۵ مثال از وابستگی های جهان به علم ژئوماتیک

بدون دانش ژئوماتیک اکنون کجا بودیم؟ وابستگی های زندگی مدرن به نقشه سازی و افراد حرفه ای در زمینه نقشه برداری آنقدر زیاد است که تصوی جهانی بدون فناوری مکانی را غیر ممکن می سازد. به عنوان مثال، در حوزه کشاورزی، فناوری و داده های مکانی به کشاورزان در افزایش بازده محصول و تهیه غذا برای جمعیت همواره رو به رشد جهان، کمک نموده است. دیگر کاربردهای داده ها و فناوری مکانی در بردارنده استخراج معادن، برنامه ریزی شهری برای ایجاد “شهرهای هوشمند” و نقشه برداری در حال حرکت است. لازم به ذکر است که وسایل نقلیه خودران که بسیاری آنها را آینده حمل و نقل تلقی می کنند، بدون فناوری مکانی قادر به پیشرفت نخواهد بود. به خواندن ادامه دهید تا مثال های الهام بخشی از زندگی روزمره که بدون حرفه زیبای ما امکان پذیر نیستند را بیابید.

پیشرفت در کشاورزی هوشمند به کمک فناوری های مکانی

کارشناسان کشاورزی هلندی به رکورد جدیدی دست یافته اند. در سال ۲۰۱۶، رکورد صادرات محصولات کشاورزی به ارزش ۸۵ بیلیون یورو به تمامی دنیا، از کشوری تنها با مساحت ۴۱۵۴۳ کیلومتر مربع، برای هلند به ثبت رسید، این رکورد هلند را به دومین صادر کننده عمده در جهان بدل ساخته است. از آنجایی که فناوری های مکانی به کشاورزان در توسعه محوصلات خود کمک می کنند، به احتمال زیاد کشاورزی دقیق، که با عنوان کشاورزی هوشمند نیز شناخته می شود، فعالیت های صادراتی در سال های پیش رو را به نحو چشم گیری شتاب خواهد بخشید.

بکارگیری سامانه های ماهواره ای ناوبری جهانی (GNSS) و بطور خاص GPS، در بخش کشاورزی به یک اصل بی بدیل تبدیل شده است. راه حل های تعیین موقیعت و هدایت ابزارآلات بسیاری در اختیار کشاورزان قرار گرفته اند که محصول را افزایش داده و بازده در هر مزرعه را بهبود بخشیده اند. کاشت، برداشت و کود دهی نسبت به زمان پیش از وجود GNSS به نحو کاراتری انجام می پذیرند. انتظار می رود در دهه آتی، GNSS در کشورهای در حال توسعه نیز به یاری کشاورزان محلی بشتابد.

اگرچه، تنها GNSS در این حوزه نقش آفرین نبوده است. فناوری دیگری که شانس های فوق العاده ای پیش روی صنعت کشاورزی گذاشته است، سنجش از دور است. این فناوری مبتنی بر سنجنده زمین را از بالا مشاهده می کند و این از طریق ماهواره ها و همچنین وسایل نقلیه هوایی بدون سرنشین (پهپادها) قابل انجام است. از آنجایی که پهپادها ابزارهایی منعطف، ساده و نسبتاً ارزان هستند، سنجش از دور پهپادی در دسترس کشاورزان بسیاری است. پیشرفته ترین فناوری سنجش از دوری تصویربرداری ابرطیفی است، که بسیار گران قیمت است. تلاش هایی برای کاهش هزینه بکارگیری فناوری در حال انجام است و به نظر می رسد که در حال حرکت در مسیر صحیحی هستیم. گزینه ارزان تر در زمان فعلی، تصاویر چندطیفی هستند. تصاویر چند طیفی با وجود کمتر مفید بودنشان در امور خاص مرتبط با کشاورزی، همچنان امکان یاری رساندن به کشاورزان در تهیه یک نقشه زمانی که بکارگیری کاراتر کود و یا کاهش آفات را به دنبال دارد، را دارند. تصاویر چندطیفی از پوشش گیاهی برای شناسایی شاخص های تنش در محصولات و یا کمبود (یا عدم وجود) مواد مغذی لازم و یا آب، نیز مفیدند.

یک نوآوری با آینده ای روشن در کشاورزی، تصویربرداری حرارتی است. این فناوری رشد سریعی را تجربه نموده و جای خود را در بخش های مختلف در حوزه کشاورزی، از جمله شناسایی امراض گیاهان، پایش رشد، برنامه ریزی برای آبیاری و پیش بینی بازده محصولات، محکم نموده است. سنجنده های حرارتی و چندطیفی سبک وزن سوار شده روی پهپادهای کوچک اکنون با قیمتی منطقی در دسترس هستند و کشاورزان از آنها بهره می برند.

تفاوت تصویربرداری ابرطیفی و چندطیفی در چیست؟ تصویربرداری ابرطیفی، طیف نور را به هزاران باند کوچک که امکان اخذ اطلاعات با جزئیات فراوان را دارند تقسیم می کند، حال آنکه تصویربرداری چندطیفی با باندهای بسیار کمتری کار می کند. در نتیجه محتوای طیفی پیکسل ها، راه حل های ابرطیفی بعد جدیدی در بخش کشاورزی به وجود آورده اند. این فناوری گستره کاربردی وسیعی دارد و حتی می تواند تغییرات رنگ جزئی در شاخ و برگ گیاهان را تشخیص دهد. یک پهپاد مجهز شده به یک سنجنده ابرطیفی امکان شناسایی ناهنجاری ها از ۳۰۰ تا ۴۰۰ متری بر فراز محصولات را دارد. این توانایی به کشاورزان امکان مشاهده حتی کوچکترین مشکلات در محصولاتشان را داده و به محض یکپارچه شدن تصویربرداری ابرطیفی با کشاورزی، آن را به یک تحول اساسی بدل خواهد ساخت.

اما در مورد GPS قدیمی عزیز خودمان که امروزه برای برای بسیاری کشاورزان ابزاری حیاتی است چه بگوییم؟ خب! GPS به عنوان یکی از ارکان کشاورزی مدرن باقی خواهد ماند. در حقیقت، تعیین موقعیت دقیق نیروی محرکه تحولات آتی خواهد بود که به پیشرفت کشاورزی هوشمند می پردازند: تراکتورهای بدون راننده. فرقی نمی کند که در حال حاضر گوگل روی آنها کار می کند و یا ایلان ماسک (موسس تسلا)، اگرچه تولیدکنندگان تراکتور همچنان در فاز تولید نمونه های آزمایشی وسایل نقلیه مفهومی خودران هستند، اما روزی بالاخره به این موفقیت دست خواهند یافت. کشاورزی بدون راندن تراکتور… این مطمئناً برای کشاورزان سختکوش امیدوار کننده خواهد بود. GNSS به اثرگذاری در حوزه کشاورزی ادامه خواهد داد.

