Geodata samlet med droner Trond Arve Haakonsen Statens Vegvesen (SVV) bestiller geodata ut fra egne definerte krav, uavhengig av om data er samlet med drone, bemannet fly, helikopter, bil eller til fots. Geodata:: Terreng- eller 3D vektordata i kartets/terrengets koordinatsystem med cmnøyaktighet Behov: Drone + navigasjonssystem + måleutstyr + programvare for flyplanlegging og etterprosessering.
Innhold droner: Typer og operatørkategorier (RO1-RO3) Navigasjonssystem Metoder for å produsere 3D-punktsky: o Laserskanning o Fotogrammetri (strålebuntmetoden) Nøyaktighetsundersøkelser (RO1) Noen erfaringer fra vegprosjekter
RPAS: Remotely Piloted Aircraft Systems Fixed wing Rotary wing Images (photogrammetry) DSM (Digital surface model) Laser scanning (LIDAR) DSM -> DTM (Digital terrain model)
Luftfartstilsynet om droner Operatørkategorier, RO1, RO2 og RO3 avhengig av: RPAS innenfor eller utenfor synsrekkevidde, VLOS Flyhøyde (maks 120m i RO1) Vekt (maks 2,5 kg i RO1) Bortsett fra operatøren, ikke lov å fly nærmere enn 50 meter fra mennesker, kjøretøy eller bygninger. Tillatelse kan gis av berørte personer og deres utstyr.
5 Film: RO1 Johan fra region Nord med fixed wing og Rafal på NTNU med sitt quadcopter https://youtu.be/bsid17wzra0 Dronelaseren til Geomatikk Survey AS, eneste drone med laserskanner i Norge. Svv har fått noen data som vi ikke rukket å se på.
Navigasjonssystem Laserskanneren eller kameraets posisjon og retninger i terrengkoordinatsystemet kan beregnes fra dronens navigasjonssystem. x,y,z,ω,φ,κ for et kameras projeksjonssentrum kalles ytre orienteringsparametere Posisjonsnøyaktighet avhengig av GNSS Kodemåling (1-5 m) Fasemåling med korreksjoner fra referansenettverk (1-2cm)
Laser scanning (LIDAR) Distance- and direction measurements makes it possible to compute and store several hundred thousand 3D-points/sec. (spherical to rectangular coord.) Possible to classify more than one response!
8 Flight plan (Phothogrammetry) Classic overlap situation modern block setup Images seen from above Models (=pairs of images) seen from above 80/70% lengde-/sideveis overlapp Dobbelt stripemønster Et piksel synlig i 10-15 bilder
Photogrammery: bundle adjustment 2D-coordinate systems x j y j for each image j x,y,z,ω,φ,κ for hvert bildes projeksjonssentrum (godt eller dårlig bestemt?) Terrain/map coordinatsyst. 1) GCP=Ground Control Points, known terrain coordinates (kjentpunkter) 2) Tie points, unknown terrain coordinates (sammenbindingspunkter) 3) «Measured» 2D-image coordinates (målte bildekoordinater) DSM established => 3D point cloud with RGB values computed
Ukjente grupper av parametere som skal beregnes: Posisjon og retninger (endelige) for projeksjonssentrum. (6 per bilde j). Koordinater objektpunkt i terrengkoordinatsystemet (3 per pkt.) Kameraparametere beregnes vanligvis simultant med beregningen av parametere i strålebuntutjevningen, såkalt selvkalibrering. Dilemma: Hvordan vekte grupper av parametere? Vibrasjoner?, Vindstille?, nøyaktig navigasjonssystem (RTK-GNSS)? Påstand: Forutsatt riktig vekting og «gode kjentpunkter» på bakken, kan en oppnå like gode resultater med en kode- som en fasebasert sanntids GNSS
Matematisk sammenheng mellom bildeobservasjoner og ukjente parametere:
2D-punktobservasjosligninger i bilde j: 2D-bildekoordinater (observasjoner) en funksjon av.. x ij = f 1 (X j, Y j Z j, ω j, φ j, κ j, + objektpunkt X i Y i Z i + evt. kameraparametere) +.. y ij = f 2 (X j, Y j Z j, ω j, φ j, κ j, + objektpunkt X i Y i Z i + evt. kameraparametere) +.. (kjentpunkt eller sammenbindingspunkt) Linearisering (j= bildeindeks, i = punktindeks) Klassisk MKM, «fixed» parametere (uten «a priori»-varianser/kovarianser) Mer avanserte metoder og «a priori» kovariansmatrise (antatt nøyaktighet) med mulighet for vekting av enkelte eller grupper av parametere?
