Abteil zu seinem Ausgang, sowie eine Innenraum-Wegbeschreibung von der U-Bahn-Plattform zum Ausgang.

Abbildung 5: [5] Die Anwendung recordData, deren Ziel es ist, Daten von Benutzer-Smartphones zu sammeln und sie an unseren Server zu liefern. Sie kann die folgende Gruppe von Aktivitäten erkennen: Sitzen, Stehen, Gehen, Treppensteigen aufwärts, Treppensteigen abwärts, Fahrt mit dem Aufzug nach oben, Fahrt mit dem Aufzug nach unten.
Die Erfassung von Daten aus Kompass, Beschleunigungssensor, Kreisel, Schrittzähler und Umgebungsdruck, durch die recordData-Anwendung ermöglicht Koppelnavigation. Koppelnavigation ist eine Lokalisierungsmethode, bei der der aktuelle Standort auf der Grundlage der vorherigen Position, der Richtung und der zurückgelegten Entfernung berechnet wird.

Abbildung 6: Segmentierung von Daten zur Aktivitätserkennung. Gelb: Sitzen, Magenta: Stehen, Blau: Gehen, Cyan: Treppensteigen aufwärts, Rot: Treppensteigen abwärts, Grün: Aufzug nach oben, Weiß: Aufzug nach unten.

Abbildung 7: Beispiel für Benutzer-Traces berechnet mit Koppelnavigation, Aktivitätserkennung und Höhenberechnung mit der barometrischen Formel. Blau: Gehen, Rot: Treppensteigen aufwärts.
Schließlich werden mittels geometrischer Algorithmen die Geometrie, die Topologie und die Semantik des Innenraums nach bestehenden Standards wie CityGML, IndoorGML und anderen identifiziert und abgebildet.
Wenn Sie weitere Informationen über dieses Teilprojekt erhalten möchten oder wenn Sie an einer Kooperation interessiert sind, um die Entwicklung von Innenraumkartierung / Lokalisierungs- bzw. Navigationslösungen zu entwickeln, wenden Sie sich bitte an Dr. Christian Prehofer oder Georgios Pipelidis. Motivierte Studenten, die sich für eine Diplomarbeit oder einer Forschungsarbeit unter Anleitung in einem der vorgestellten Themen suchen, sind auch eingeladen, jederzeit mit uns in Kontakt zu treten.
Dead Reckoning
References
[1] G. Pipelidis and C. Prehofer. „Models and Tools for Indoor Maps.“ Digital Mobility Platforms and Ecosystems (2016): 154.
[2] M. Alzantot and M. Youssef, “CrowdInside: Automatic Construction of Indoor Floorplans“, in Proceedings of the 20th International Conference on Advances in Geographic Information Systems, New York, NY, USA, 2012, pp. 99-108.
[3] D. Philipp et al., “Mapgenie: Grammar-enhanced indoor map construction from crowd-sourced data“, in Pervasive Computing and Communications (PerCom), 2014 IEEE International Conference on, 2014, pp. 139-147.
[4] http://ariadne.one
[5] https://play.google.com/store/apps/details?id=com.recordData.basic&hl=en
[6] G. Pipelidis, S. Xiang, and C. Prehofer. “Generation of indoor navigable maps with crowdsourcing“. Proceedings of the 15th International Conference on Mobile and Ubiquitous Multimedia. ACM, 2016.
Eigene Publikationen
[1] G. Pipelidis, X. Su, C. Prehofer, “Generation of indoor navigable maps with crowdsourcing”, 15th International Conference on Mobile and Ubiquitous Multimedia, Rovaniemi, Finland, Dec 12 – Dec 15, 2016
[2] G. Pipelidis, C. Prehofer, I. Gerostathopoulos, “Adaptive Bootstrapping for Crowdsourced Indoor Maps”, 3rd International Conference on Geographical Information Systems Theory, Applications and Management, Porto, Portugal, 27th to 28th April 2017
[3] G. Pipelidis, O. R. Moslehi Rad, D. Iwaszczuk, C. Prehofer, U. Hudentobler, “A Novel Approach for Dynamic Vertical Indoor Mapping through Crowd-sourced Smartphone Sensor Data”, 8th International Conference on Indoor Position Indoor Navigation, 18-09-2017, Sapporo, Japan.