سنجش از دور

سنجش از دور: اطلاعات حاصل از ماهواره ها دید بهتری از سلامت و تنش های سیاره زمین ارائه خواهند نمود. از آنجایی که افزایش جمعیت جهان تقاضای بیشتری برای تولید غذا و خوراک حیوانات را ایجاد نموده است، این موضوع باید مورد توجه قرار گیرد.

کاربرد نقشه برداری در حوزه استخراج معادن

داده های مکانی پایه و اساس اکتشاف معادن و عملیات استخراجی هستند. نوآوری های به سرعت در حال تغییر در دانش ژئوماتیک، شانس های پیشتر دیده نشده ای برای تقویت نقشه برداران در بخش معدن و بطور کلی صنعت استخراج معادن را ارائه می نمایند. به خواندن این مقاله که با تاریخچه آغاز می شود ادامه دهید، بهرحال ما هیچ گاه نباید مسیری که پیموده ایم را فراموش کنیم. در ادامه نمایی کلی از نقشه برداری در صنعت معدن با تمرکز بر ابزارآلات و فناوری های نقشه برداری که امروزه مورد استفاده قرار می گیرند، را ارائه می دهیم.

از آنجایی که نقشه برداران اطلاعاتی ضروری را در تمامی جنبه های مرتبط با صنعت معدن فراهم می آروند، به یکی از کنش گران اساسی در این حوزه بدل شده اند. نقشه برداران معدنی مسئول اندازه گیری دقیق مساحات و احجام استخراج شده و ارائه دقیق شرایط رو سطحی و زیرسطحی در نقشه های معدنی هستند.

تاریخچه

قوانین نقشه برداری و استخراج معادن هردو به سالیان پیش باز می گردند. یونانیان باستان نه تنها دانش هندسه را توسعه بخشیدند، بلکه اولین ابزار نقشه برداری را نیز ساختند: دیوپتر، یک ابزار نقشه برداری و نجومی که قدمت آن به قرن سوم پیش از میلاد مسیح باز می گردد. دیوپتر را می توان به عنوان نمونه باستانی تئودولیت در نظر گرفت. اولین نقشه برداران زمینی را می توان جایی در حدود ۳۰۰۰ سال پیش در مصر یافت که زمین های حاصل خیز اطراف رود عظیم نیل را تقسیم نمودند. به نحو مشابه، مهندسی معدن نیز رشته ای با پیشینه تاریخی است. مطالعات باستان شناسی بر اساس مدارک یافته شده در معادن سنگ آتش زنه در کشورهایی که امروزه انگلیس و فرانسه نامیده می شوند، نشان داده اند که معدن داری در قدیم نقشی پر اهمیت داشته است.

رومیان به نوآوری های خود در حوزه مهندسی معدن شهره اند. معادن مس در Rio Tinto در اسپانیا، شناخته شده ترین مجموعه معدنی در دنیا، مثالی واضح در این مورد است. در حالیکه استخراج معادن سطحی معمول ترین روش بود، رومیان از روش ها و فنون پیشرفته تری نیز استفاده می کردند. آنها تونل هایی را به منظور استخراج مواد معدنی ارزشمند نظیر طلا و نقره حفر نمودند، این نیازمند برنامه ریزی فوق العاده و دانش پیشرفته نقشه برداری، ریاضیات، و هندسه بوده است. اگرچه، در قرن ۱۸ ام که انقلاب صنعتی در بریتانیا رخ داد، نقشه برداری معدن به حرفه ای شناخته شده و همه گیر بدل شد.

یکی از ابزارآلاتی که در آن زمان مورد استفاده قرار می گرفته است dial نام دارد، یک قطب نما که بطور خاص برای اهداف زیرزمینی ساخته شده است. این روش غالباً دقیق نبود، چرا که ابزار آهنی و یا ذخایر سنگ آهن در کار عقربه قطب نما اختلال ایجاد می کردند. اما در اواسط قرن ۱۹ محصولات پیشرفته تری تولید شدند. این تئودولیت ها به تلسکوپ، تراز و لمب قائم که اندازه گیری زوایای قائم را ممکن می ساخت، مجهز شده بودند. تئودولیت ها از طریق پیمایش، یعنی اندازه گیری نقاط ثابت در معدن، نقشه برداری را دقیق تر کردند و بنابراین دیگر نیازی به قطب نما نبود. اندکی بعدتر، تئودولیت ها جایگزین قطب نما به عنوان ابزار اصلی نقشه برداران معدنی شدند.

امروزه، نقشه برداری معدنی دانشی دقیق است. تئودولیت های مدرن (که در حقیقت انواع الکترونیکی آنها در توتال استیشن های مدرن با یک فاصله یاب الکترونیکی ادغام شده اند) که از نشانه روی لیزری و ذخیره الکترونیکی داده در کنار سیستم تعیین موقعیت ماهواره ای جهانی استفاده می کنند، سطح دقتی را ارائه می کنند که احتمالاً فراتر از بلندپروازانه ترین رویاهای نقشه برداران اولیه، که تنها به زنجیر اندازه گیری و قطب نمای ساده خود مجهز بودند، است.

نقشه برداری معدنی امروزی

می توان نقشه برداری معدنی را در “حفر تونل ها و گالری ها و محاسبه حجم سنگ” خلاصه کرد، اگرچه در عمل مستلزم انجام چیزی بیش از این تعریف است. قیود هندسی، یعنی تونل های قائم و راهروهای باریک به استفاده از روش های نقشه برداری خاص نیاز دارند. در حالیکه ممکن است اصول اساسی نقشه برداری عمدتاً در طول سالیان گذشته بدون تغییر باقی مانده باشند، ابزارآلات دستخوش تغییرات فراوانی شده اند. فناوری های عمومی در نقشه برداری معدنی امروزی شامل اسکن لیزری زمینی، هوایی (لیدار)، فتوگرامتری هوایی، سامانه های هوایی بدون سرنشین (پهپادها)، تصویربرداری ماهواره ای هستند. علاوه بر این، امروزه نرم افزار بخش ضروری حرفه نقشه برداری معدنی را تشکیل می دهد. در نهایت، داده های اخذ شده باید ابتدا برای بکارگیری در هر موضوعی پردازش شوند.

اسکن لیزری زمینی

نقشه برداری در صنعت استخراج معادن، چه در معادن روباز و چه زیرزمینی، غالباً دست در دست اسکن لیزری زمینی (TLS) دارد که برای بررسی تغییرات مکانی در کارهای معدنی بکار گرفته می شود. به لطف تراکم نقطه ای و دقت بالای TLS، این روش برای پایش جابجایی ها و بد شکلی ها تکنیک نقشه برداری مناسبی است.

