BanTin

 

Giáo sư Tiến sĩ Sisi Zlatanova, Trưởng Phòng thí nghiệm GRID (Sáng tạo và Phát triển Nghiên cứu Không gian Địa lý) tại Trường đại học Xây dựng và Môi trường, UNSW ở Sydney, đã mở đầu phiên thảo luận với bài thuyết trình về Đám mây điểm và hơn thế nữa: mô hình 3D. “Công nghệ song sinh số” đô thị, một bản sao kỹ thuật số cho phép hội tụ giữa trạng thái vật lý và kỹ thuật số, đã nổi lên như một chủ đề nóng trong những năm gần đây. Nó được đánh giá cao nhờ khả năng hỗ trợ một loạt các ứng dụng từ quy hoạch đô thị đến thành phố thông minh cho đến quản lý thiên tai. Nó vượt ra khỏi mô hình không gian địa lý đơn giản, cung cấp dữ liệu về hành vi, mối liên kết giữa các đối tượng và một loạt các yếu tố khác, cho phép kết hợp cả thông tin tĩnh và động từ thế giới thực và kỹ thuật số. Viễn thám ngoài trời và trong nhà đang trở nên quan trọng đối với mô hình đô thị 3D, cụ thể là cập nhật 3D và phân tích 3D, phân tích động nói riêng. Các quy trình tốt hơn vẫn cần thiết để phát hiện thay đổi 3D cũng như những gì đang xảy ra trong không gian 3D và nghiên cứu trong tương lai sẽ là khôn ngoan nếu tập trung vào những lĩnh vực thiết yếu này.

Hình 1: Các ví dụ về vector raster

Tiến sĩ Petra Helmholz là một chuyên gia về Phân tích hình ảnh, Viễn thám và trắc địa ảnh từ Đại học Curtin ở Perth, Úc. Từ các đám mây điểm và hình ảnh đến phác thảo và mô hình của tòa nhà, công việc của Petra về mô hình thành phố 3D và phát hiện nhiệt đô thị được tiến hành cùng với Viện Fraunhofer ở Karlsruhe, Đức. Mức độ chi tiết được xây dựng dần dần, bắt đầu với Mô hình bề mặt kỹ thuật số (DSM) bắt nguồn từ máy quét laser hoặc các bức ảnh, sau đó trích xuất địa hình bằng Mô hình địa hình kỹ thuật số (DTM). Giới hạn ngưỡng dọc được áp dụng, mặt nạ nền được tạo và DTM cuối cùng được tạo bằng cách sử dụng DSM chuẩn hóa.

Mục đích là tạo mô hình đa giác tòa nhà gần đúng bằng cách sử dụng thuật toán truy tìm đường bao Moore như bước đầu tiên, tiếp theo là thuật toán hướng dữ liệu dựa trên các thuộc tính hình học của tòa nhà. Độ chính xác của mô hình phụ thuộc vào hai yếu tố: độ phân giải của hình ảnh và độ phân giải hoặc mật độ của các đám mây điểm. Vì độ chính xác của phương pháp tiếp cận thuật toán truy tìm đường bao Moore không cao như mong muốn, mô hình toán học bổ sung được áp dụng. Cả hai mô hình Gauss-Helmert và Gauss-Markov đều được sử dụng để điều chỉnh các đa giác của tòa nhà, dẫn đến một phác thảo tốt hơn nhiều, đại diện hơn cho mặt nạ tòa nhà, với sai số trung bình từ 0,91cm đến 1m cho khu vực nghiên cứu gồm 126 tòa nhà trong Perth. Do sự phức tạp của thiết kế nhà ở đô thị của Úc, cần có mô hình bổ sung để đạt được mô hình 3D ngữ nghĩa hoàn chỉnh và mô phỏng nhiệt độ bề mặt để phát triển song sinh số 4D cho các đảo nhiệt đô thị. Trong những năm gần đây, hình ảnh dữ liệu trở nên dày đặc hơn, với độ phân giải không gian, thời gian và quang phổ tăng lên cho phép tạo ra các mô hình chi tiết và chính xác hơn. Các mô hình này tạo điều kiện thuận lợi cho công việc của người dùng cuối bao gồm các nhà quy hoạch đô thị, hỗ trợ mục tiêu tổng thể là tạo ra nhiều thành phố đáng sống hơn.