Error eq: Andersen (BTT) p.93 or Karl Kraus (5.3-1) p.270
14 Etterprosessering 1) Strålebuntberegningen (MKM = vektet gjennomsnittsberegning) gir: i) endelig bestemte ytre orienteringsparametere x,y,z,ω,φ,κ for hvert bilde ii) en 3D-punktsky med objektpunkter gitt i terrengkoordinater. 2) Deretter, beregning av 3D-terrengkoordinater og fargeverdier for «alle» piksler i bildene ved hjelp av bildematching og framskjæring i rommet. Automatiserte robuste rutiner for «dense matching» og «single pixel correlation routines» => «Fotogrammetriens gjenfødelse»?
15 Central projection Orthogonalization process Normal projection Aerial photo Orthogonalization Process => Ortho photo
3D-punktsky til TIN eller grid for visualisering N = 7 000 000 E = 550 000 Triangelmodell (TIN) Grid/Rutenettsmodel
Vegprosjektenes behov for (temporære) data: I dag: 3D-Punktsky Triangelmodell (TIN) for volum/massekontroll 2D-Ortofoto (flybilder omregnet til kartets koordinatsystem) NVDB s behov: Programmer for automatisk tolkning av 3D-objekter fra punktsky Halvautomatisk linjegjenkjenning er mulig i dagens programvare Framtiden: Ønske om helautomatisk registrering av vektordata (linje-, flate-, volumobjekter til framtidens NVDB.)
3D-punktskydata Output fra begge teknikker er bl.a. en 3D-punktsky med intensitet og/eller fargeverdier for hvert punkt. More NVDB inneholder (vektor)objekter: (punkt, linjer, flater, volum...) Hvordan modellere vektorobjekter fra punktskyer automatisk?
Testfelt for droner NTNU Geomatikk GCP
20 Nøyaktighetsundersøkelser 1 Fixed wing
Prosessert med den samme (strålebunt) programvare a kr 30.000!
Årsaksforklaring forskjeller?
Ukjente parametere som beregnes med strålebuntmetoden: Posisjon og retninger (endelige) for projeksjonssentrum. (6 per bilde j). Koordinater objektpunkt i terrengkoordinatsystemet (3 per pkt.) Kameraparametere beregnes vanligvis simultant med beregningen av parametere i strålebuntutjevningen, såkalt selvkalibrering. Hvordan vekte grupper av parametere? Vibrasjoner?, Vindstille?, nøyaktig navigasjonssystem (RTK-GNSS)? Påstanden: forutsatt riktig vekting og «gode kjentpunkter» på bakken, kan en oppnå like gode resultater med en kode- som en fasebasert sanntids GNSS
2015: Optimale flyforhold med kontrollpunkter på underlag av harde flater Tilfeldig at dette tilsvarer CPOS-nøyaktighet?
UAV measurement solution 3D data from 2D images How is that works? Two images are triangulated to get sense of depth
Erfaringer fra prosjekter med RTK-drone i region Nord. HMS, minsker/fjerner risiko i bratte og farlige områder, trafikkerte veier mm Innsparing på kapasiteten til landmålere, store områder kan kartlegges i løpet av kort tid. Anleggene kan kartlegges enkelt fortløpende. Demper konflikter med entreprenør, oversiktlig og lett å kjenne seg igjen i målingene.
Erfaringer kjøp av dronedata i region Øst. Terrenget modelleres systematisk for høyt For å godta bruk av dronedata i forbindelse med dokumentasjon på vegprosjekt forutsettes: Underlag bestående av harde flater uten vegetasjon Dokumentert bruk av nøyaktig landmålte kontrollpunkter eller kontrollflater.
Landmålerens personlige utstyr (2015-priser u.mva) 2000 2010 2020 300k 350k 300k + 200k 200k + 150k + + +?
2014: 217 images at an 500*500m area Ground Sampling Distance (GSD) = 3cm RØ-fagdag 15/11-2016 Full automated pixel by pixel correlation routines to find tie/key points (mean 5884 of 217 images)