Der Beginn eines neuen Jahres ist immer ein guter Zeitpunkt, um einen Ausblick auf die Zukunft zu wagen. Ich bin seit 34 Jahren in der Geospatial-Branche tätig, und ich glaube, dass wir in den nächsten Jahren dramatischere Veränderungen erleben werden als in den vergangenen 34 Jahren. Insbesondere glaube ich, dass eine Reihe neuer Technologien die Art und Weise, wie wir Daten über die Welt um uns herum erfassen und pflegen, verändern wird, indem wir von manuellen Prozessen zu vollautomatischen übergehen. Dazu gehören Augmented Reality, Reality Capture, Computer Vision und maschinelles Lernen (es gibt einige Überschneidungen zwischen diesen Bereichen).
Das Problem der Pflege von Geodaten
Eine seit langem bestehende Herausforderung für Infrastrukturunternehmen besteht darin, ihre Geodaten auf dem neuesten Stand zu halten, während sie ihre Netze erweitern und warten. Gegenwärtig kann es Wochen, wenn nicht sogar Monate dauern, bis Änderungen im "Ist-Zustand" in das Unternehmenssystem, in der Regel ein GIS, zurückfließen. Es gibt viele geschäftliche Gründe, warum ungenaue und veraltete Informationen über die Netzinfrastruktur inakzeptabel sind, darunter die Zuverlässigkeit des Netzes, der Kundenservice, die Markteinführungszeit und die Sicherheit.
Crowdsourcing
Die einzige praktikable Lösung für dieses Problem ist Crowdsourcing oder das, was wir manchmal als Field-Sourcing bezeichnen: Die Person, die die Änderungen am Netz vornimmt, muss aufzeichnen, was sie zu dem Zeitpunkt geändert hat, zu dem sie es tut. Wir bei IQGeo sind der Meinung, dass wir in diesem Bereich mit unseren mobilen Lösungen führend sind, die es ermöglichen, mit einfach zu bedienenden Apps intelligente Aktualisierungen der Netzwerkdaten im Feld vorzunehmen. Diese Apps werden zur Verbesserung der Netzqualität bei vielen unserer Kunden aus den Bereichen Telekommunikation, Strom- und Gasversorgung eingesetzt. Es kann jedoch noch mehr getan werden, um den Prozess der Datenerfassung zu automatisieren und damit noch einfacher und schneller zu machen, was zu einer breiteren Akzeptanz in einer Vielzahl von Situationen führt.
Die Zukunft ist schon da - sie ist nur nicht gleichmäßig verteilt
William Gibson ist der Autor des Science-Fiction-Romans "Neuromancer", in dem er den Begriff "Cyberspace" geprägt hat. Er sagte einmal: "Die Zukunft ist schon da - sie ist nur nicht gleichmäßig verteilt", und das trifft sehr gut auf die oben genannten Technologien zu. Sie werden bereits in einer Reihe verschiedener Branchen eingesetzt, haben aber noch keinen nennenswerten Einfluss auf raumbezogene Anwendungen für Infrastrukturunternehmen.
Selbstfahrende Autos sind ein besonderer Markt, der den Stand der Technik bei der automatischen Erkennung der uns umgebenden Welt wirklich vorantreibt. Sehen Sie sich dieses kurze Video von Tesla an:
Sie können hier sehen, dass das Auto eine Vielzahl von Merkmalen in der physischen Welt erkennt und genau lokalisiert. Viele Male pro Sekunde identifiziert es Straßenschilder, Ampeln, sich bewegende Autos und Personen, Bordsteinkanten, Fahrbahnmarkierungen und vieles mehr. Das alles geschieht fast ausschließlich mit Kameras. Dieselben Grundsätze könnten natürlich auch auf die Erfassung von Daten über Infrastrukturen wie Masten, Schächte, Schaltschränke usw. angewendet werden.
Es gibt ein längeres (30-minütiges) Video einer Präsentation von Andrej Karpathy, Senior Director of Artifical Intelligence bei Tesla, das ich sehr empfehle, wenn Sie Zeit haben. Er spricht über ihre "Autoflotte" - im Gegensatz zu den meisten anderen Herstellern sind alle Tesla-Autos ständig online und übermitteln Informationen an Tesla zurück. Das Unternehmen hat etwa 1 Million Autos auf der Straße, und er erklärt, wie all diese Autos eine wesentliche Rolle in der Softwareentwicklung und im Testprozess spielen, indem sie Daten erfassen und im Hintergrund neue Algorithmen testen, während sie herumfahren. All dies geschieht ohne jegliche Beteiligung des Fahrers. Sowohl Lkw als auch Außendienstmitarbeiter könnten eine ähnliche Rolle in Infrastrukturunternehmen spielen.
Ein weiteres faszinierendes Element in diesem Video ist das Ausmaß, in dem maschinelles Lernen (ML) in der selbstfahrenden Software eingesetzt wird. Ursprünglich lag der Schwerpunkt des maschinellen Lernens auf der Erkennung von Merkmalen in der Umgebung des Fahrzeugs, aber es liegen riesige Mengen aufgezeichneter Daten darüber vor, wie die Fahrer in verschiedenen Situationen mit den Pedalen und dem Lenkrad interagiert haben, und jetzt wird maschinelles Lernen auf der Grundlage dieser Daten angewandt, um zu entscheiden, was das Fahrzeug in einer bestimmten Situation tun sollte. Bei dieser Art komplexer Probleme löst das maschinelle Lernen die herkömmliche Softwareentwicklung immer mehr ab. Dies ist auch in verschiedenen Bereichen von Infrastrukturunternehmen anwendbar, einschließlich der Datenerfassung, aber auch in anderen Bereichen wie dem automatisierten Design.