فناوری TLS از طریق بدست آوردن یک مجموعه بسیار دقیق از ابرهای نقطه ای و با بردارهای سه بعدی برای نشانه روی به نقاط نسبت به موقعیت اسکنر، با روشی خودکار به جمع آوری حجم عظیمی از اطلاعات مکانی ارزشمند می پردازد. با یکپارچه ساختن لیدار و GNSS، امکان بدست آوردن یک مجموعه داده مرجع مکانی کامل، که فرصت هایی برای اندازه گیری و پایش مستقیم تغییرات در گذر زمان را ایجاد می نماید، فراهم می کند. TLS بطور خاص در صنعت معدن پتانسیل بکارگیری در گستره وسیعی از کاربردها را دارد: پایش و مستند سازی روند پیشرفت کارهای معدنی زیرزمینی، ارزیابی ثبات و بنابراین سلامت و ایمنی کارگران در سایت های معدنی، پایش بدشکلی و واگرایی، محاسبه احجام، فراهم ساختن مدارک تکمیلی (در موارد بروز خسارت و یا آسیب)، کمک به ایمنی و حفاظت از سایت های معدنی. بنابراین، اسکن لیزری در صنعت معدن بازاری با رشد چشم گیر را ارائه می کند. این فناوری پیشتر برای مستندسازی کریدورها و زیرساخت ها از طریق روش های استخراج معدن اتاق و پایه بکار گرفته شده است، اگرچه هنوز جای پای خود را در مورد استخراج معادن با دیوار بلند محکم نکرده است. به عنوان مثال: گونه ای از معادن زغال سنگ زیرزمینی، جایی که یک دیواره بلند از زغال سنگ با یک برش برداشته شده است. تولیدکنندگان اسکنرهای لیزری نظیر RIEGL و Maptek غالباً علاوه بر سخت افزار، راه حل نرم افزاری با یک جریان کاری نقشه برداری ساده و سریع را نیز ارائه می کنند. با در نظر گرفتن قیمت حدوداً ۱۰۰۰۰۰ یورویی ابزار و نرم افزار نصب شده روی آن، سرمایه گذاری عاملی کلیدی در بکارگیری این فناوری در صنعت معدن است.

اسکن لیزری هوایی

روش دیگر برای اخذ داده ها در محوطه معدن اسکن لیزری هوایی است که به عنوان لیدار هوایی نیز شناخته می شود. بکارگیری سکوهای هوایی دارای سرنشین و یا بدون سرنشین امکان دست یابی به داده ها در شرایط چالش برانگیز را نیز فراهم می سازد. لیدار هوایی فرصت های فوق العاده ای را در اختیار بخش معدن قرار می دهد، چرا که قادر به اخذ میلیون ها نقطه در هر کیلومتر مربع است. این تراکم یک مجموعه داده مستحکم را در قالب مدل رقومی زمین (DTM) یا مدل ارتفاعی زمین (DEM) ارائه می دهد، که در کاربردهای مختلف معدنی نظیر محاسبات حجمی، ژئومورفولوژی و زمین شناسی ساختاری، تحلیل های شیب و مدل سازی رانش زمین برای مطالعات امکان سنجی و تاثیرات محیطی قابل استفاده هستند. نقشه سازی حجمی و یا مدل سازی توپوگرافی در زمان های متوالی، برای ساده ساختن فرآیند پایش فرونشست ها، خدمت دیگری است که از طریق لیدار هوایی قابل ارائه است.

اسکن لیزری قابل حمل

یکی از روندهای جدید، بکارگیری اسکن لیزری قابل حمل است که به طور خاص برای شرایط چالش برانگیز معدن ها مناسب است. اسکن لیزری دستی، به لطف سادگی خود یک راه حل ایده آل است و برخی اسکنرهای سبک وزن و فشرده نیز می توانند روی سکوهای متحرک سوار شوند. اسکنرهای قابل حمل ابزاری بی نظیر برای نقشه برداری معدنی از تونل ها و یا اندازه گیری های حجم در توده های دپو، و یا ردیابی پیشرفته و مدیریت تغییرات هستند.

جدای از جنبه قابل حمل بودن این اسکنرها، برخی سامانه ها از الگوریتم محلی سازی و نقشه سازی همزمان (SLAM)، یک فناوری رباتیکی که آنها را قادر به ثبت دقیق داده های اسکن شده از طریق هندسه پیرامونی می کند، نیز استفاده می کنند.

تعداد همواره رو به رشد راه حل های اسکن لیزری قابل حمل، جایگزینی کارا برای فناوری های نقشه برداری GNSS مبنای سنتی تر که زیر زمین و یا نواحی سر پوشیده خوب عمل نمی کنند را ارائه می دهد. می توان گفت که در سال های آتی اسکن لیزری به روش ارجح برای اخذ داده های نقشه برداری در صنعت معدن بدل خواهد شد، و اسکنرهای دستی و یا قابل حمل بعد جدیدی به فرصت ها در حوزه اخذ داده های مکانی اضافه می کنند. یک مزیت مهم در ارتباط با بکارگیری اسکنر لیزری قابل حمل، قیمت معقول آنهاست.

فتوگرامتری هوایی

در طول چند دهه اخیر، نقشه برداری هوایی چهره کلی عملیات های معدنی را تغییر داده و کشفیاتی انقلابی داشته است. بکارگیری فتوگرامتری هوایی، روشی پذیرفته شده برای نقشه برداری از معدن و اندازه گیری حجم توده های دپو با تاکید خاص بر مدل سازی و پایش سه بعدی است. به عنوان مثال، داده های مکانی حاصل از این روش برای ایجاد مدل های رقومی زمینی، تصاویر زمین مبنای قائم و نقشه های توپوگرافی مورد استفاده قرار می گیرند. تصاویر استخراج شده از یک نقشه برداری هوایی می توانند در پردازش های خودکار برای تولید DEMها نیز بکار گرفته شوند.

امروزه، فتوگرامتری هوایی غالباً با فناوری لیدار در هم آمیخته شده و به نحو رو به رشدی از پهپادها بهره می گیرد. استفاده موفقیت آمیز از فتوگرامتری هوایی به شاخص هایی نظیر تخصص و سرعت عمل شرکت نقشه برداری هوایی، سطح حمایت زمینی از کارکنان نقشه بردار سایت معدنی، و مورد کم اهمیت شرایط آب و هوایی مناسب وابسته است.

وسایل نقلیه هوایی بدون سرنشین

با نگاهی به روندها در تمامی بخش های حرفه مرتبط با داده های مکانی در طول ۵ سال اخیر، می بینیم که شرکت های معدنی بیشتری در حال کار با پهپادها هستند. این ابزارها به دوربین های رقومی برای تهیه تصاویر هوایی با قدرت تفکیک بالایی که بعدتر برای تولید ارتوفتوهای بسیار دقیق، ابرهای نقطه ای و مدل های سه بعدی پردازش می شوند، مجهز شده اند. این داده ها می توانند برای پیش بینی توسعه معدن، پایش تغییرات و محاسبه احجام بکار گرفته شوند. پهپادها می توانند از طریق فراهم ساختن اطلاعات در ارتباط با وضعیت روی زمین، در بهبود ایمنی کارگران زیرزمینی ایفای نقش نماید.

یک فناوری جدید در بخش بزرگ تر صنعت مکانی که می تواند مزایایی را به بخش معدن ارائه نماید، ادغام پهپاد و لیدار است. این می تواند به عنوان گزینه جایگزین دیگر فناوری های موجود در نظر گرفته شود. چندین شرکت نظیر YellowScan، سامانه های لیداری بدون سرنشین سبک وزن و فشرده را به پرواز در آورده اند. شرایط محیطی سخت و گاهی خطرناک در معادن، نقشه برداری پهپادی را به راه حلی ایده آل برای تولید داده های GISای برای DEM و DTMها بدل ساخته است.