Tiến sĩ Jack Barton, quản lý Phòng thí nghiệm GRID tại UNSW, được đào tạo như một kiến ​​trúc sư và chuyên về các ứng dụng lập bản đồ 3D và mô hình đô thị. Ông giải thích tiềm năng của đồ họa máy tính để xử lý và phân tích, chia sẻ một số cách tiếp cận phương pháp luận mới. Cầu Cảng và Nhà hát Opera của Sydney đưa ra những thách thức đối với mô hình truyền thống do độ phức tạp nổi tiếng của chúng và đồ họa máy tính cung cấp một giải pháp đơn giản. Đồ họa máy tính là một phương pháp tiếp cận pixel 3D rời rạc, với vô số ứng dụng bao gồm y học, địa tin học và nghiên cứu môi trường được xây dựng. Đồ họa máy tính hữu ích cho các mô hình vì chúng cung cấp dữ liệu có giá trị ở mức âm lượng vượt quá những gì phân tích 2D hoặc vector có thể cung cấp, cung cấp phân tích khả năng hiển thị cho thuật bóng khuôn đúc và các phân tích thể tích khác. LiDAR ngày càng được sử dụng rộng rãi ở Úc để thu thập một lượng lớn dữ liệu đám mây điểm trên các khu vực rộng lớn, đánh dấu và thêm các lớp ngữ nghĩa vào dữ liệu hiện có hỗ trợ phân tích không gian. Đồ họa máy tính cho phép xác định chi tiết lớn hơn nhiều, sử dụng trí tuệ nhân tạo trong các đám mây điểm để cho phép xác định và định nghĩa đối tượng dễ dàng hơn, do đó cải thiện và tăng tốc quá trình phân tích dữ liệu.

Đồ họa máy tính cũng hữu ích cho việc tính toán thể tích trong nhà, kết hợp bản đồ địa hình tỷ lệ lớn, LiDAR trên không hoặc đám mây điểm ảnh và Dữ liệu thực tế xây dựng có sẵn để ước tính khối lượng và diện tích sàn cho mỗi đơn vị nhà ở. Dữ liệu đồ họa này cho phép tiết lộ nhanh chóng và hiệu quả thông tin quan trọng mà không thể thu được bằng các kỹ thuật dựa trên vector truyền thống. Cách tiếp cận thông minh này có nhiều ứng dụng, bao gồm lập kế hoạch khẩn cấp, lập mô hình đường đi và tìm đường động trong các tòa nhà công cộng. Nó cho phép mô hình hóa thông minh các yếu tố sơ tán khẩn cấp như khói, khí đốt và lửa trong các tòa nhà, cung cấp dữ liệu quan trọng để báo cáo cho việc lập kế hoạch.

Kết hợp dữ liệu đồ họa với các đám mây điểm cung cấp cả phân tích và mô phỏng nhanh 3D và 4D để thông báo kế hoạch, cụ thể là trong ứng phó khẩn cấp. Nghiên cứu sâu hơn trong lĩnh vực mô hình điều hướng cây bát phân (octree) cung cấp tiềm năng giảm độ tính toán phức tạp, kiểm soát chi tiết và quan trọng nhất là cung cấp phân tích không gian.

Với kiến ​​thức chuyên môn về lập bản đồ tự động, định vị và thị giác máy tính 3D, Tiến sĩ Kourosh Khoshelham, Đại học Melbourne, đã nói chuyện với chúng tôi thông qua LiDAR để lái xe tự động. Lái xe tự động vẫn còn gây tranh cãi vì hầu hết mọi người nghĩ về phương tiện tự lái hoàn toàn, mặc dù thực tế có năm cấp độ lái xe tự tự động, với việc tự lái trong mọi điều kiện khó có thể được triển khai rộng rãi trong tương lai gần. Lỗi của con người góp phần vào 94% các vụ tai nạn đường bộ và tự động hóa trong lái xe có thể giải quyết trực tiếp vấn đề này, dẫn đến những con đường an toàn hơn, cải thiện luồng giao thông, giảm lượng khí thải và cải thiện khả năng di chuyển cho những người có nhu cầu đặc biệt. LiDAR có thể hỗ trợ nhận biết quang cảnh lái xe, tạo bản đồ độ nét cao và định vị phương tiện, đồng thời chính xác hơn trong các điều kiện thời tiết khác nhau so với camera, do đó các mối quan tâm về an toàn và hiệu suất có thể nảy sinh khi thời tiết khắc nghiệt.

Hình 4: LiDAR cho lái xe tự động: cảm nhận quang cảnh lái xe

Các mô hình học máy nâng cao được đào tạo bằng dữ liệu được gắn nhãn thủ công, dữ liệu này khi được triển khai có thể xác định và định vị các đối tượng trong môi trường giao thông. Máy học dựa trên sự kết hợp của LiDAR và máy ảnh có độ chính xác cao hơn 98% so với một trong hai phương pháp. Nhu cầu về dữ liệu được chú thích là một thách thức đối với việc phân loại các đám mây điểm trên quy mô lớn hơn để tạo bản đồ 3D chi tiết về môi trường giao thông. Thích ứng với quang cảnh và khả năng chuyển giao trong các môi trường khác nhau là một thách thức khác, vì môi trường giao thông khác nhau giữa các thành phố và quốc gia. Máy học là chìa khóa sẽ mở ra toàn bộ tiềm năng của các phương tiện tự động trong tương lai.