Realitätserfassung
Ein allgemeiner Begriff, der für die Idee der automatischen Erfassung von Daten über die reale Welt verwendet wird, ist Reality Capture. Es gibt eine breite Palette von Geräten, die für verschiedene Arten der Realitätserfassung verwendet werden können, wie in diesem Diagramm dargestellt.
Einige davon sind spezialisierter und teurer, andere sind relativ kostengünstig und weit verbreitet. Letztere sind für die Idee des Field-Sourcing für die Datenpflege am wichtigsten. Wir müssen Geräte verwenden, die jeder Außendienstmitarbeiter bei sich tragen kann, oder die er im Falle eines Smartphones bereits bei sich trägt. Kameras allein können eine Menge Informationen erfassen, aber eine interessante Entwicklung ist, dass die neuesten High-End-iPhones und iPads LiDAR-Scanner enthalten, mit denen 3D-Modelle der realen Welt schneller und genauer erfasst werden können.
Maschinelles Lernen
Eine wichtige Technologie im Zusammenhang mit der Erfassung der Realität ist, wie bereits erwähnt, das maschinelle Lernen. Es ist in vielen Bereichen anwendbar, aber ein Bereich, der bereits recht ausgereift und leicht anwendbar ist, ist der der Bilderkennung.
Bildnachweis: Amazon Rekognition
Dieses Bild zeigt, wie der Amazon Rekognition Service Gegenstände auf einem Foto identifizieren kann. Microsoft, Google, Apple, IBM und viele andere bieten ähnliche Dienste an. Diese Algorithmen können leicht trainiert werden, um Objekte in einem bestimmten Bereich zu erkennen, z. B. Masten, Transformatoren, Schächte usw. Auch die Erkennung von Text, Barcodes und QR-Codes ist inzwischen eine Standardfunktion. All diese Fähigkeiten sind bei der automatischen Datenerfassung sehr nützlich.
Erweiterte Realität
Die Möglichkeiten von Augmented Reality (AR) werden immer besser. Durch den Einbau von LiDAR-Scannern in hochwertige iPhones und iPads werden fortschrittlichere AR-Anwendungen möglich. Dieses schöne kurze Video zeigt einige Beispiele dafür, was möglich ist.
Die Videos von Ikea und Shapr3D sind schöne Beispiele für Design mit AR, und beide haben offensichtliche Parallelen zur Designentwicklung für Infrastrukturunternehmen. Beide Demos zeigen auch die Feature-Erkennung als Teil des Prozesses.
Die AR-Wolke
Derzeit funktioniert AR am besten in Innenräumen über relativ kleine räumliche Bereiche. AR-Anwendungen für den Außenbereich über größere Gebiete haben sich bisher hauptsächlich auf die Verwendung von GPS zusammen mit Orientierungssensoren konzentriert, aber dieser Ansatz hat in Bezug auf die Genauigkeit inhärente Grenzen. Die Verwendung genauer Punktwolken zur Lokalisierung von Objekten ist ein viel präziserer Ansatz und ein Bereich, auf den sich derzeit viele große Unternehmen wie Google, Apple, Niantic und andere konzentrieren. Die Idee, eine genaue Punktwolke der gesamten Welt als Grundlage für AR und andere Anwendungen zu erstellen, ist allgemein als AR-Wolke bekannt. Es wird noch ein paar Jahre dauern, bis diese Vision vollständig umgesetzt ist, aber wenn es soweit ist, wird dies die Genauigkeit, mit der wir die Positionen von Gegenständen in der realen Welt berechnen können, dramatisch verbessern. Elemente dieses Konzepts sind bereits jetzt nutzbar, z. B. für die Messung von Entfernungen zwischen nahegelegenen Objekten mit besserer Genauigkeit als mit GPS möglich.
Wie wird sich dies alles auf die Geodaten für Infrastrukturunternehmen auswirken?
Diese Technologien werden die Art der georäumlichen Anwendungen in Infrastrukturunternehmen drastisch verändern. Die Datenerfassung wird sich von einem weitgehend manuellen Prozess zu einem vollautomatischen Prozess entwickeln, bei dem eine Vielzahl von Sensoren zum Einsatz kommt. Sowohl maschinelles Lernen als auch Augmented Reality werden bei der Planung eine wichtige Rolle spielen. Beides bedeutet, dass die manuelle Bearbeitung von GIS-Daten weitgehend obsolet werden wird. Augmented Reality und Virtual Reality werden in Zukunft häufig zur Visualisierung von Geodaten eingesetzt werden. 2D-Karten werden jedoch nicht überflüssig werden, sie sind nach wie vor eine nützliche Abstraktion für die Kommunikation vieler Arten von Informationen.
Wir bei IQGeo sind der Meinung, dass wir mit unserem Mobile-First-Ansatz und den bestehenden Möglichkeiten der vollständigen Netzwerkmodellierung und -bearbeitung auf jedem mobilen Gerät sehr gut positioniert sind, um die Vorteile dieser aufregenden Technologien zu nutzen, während sie sich weiter entwickeln. Unser Forschungs- und Entwicklungsteam evaluiert aktiv die Entwicklungen in diesen Bereichen und wir freuen uns darauf, unser Produktangebot im Laufe der Zeit um neue Funktionen zu erweitern.
Vorherige