تصویربرداری ماهواره ای

اطلاعات قدرتمند فراوانی در حوزه صنعت معدن از طریق فضا حاصل شده است. تصویربرداری ماهواره ای ابزاری ضروری برای پشتیبانی از پروژه های اکتشاف معادن است. به لطف تصاویر ماهواره ای با جزئیات بالا، وجود و الگوی کانی های معدنی در قالب نقشه قابل ارائه بوده و پیش از سرمایه گذاری در عملیات زمینی، دید بسیار ارزشمندی را برای شرکت های معدنی فراهم می کند. در نتیجه پوشش جهانی تصاویر ماهواره ای، بکارگیری این روش برای بدست آوردن اطلاعات، فارغ از قیود محلی و حتی در نواحی دوردست را ایمن و مقرون به صرفه می سازد. تصویربرداری ماهواره ای امکان پایش تغییرات ارتفاعی در معادن رو باز را نیز فراهم می کند. پرداز تصاویر، ترمیم قائم، زمین مبنا کردن، استخراج عوارض، و موزائیک کردن، تمامی روش هایی هستند که تضمین کننده استفاده از داده های تصویری بهم دوخته شده در کاربردهای متعدد و مختلف در حوزه زمین شناسی و معدن هستند. یکی از تکنیک هایی که ارزش پرداخته شدن را دارد، باندهای طول موج مادون قرمز کوتاه (SWIR) است که قابلیت های سنجش از دوری منحصر به فردی نظیر شناسایی مواد که معمولاً از طریق دیگر روش ها قابل انجام نیست، را ارائه می دهد. به عنوان مثال، ماهواره های SPOT (SPOT 4&5) به SWIR مجهز شده اند و Digital Globe تهیه کننده با تجربه ای در حوزه تصاویر با قدرت تفکیک بالای SWIR است.

نرم افزار پردازشی

در طول سالیان اخیر گستره وسیعی از راه حل های نرم افزاری خلاقانه برای برنامه ریزی و نقشه برداری معدنی ظهور کرده اند. نرم افزار Bentley داده های نقشه برداری سایت معدنی، مدل های سطحی، تصاویر رقومی و ابرهای نقطه ای را گرد هم می آورد. این راه حل مهندسان معدن را قادر به ایجاد یک مدل سه بعدی جامع سازگار با استانداردهای شرکت از سایت معدنی می سازد. یکی از شرکت هایی که جریان کاری مکانی کلی را در رابطه با امور معدنی ارائه می دهد، Maptek است. این شرکت استرالیایی فاصله بین جزئیات زمین شناسی، طراحی مکانی، اجرا و اندازه گیری در عملیات معدنی را پر می کند. دیگر شرکت های سرشناس در حوزه صنعت ژئوماتیک نظیر Leica Geosystems (ادغام شده با Hexagon Mining)، Topcon و Trimble (Trimble Connected Mine) نیز محصولات کاملی را به مهندسان معدن ارائه می دهند. راه حل های آنها شامل اسکن و تصویربرداری هوایی، زمینی و زیرزمینی، تعیین موقعیت زیرساختی، نرم افزار برنامه ریزی، نرم افزارهای تصویری، GIS و بیش از آن است. در حقیقت، آنها در بردارنده تمامی ابزارهایی هستند که یک نقشه بردار معدنی نیاز دارد.

آینده نقشه برداری معدنی

با نگاهی به تکامل راه حل های نقشه برداری در دسترس افراد حرفه ای در بخش معدن، می توان به دستاوردهای گذشته مفتخر بود. حالا که راه حل های مدرن بسیاری نقشه برداری را نسبتاً ساده نموده اند، چه چیزی باقی مانده که آرزوی آن را داشته باشیم؟ در عین حال، فناوری های هیجان انگیز وسیع دیگری نیز وجود دارند که عملیات مرتبط با معدن را کاراتر نموده اند و باید به آنها اشاره شوند: واقعیت مجازی (VR) و واقعیت افزوده (AR). در حقیقت، صنعت جهانی معدن پذیرای هردوی این فناوری ها بوده است. یکی از شرکت های پیشرو در بکارگیری VR، شرکتی برزیلی است که بزرگترین تولید کننده آهن و نیکل در دنیاست. از سال ۲۰۰۰، این شرکت با سرمایه گذاری در تصاویر با قدرت تفکیک بسیار بالا، به جمع آوری پایگاه داده مکانی از زمین های خود پرداخت. آنها نقشه برداری های هوایی سه بعدی با فناوری مکانی لیزری را بکار گرفته و مدل های سه بعدی رقومی را جمع آوری نمودند. در سال ۲۰۱۳، این شرکت به همکاری با یک شرکت نقشه برداری زمین شناسی بریتانیایی که نقشی مهم در بکارگیری واقعیت مجازی در معدن ایفا نموده است، پرداخت. این شرکت اکنون VR را برای کمک به اخذ تصمیمات در جنبه های مختلف عملیات ها و پروژه های خود، از تعریف ناحیه معدنی تا سناریوهای محیطی و حتی بستن یک سایت معدنی، بکار می گیرد. مطالعات محیطی، ژئوتکینیک و زمین شناسی با VR در حال انجام هستند.

بطور مشابه، AR که یک لایه اطلاعات مکانی تعاملی را روی تصاویر دنیای واقعی سوار می کند، نیز فرصت های قابل توجهی را در بخش های بهبود بازده، کاهش هزینه های تعمیر و نگهداری تجهیزات و ایمنی کارکنان، به صنعت معدن ارائه می دهد. هدست واقعیت افزوده مایکروسافت، HoloLens، در حال تغییر کسب و کارها در حوزه های معماری، صنایع خودکار، مهندسی و آموزش است و پتانسیل فناوری “واقعیت مرکب” برای متحول ساختن صنعیت معدن نیز بطور گسترده ای مورد توجه قرار گرفته است.

بنابراین، راه حل های کامل توسط شرکت های پیشرو در حال بکار گیری هستند، اما به نظر می رسد که تعریف “کامل” در آینده نزدیک توسعه پیدا کند. اگر ذهن ما برخی اوقات با این فناوری ها و پیشرفت های علمی تخیلی متحیرانه برخورد می کند، یک نقشه بردار رومی در معدن Rio Tinto باستان در مورد این خلاقیت ها چگونه فکر می کرد؟

ژئوماتیک، ایده شهرهای هوشمند را به واقعیت بدل ساخته است

امروزه، کاربرد اصلی مدل های ساختمانی در اهداف تصویرسازی است. اگرچه، چنین مدل هایی پتانسیل فوق العاده ای برای پشتیبانی از مفهوم “شهر هوشمند” را نیز دارند. مدیریت بحران، کاداستر سه بعدی، ارزیابی انرژی، پایش نویز و آلودگی و تحلیل های دیداری، همگی از مدل های ساختمانی سه بعدی غنی بهره مند می شوند. برای نشان دادن این پتانسیل، مقاله زیر به ارائه سه مطالعه موردی که در آنها مدل های ساختمانی سه بعدی با داده های غیر مکانی تغذیه شده اند؛ می پردازد. این مجموعه داده ها می توانند از طریق یک سکوی GISای مبتنی بر وب، بصورت آنلاین نشان داده شده و مدیریت گردد.

