De dynamiek van locatiebepaling

Indoor plaatsbepaling is een belangrijk nieuw kennisdomein. Het is de ontbrekende schakel in de navigatie van ‘deur tot deur’ en het volgen van objecten in gebouwen, de missing link voor asset managers van grote gebouwen. Een missing link die ook nog eens volop in beweging is: ontwikkelingen en toepassingen volgen elkaar in rap tempo op. Vandaar dat ik u, vrij kort na mijn vorige blog, op een update kan trakteren. Met dank aan gericht onderzoek.

Onderzoek loont!

Laat we eens beginnen met een casus. Stel je vertrekt van huis en gaat op weg naar een afspraak in een ziekenhuis of naar een specifieke gate in een complex gebouw als Schiphol. Dan wil je niet alleen weten waar je snel en eenvoudig je auto kunt parkeren (wat op zich al een interessante ‘indoor’-puzzel is). Je wilt daarna ook snel en eenvoudig naar je eindbestemming lopen. Maar dat is nog niet zo gemakkelijk: je begeeft je in een gebouw waar je de weg niet goed weet. En waar GPS-navigatie niet werkt. Wat nu?

Mobiele laserscanning

Het antwoord op bovenstaande vraagstuk ligt – u zag ‘m wellicht al aankomen – in indoor plaatsbepaling. CGI heeft samen met de Geomatics-masteropleiding van de TU Delft onderzoek gedaan naar de mogelijkheden om heel snel met zogenaamde mobiele laserscanning een 3D-model van de binnenkant van een gebouw te maken en hier vervolgens op een volledig geautomatiseerde manier de navigeerbare paden uit te ‘destilleren’. Dit was, gezien de grote variëteit aan ontwerpen van binnenruimtes, een ingewikkelde ‘3D-puzzel’. We konden immers niet van vaste randvoorwaarden uitgaan. Zodoende hebben we een algoritme gemaakt dat volledig gebaseerd is op de ruimte zelf (dus per ruimte varieert). En jawel: het werkt snel en levert betrouwbare informatie op over hoe je je door het gebouw kunt bewegen.

Beveiligingscamera’s

Eerder schreef ik al over de toegenomen mogelijkheden van tracking en tracing in binnenruimtes met sensoren, zoals met BLE (Bluetooth Low Energy) beacons. Een andere mogelijkheid is om gebruik te maken van standaard aanwezige beveiligingscamera’s. Dit heeft als voordeel dat er geen extra infrastructuur nodig is. Met slimme algoritmen levert ook dit zeer betrouwbare bezettingsinformatie op. Dit doen we door de locaties uit de videostream te mappen op een kaart en daarna de veranderingen in het beeld te analyseren. Deze slimmigheid hebben we toegepast in een treinbezettingonderzoek dat we samen met de masteropleiding GIMA (samenwerking TU Delft, TU Twente, Rijksuniversiteit Utrecht en Wageningen Universiteit) hebben uitgevoerd.

Waar kan ik het beste instappen?

Natuurlijk is deze informatie voor een trein-exploitant van belang, omdat hij hiermee veel gerichtere informatie aan zijn reizigers kan geven over waar in de trein een stoel beschikbaar is en hoe je daar kunt komen. Daarnaast is de exploitant zelf ook gebaat bij continue gegevens over de bezetting van de trein.

Onderzoek en cocreatie lonen

Je mag met bovenstaande op het netvlies gerust concluderen dat het belang van locatiegebonden informatie in gebouwen en in treinen groeit. Digitale technologie maakt hier veel mogelijk. Het goede nieuws daarbij is dat onderzoek ook daadwerkelijk toepassingen oplevert. Het onderstreept onze visie dat gezamenlijk innoveren de sleutel tot succes is. Daar gaan we dus uitgebreid mee verder. Zodat ik binnenkort wederom op een update kan trakteren.