فناوری های مرتبط با اخذ و پردازش داده های زمینی سه بعدی به سرعت در حال پیشرفت هستند. تصاویر هوایی پردازش شده با الگوریتم های انطباق تصاویر منجر به ابرهای نقطه ای متراکم تولید شده بصورت خودکار شد. بطور مشابه، نرخ اخذ داده های سنجنده های لیداری همچنان در حال رشد است. به عنوان نتیجه این پیشرفت ها در فناوری اخذ داده های زمینی، در دسترس بودن داده های زمینی سه بعدی پیوسته رو به افزایش است. در واقع، فتوگرامتری، لیدار و ابزارهای مدل سازی سه بعدی شهری، پایه های ضروری ساخت مدل های ساختمانی بافت دار سه بعدی هستند.

شهرهای هوشمند

کاربرد فعلی مدل های ساختمانی سه بعدی عموماً به تصویرسازی محدود شده است، که بسیاری دیگر از پتانسیل های کاربردی را نادیده می گیرد. این واقعاً حیف است، چرا که مدیران و برنامه ریزان شهری می توانند بهره عظیمی از این مدل های شهری سه بعدی ببرند. این بطور خاص در زمینه رشد سریع شهرسازی در جهان که به پایش مصرف انرژی، آلودگی صوتی و دیگر کاربردهای “شهر هوشمند” توسط کشورها نیاز دارد، صحیح است. بنابراین، امروز چالش اصلی برای افراد حرفه ای در حوزه ژئوماتیک، ساخت فناوری های مقرون به صرفه ایست که بکارگیری بهینه داده های مکانی و ابزارهای مدل سازی شهری سه بعدی خودکار را ممکن سازند. این در بردارنده ترکیب این محصولات ژئوماتیکی – شامل هندسه سه بعدی بازسازی شده – با داده های غیر مکانی نظیر مواد اولیه ساختمانی، تعداد طبقات و داده های اخذ شده از طریق مترهای هوشمند و سنجنده های نویز است. چنین تلاش هایی منجر به فهم عمیق تری از زیست بوم های شهری و بنابراین افزایش امکان زندگی و ایمنی در شهرهای همواره رو به رشد فعلی شده است. بیش از نیمی از جمعیت جهان در شهرها زندگی می کنند (نقطه عطفی که در سال ۲۰۰۸ بدست آمده است) و پیش بینی شده است که تا سال ۲۰۵۰ این سهم به دو سوم می رسد، بنابراین نیاز واضحی برای نقشه برداری، درک و مدیریت در نواحی شهری وجود دارد.

تنگناها

تصویربرداری هوایی، همواره منبع اصلی مدل سازی سه بعدی جزئی برای مناظر شهری بوده است. تصاویر هوایی مایل و نادیر می توانند با فواصل نمونه برداری زمینی بالا (GSD) که تصاویر RGB و داده های ابر نقطه ای با جزئیات بسیار بالا اخذ شوند. تنگنای اصلی در بهره برداری از مدل های شهری سه بعدی مربوط به در دسترس بودن داده های مکانی نیست، بلکه بیشتر با کمبود ابزارهای نرم افزاری با قابلیت های کاربردی وسیع و کاملاً خودکار مرتبط است. به عنوان مثال، ابزارهای تجاری برای پردازش تصاویر هوایی، یکپارچه سازی پارامترهای توجیه نسبی سامانه های دوربینی چند دوربینی، که که هردو تصاویر مایل و نادیر را اخذ می نمایند، را به عنوان قید در سرشکنی دسته بلوک در نظر نمی گیرند. به علاوه، انطبق تصاویر مایل و نادیر به سادگی انجام نمی شود. همچنین، در خلال نقشه برداری، تصاویر اولیه در دسترس از ساختمان نشان دهنده تمامی جنبه های معماری آن نیست، خصوصاً در مرکز شهرهای تاریخی، و ابرهای نقطه ای مربوط به نمای خارجی عموماً در طول اندازه گیری های اولیه در نظر گرفته نمی شوند.

داده های غیر مکانی

غنی ساختن مدل های شهری سه بعدی با اطلاعات غیر مکانی از تحلیل های دیداری، برنامه ریزی شهری، استقرار و نگهداری از کاداستر املاک سه بعدی، واکنش اضطراری، برآورد پتانسیل صفحات خورشیدی بام ها و نیازهای مرتبط با انرژی و دیگر احتیاجات، پشتیبانی می نماید. این نوع اطلاعات برای برنامه ریزیان شهری، سیاست گذاران، ادارات عمومی و بسیاری دیگر از کاربران، ضروری است. غنی ساختن مدل های ساختمانی سه بعدی با اطلاعات اضافی نیازمند تحقق یک سامانه با قابلیت مقیاس گذاری برای ذخیره، دست کاری و ویرایش، تحلیل، مدیریت و تصویر ساختن انواع مختلف داده های مکانی و غیر مکانی و روابط میان آنهاست.

Bergamo، Trento و Graz

از دیدگاه الگوریتمی، تولید مدل های سه بعدی شهری از ابرهای نقطه ای متراکم می تواند به دو گروه اصلی تقسیم شود. گروه اول الگوی اشکال مشخصی از بام ها و یا ساختمان ها را با یک ابر نقطه ای متناسب می سازد. گروه دوم شبکه های ۲٫۵ و یا سه بعدی استخراج شده از ابر نقطه ای را تا جایی که با هندسه ad-hoc و معیارهای معیاری انطباق یابد، ساده می سازد. هردو این گروه های اصلی برای تصاویر Bergamo (ایتالیا)، Trento (ایتالیا) و Graz (اتریش) بکار گرفته شده اند. تصاویر Bergamo و Trento از طریق AVT/Terra Messflug GmbH اتریشی و تصاویر مربوط به Graz به وسیله Vexcel اخذ شده اند. اندازه ناحیه برداشت شده در Bergamo 5.3 در ۵٫۶ کیلومتر، در Trento 3.5 در ۱٫۵ کیلومتر و در Graz 3.0 در ۱٫۵ کیلومتر است. جدول زیر اطلاعات دقیق تری در ارتباط با این سه نقشه برداری هوایی را ارائه می دهد.

Graz	Trento	Bergamo
۳٫۰ در ۱٫۵ کیلومتر	۳٫۵ در ۱٫۵ کیلومتر	۵٫۳ در ۵٫۶ کیلومتر	مساحت
۲۰	۴۰۰	۱۰۰	تعداد تصاویر نادیر
۱۶۰	–	۴۳۰۰	تعداد تصاویر مایل
UltraCam Osprey Prime	UltraCamXp	UltraCam Osprey Prime	دوربین
۵۱	۱۰۰	۸۲	فاصله کانونی نادیر ]میلیمتر[
۸۰	–	۱۲۳	فاصله کانونی مایل ]میلیمتر[
۱۲	۱۰	۱۲	فاصله نمونه برداری زمینی ]سانتیمتر[
۷۵/۶۵ %	۸۰/۶۰ %	۸۰/۶۰ %	پوشش طولی/عرضی

جدول ۱- جزئیات سه نقشه برداری هوایی. تمامی دوربین ها متعلق به Vexcel هستند.

مثلث بندی هوایی (AT) با نقاط کنترل زمینی و با در نظر گرفتن مشاهدات GNSS مرکز دوربین به عنوان مجهولات مشاهده شده در پردازش های سرشکنی دسته بلوک، انجام شد. دقت AT به مقداری کمتر از متوسط GSD تصاویر اخذ شده می رسد. سپس ابرهای نقطه ای متراکم با استفاده از نرم افزار انطباق تصاویر nFrames SURE تولید شدند. پس از زمین مبنا نمودن، دو جریان کاری مجزا برای ایجاد نمای ساختمان های سه بعدی به عنوان سطح دوم جزئیات (LOD2) بکار گرفته می شوند. به عنوان مثال، در حالیکه LOD1 ساختمان ها را به عنوان بلوک هایی با بام مسطح نشان می دهد، LOD2 جزئیات بیشتری نظیر شکل بام ها و پیشانی نماها را نیز مشخص می سازد. مجموعه ابزارهای Hexagon/tridicon برای ایجاد مدل های ساختمانی سه بعدی و متناسب ساختن ابعاد بام ها با ابرهای نقطه ای از پیش تقسیم شده (بنا بر گروه اول روش های مدل سازی) در Trento و ساده سازی شبکه های سه بعدی برای مجموعه داده های Graz به کار گرفته شد. در ارتباط با Bergamo از هر دو روش استفاده شد (شکل ۲).

هندسه بازسازی ساختمان ها با گواهینامه های اعمال انرژی، موقعیت مکانی و انتشار نور مصنوعی شبانه، جزئات مالکیتی ساختمان و دیگر اطلاعات مکانی غنی شد. جزئیات مالکیتی ساختمان شامل نام مالک، تعداد طبقات، تعداد اتاق ها و جنس بدنه ساختمان است.

تصویرسازی مبتنی بر وب

مدل های سه بعدی ساختمانی و اطلاعات غیرمکانی مرتبط با آنها در دو منبع داده مختلف ذخیره می شوند مدیریت کارای هر دو منبع داده می تواند توسط سرویس های خدماتی در دسترس از طریق یک کلاینت مبتنی بر وب به انجام برسد. نویسندگان این مقاله در همکاری با Trilogis Srl یک سکوی اختصاصی وب GIS را بر اساس NASA Web World Wind API برای ذخیره، دسترسی، تحلیل و به روزرسانی اطلاعات ناهمگون مرتبط با مدل های سه بعدی ساختمانی، ایجاد نمودند. توانایی هاس اصلی این روش عبارتند از : ۱) ناوبری سه بعدی، نمایش و ارائه داده ها، در برداشتن منابع نور مصنوعی شبانه و نقشه های حرارتی؛ و ۲) پرس و جوی داده ای و ویرایش، نمایش داده های غیرمکانی در پنجره هایی که امکان ویرایش، غنی ساختن و به روز رسانی اطلاعات را فراهم سازد. مثالی از شهر Trento در شکل ۳ نشان داده شده است.

نتایج

داده های زمینی سه بعدی و فناوری های مرتبط با اطلاعات مکانی کلید پشتیبانی از مفهوم شهرهای هوشمند خواهند بود. مدل سازی سه بعدی شهری با زمینه های کاربردی متعدد، در سالیان اخیر توجه چشم گیری را به خود جلب نموده است؛ اما همچنان چالش هایی در این ارتباط وجود دارند. یکی از این چالش ها این است که ساختمان های سه بعدی باید چیزی بیش از یک نمای واقعی از فضای شهری را ارائه دهند و توسعه در جهت مدل سازی سه بعدی شهری غنی شده بصورت معنایی، در دستور کار است. دوماً، مدل سازی سه بعدی همچنان با کمبود مولفه های خودکار شده مهمی روبروست و ابزارهای موجود باید رد راستای ارائه نماهای شهری متفاوت و واقعی تر، عمومیت یابند. سوماً، همگام با پیشرفت های نرم افزاری و سخت افزاری برای مدیریت کارای حجم عظیم داده ها، به ایجاد یک مدل داده ای استاندارد شده عمومی احتیاج است.

همکاری تاثیرگذار ژئوماتیک در هدایت ماشین ها بصورت خودکار

آیا از زمانی که Karl Benz در سال ۱۸۷۹ بودجه ای را برای اولین موتور با سیستم احتراق داخلی خود اختصاص داد، صنعت خودرو تغییری اساسی نموده است؟ موارد اصلی به همان شکل باقی مانده اند: ماشین ها همچنان ۴ چرخ، و یک موتور که با نیروی بنزین و یا گازوئیل کار می کند (ماشین های برقی هنوز با اقبال مواجه نشده اند و خودروهای هیدروژنی اندکی در بازار موجودند) دارند و هنوز باید توسط یک انسان رانده شوند. اگرچه، باید منتظر یک تغییر بسیار اساسی باشیم: وسایل نقلیه خودران. Wim van Wegan مدعی است که که این امر بدون کمک فناوری های ژئوماتیکی نمی توانند پیشرفتی داشته باشند.

در سال های اخیر نه تنها تولیدکنندگان خودرو نظیر فورد، ولوو و تسلا (شکل ۱) و مرسدس بنز (شکل ۲)، بلکه گوگل و اوبر نیز آزمایشاتی در زمینه وسایل نقلیه خودران داشته اند. اخیراً ولوو اعلام کرده است که به دنبال رانندگانی است که به همکاری در آزمایش ماشین های خودران، که بزرگترین آزمایش گزارش شده در صنعت خودرو تاکنون است، علاقه مند باشند. خودروساز سوئدی می گوید: هدایت یک خودرو باید به سادگی استفاده از یک تلفن هوشمند باشد. گام های بزرگی در زمینه توسعه نسل بعدی خودروها برداشته شده است، اما فناوری پس زمینه آن چیست؟ این مقاله به نقش کلیدی ژئوماتیک در رانندگی بصورت خودکار می پردازد.

GNSS

ماشین های خودران قادر به هدایت خود نیستند، این بر نقش آفرینی ژئوماتیک در این عرصه دلالت دارد. فناوری سامانه ماهواره ای ناوبری جهانی (GNSS) دقتی که یک ماشین برای هدایت خود نیاز دارد را فراهم می سازد. دقت بالا و راه حل تعیین موقعیت قابل اعتماد، اساس مفهوم ماشین های خودران هستند. به عنوان مثال، تنها کافیست تصور کنید که در صورتی که تعیین موقعیت اشتباه خودرو را در سمت اشتباهی از جاده قرار دهد، چه اتفاقی می افتد. بنابراین، در دسترس بودن فناوری GNSS دقیق و قابل اعتماد یک چالش اساسی در مسیر پیشرفت رانندگی بصورت خودکار است. تنها پیشرفته ترین گیرنده های GNSS برای استفاده در ماشین های خودران مناسبند. این گیرنده ها بر فرکانس های چندگانه و استفاده از پیکربندی های متعدد تکیه دارند. تعیین موقعیت GNSS در ترکیب با یک سامانه ناوبری اینرشیال (INS)، سامانه ای قدرتمند را به وجود می آورند که ضعف ذاتی ناشی از استفاده از یک سیستم را جبران می کند. به علاوه، فناوری ضد انسداد برای تعیین موقعیت مورد نیاز و یکپارچه سازی سنجنده ها مورد استفاده قرار گرفته است.

یکی از شرکت های معروف در میان شرکت های حرفه ای ژئوماتیکی که بر پروژه ماشین های خودران تمرکز نموده اند، NovAtel است. متخصصان GNSS در این شرکت کانادایی اظهار داشته اند که فناوری آنها قادر به فراهم آوردن دقت در سطح دسی متر برای کسب اطمینان از باقی ماندن وسیله نقلیه در خط درست و در فاصله ای ایمن از دیگر خودروهاست. هدف NovAtel توسعه راه حل هایی است که ماشین های خودران را به منظره ای معمول در جاده های ما بدل ساخته و به مرجع تعیین موقعیت برای ماشین های خودکار بدل گردد. بنابراین، کانادایی ها یک تیم تخصصی موتور، Satety Critical Systems Group، را برای توسعه عملی فناوری تعیین موقعیت GNSS ایمن به منظور استفاده در کاربردهای خودران، اختصاص داده است.

دوربین های اپتیکی

فناوری های دوربینی متعددی که هریک طرفداران خود را دارنددر صنعت ماشین های خودران بکار گرفته می شوند. به عنوان مثال، تسلا از دوربین ها به عنوان سنجنده های اولیه استفاده می کند و ماشین های خود را به ۸ دوربین تک چشمی مجهز ساخته است. در مقابل دوربین های استریو، به ماشین عمق میدانی را ارائه می تواند که با دید انسان قابل مقایسه است. دوربین های استریو در عین فراهم آوردن امکان اندازه گیری های با کیفیت بصورت آنی، مزیت تولید ارزان را نیز ارائه می دهند. اگرچه، برخی ادعا می کنند که دوربین های کروی حتی گزینه بهتری هستند، چرا که قادر به پوشش میدان دید وسیع تر و همچنین شناسایی موانع در همسایگی بسیار نزدیک دوربین که غالباً با نصب یک دوربین دو چشمی استریو قابل دیدن نیستند، می باشند.

رادار

فناوری رادار همراه ایمنی مسافران را که یکی از معضلات اساسی در رانندگی خودکار است را فزایش می دهد. سنجنده های راداری روی ضربه گیرهای جلو و پشت خودرو نصب شده و به آن در مورد چیزهایی که در مقابل و پشت سرش قرار دارند آگاهی می دهد. ماشین فاصله ای ایمن (دو ثانیه ای) را از خودروی پیش رو حفظ خواهد کرد. ماشینی که به فناوری رادار مجهز شده است، بطور خودکار می تواند بسته به رفتار دیگر وسایل نقلیه سرعت را کم و یا زیاد کند. در حقیقت، رادار فاصله (متغیر) بین ماشین و دیگر وسایل نقلیه را مشاهده می کند. نرم افزار داده ها را تفسیر نموده و یک سیگنالی برای افزایش شتاب ماشین و یا کاهش آن را ارسال می نماید.

توسعه اخیر در فناوری راداری، رادار وسیله نقلیه به همه چیز (V2X) است. این ارتباط وسیله نقلیه-وسیله نقلیه و فناوری وسیله نقلیه با زیرساخت را در حال کار روی یک آنتن، با هم ادغام می نماید. رادار نسبت به دیگر فناوری ها دارای مزایای بسیاری است: می تواند با شریاط آب و هوایی نظیر مه، برف و باران شدید کنار بیاید. V2X به لطف اندازه گیری های داپلر قادر به تشخیص آنی سرعت وسایل نقلیه و سنجش ۳۶۰ درجه ای از طریق یک آنتن منفرد است. این قابلیت ها رادار V2X را به گامی بزرگ در توسعه سنجنده های جدید برای وسایل نقلیه خودکار بدل ساخته است.

لیدار

در صنعت ماشین های خودران، غالباً از لیدار در قالب یک استوانه دوار روی سقف خودرو استفاده می شود. پالس های لیزری از عوارض اطراف بازتاب داده شده، زمان سیر موج محاسبه شده و به لطف پردازش آنی داده های لیداری سنجنده های ۳۶۰ درجه ای، مشاین دقیقاً می داند که تا دیگر عوارض چقدر فاصله دارد. از آنجایی که لیدار به عنوان چشمان ماشین بدون راننده عمل می کند، استفاده بیشتر راه حل های مرتبط با مشاین های خودران از لیدار به عنوان سنجنده اصلی نباید چندان شما را شگفت زده کند. لیدار برای ترمزهای اضطراری، شناسایی عابران پیاده و اجتناب از برخورد ضروری است.

در آگوست ۲۰۱۶، Velodyne LiDAR، شرکت پیشرو در فناوری لیداری، اعلام کرد که سرمایه گذاری مشترک ۱۵۰ میلیون دلاری را از شرکت فورد و شرکت چینی پیشرو در تحقیقات موتور، Baidu، دریافت نموده است. این سرمایه گذاری به Velodyne امکان توسعه سریع طرح ها و تولید سنجنده های لیداری خودکار مقرون به صرفه و با عملکرد فوق العاده را می دهد (شکل ۴). این قدم مسیر بکارگیری وسیع آنها در ماشین های خودران و کاربردهای سامانه موسوم به کمک راننده پیشرفته (ADAS) را هموار ساخته و بنابراین، به مزایای متحول کننده و ضروری که ارائه می کنند شتاب می بخشد. شرکت های خودروسازی جهانی، فناوری لیداری را به عنوان عاملی حیاتی در توسعه وسایل نقلیه کاملاً خودکار شناخته اند. بطور همزمان، در دسامبر ۲۰۱۶، Magna تولید کننده بزرگ قطعات خودرو و Innovize اعلام کردند که برای ارائه راه حل های مرتبط با سنجش از دور لیداری در ویژگی های رانندگی خودکار و وسایل نقلیه کاملاً خودکار آینده، دست به همکاری زده اند. اینها تنها دو مثال از سرمایه گذاری صنعت خودرو در لیدار است، و چندین شرکت تولید خودروی سرشناس نیز تمرکز خود را به سمت لیدار سوق داده اند. بیشتر ماشین های مفهومی خودران بر رادار و لیدار برای اعتبارسنجی چیزی که مشاهده می کنند و پیش بینی حرکات بعدی، تکیه دارند.

بیشتر ماشین های خودران از لیدار استفاده می کنند، اما تسلا یک استثناست. تاکنون، مالک این شرکت، ایلان ماسک، بیلیونر عجیب و غریب، بر ترکیب رادار معمولی با سنجنده های فراصوتی تاکید داشته است. ماسک بارها بر ضروری نبودن استفاده از لیدار تاکید نموده و اظهار داشته است که بکارگیری آن در زمینه ماشین های خودران منطقی نیست. اگرچه، با در نظر داشتن این حقیقت انکارناپذیر که قیمت فناوری لیداری رو به نزول است، احتمال اینکه تسلا نیز دیر یا زود به این فناوری مجهز گردد چندان دور از ذهن نیست.

هوش مصنوعی

فورد تنها بر فناوری لیداری تمرکز ننموده است. در فوریه ۲۰۱۷، این شرکت اعلام داشت که در طول پنج سال آینده سرمایه گذاری ۱ بیلیون دلاری را در شرکت Argo Al که یک شرکت فعال در حوزه هوش مصنوعی است و توسط مدیران پیشین گوگل و اوبر تاسیس شده است، خواهد کرد. ایده پس این سرمایه گذاری عظیم این است که تجربه رباتیک و نرم افزار هوش مصنوعی Argo Al برای پیشرفت های آتی در زمینه ماشین های خودران ضروری است. هدف اصلی از این همکاری ایجاد یک سکوی نرم افزاری جدید برای ماشین کاملاً خودکار فورد است در سال ۲۰۲۱ عرضه خواهد شد.

نقشه های سه بعدی

توسعه وسایل نقلیه خودران نیروی محرک جمع آوری ابرهای نقطه ای در سرتاسر جهان است. نقشه های لازم برای ماشین های خودکار باید اطلاعات بیشتری در سطح بالاتری از صحت و دقت را فراهم آورده و در بردارنده عوارضی نظیر علائم خطوط و موانع کنار جاده باشند. مجموعه داده های نقشه ای با کیفیت بالا (HD) اطلاعات دقیقی از عوارض جاده ای نظیر خطوط رنگ آمیزی شده، علائم، مدل های ساختمانی سه بعدی، سیگنال ها، علائم توقف و فضاهای پارکینگ را ارائه می نمایند. سیستم های نقشه برداری موسوم به خود بهبود دهنده، راه حلی به روز را برای ماشین های خودران فراهم می آورند. از آنجایی که آنها به ماشین ها هوشمندی لازم برای به روز رسانی نقشه های خود را می دهند، مشکلات ناشی از داده های ناوبری قدیمی را نیز حل می کنند. وسایل نقلیه خودران، حین حرکت در جاده، قادر به اخذ و پردازش داده ها و تبدیل آنها به اطلاعات مفید خواهند بود. به علاوه، ماشین ها به منظور اخذ تصمیمات صحیح در ارتباط با مسیر و انتخاب جاده بهینه، همواره با یک ابر در ارتباط خواهند بود.

یک سیستم نقشه برداری برای ماشین های خودران که برای کمک به تولیدکنندگان خودرو و استارت آپ ها و شرکت های نقشه برداری در ایجاد سریع نقشه های HD و به روز نگه داشتن آنها طراحی شده است، توسط شرکت هایی نظیر Tom Tom، HERE، NVIDIA (شکل ۶) و Sanborn ارائه شده است. یک پروژه جالب در ژاپن توسط کنسرسیومی از شرکت های تولید کننده خودرو و برنامه ریزی نقشه ای پویای مبتکرانه، که توسط Mitsubishi Electronics بنیان گذارده شده است، در دست انجام است. تولید کنندگان خودرو با نقشه سازان Zenrin دست به همکاری زده اند. این اتحادیه نقشه ای رقومی از بزرگراه های کلیدی کشور را از طریق راندن خودروهایی که به طور خاص برای این منظور مجهز شده اند، را تهیه خواهد نمود. ژاپن به دنبال در اختیار داشتن ماشین های خودران در جاده های خود تا در مقیاسی چشمگیر تا المپیک تابستانی ۲۰۲۰ توکیو است.

شاخص های اساسی

یک ماشین خودران باید بصورت آنی قادر به فهم مسائلی که در اطرافش اتفاق می افتد باشد، بوطر دقیق موقعیت خود را روی یک نقشه HD تعیین نماید، و مسیری ایمن را برای حرکت به پیش برنامه ریزی کند. پیشرفته ترین ماشین های خودران دنیا یادگیری عمیق، ادغام سنجنده ها و بینایی اطراف را برای دست یابی به تجربه رانندگی بهینه، در هم می آمیزند. سامانه های GNSS، فاصله یابی و نقشه برداری سه بعدی (و بطور خاص لیدار)، و هوش مصنوعی این مهم را ممکن می سازند. بنابراین، آنها همگی شاخص های اساسی در موفقیت آتی ماشین های خودران به عنوان عامل متحول کننده صنعت حمل و نقل هستند. چنان که لیدار به عنوان عاملی کلیدی در دنیای ماشین های خودکار پذیرفته شده است. چیزی که ممکن است بر علیه لیدار بکار گرفته شود قیمت بالای آن است، خصوصاً در مقایسه با فناوری هایی نظیر دوربین ها، داده های راداری و یا GPS، اما به لطف نوآوری های فنی اخیر این عامل به آرامی در حال محو شدن است. چنان که در گزارشی از Market Research Future مشخص شده است، انتظار می رود که بازار جهانی ماشین های خودران تا سال ۲۰۲۷ ارزشی معادل ۶۵٫۳ بیلیون دلار داشته باشد. بنابراین، بهترین توصیه برای بخش ژئوماتیک آن است که: کمربندها را ببندید و از مسیر لذت ببرید!

راه حل های نقشه برداری متحرک مثالی خوب از این است که چگونه فناوری مکانی ما را به پیش می راند.

نقشه برداری متحرک: تصویرساختن محیط

CycloMedia شرکت نقشه برداری شناخته شده ای در حوزه تصویرسازی های سیستماتیک و بزرگ مقیاس محیطی است. دفتر مرکزی آن در هلند واقع شده است، کشوری که میدان آزمایشی فوق العاده ای برای نوآوری های پیوسته در راه حل های مرتبط با نقشه برداری متحرک است. Wim van Wegen از GIM International در بزرگراه به سمت جنوب حرکت کرد تا به شهر Zaltbommel رسیده و با Frank Pauli مدیر اجرایی این شرکت توسعه دهنده دوربین های پیشرفته و فناوری های پردازش تصاویر به صحبت بنشیند.

شما در سال ۲۰۱۳ به سمت مدیر اجرایی CycloMedia منصوب شدید. بخش مهمی از استراتژی شرکت تمرکز بر بازارهای بین المللی بوده است، امروز ما در چه وضعیتی قرار داریم؟

این قطعاً بخشی از استراتژی ماست؛ ما به این نتیجه رسیده ایم که فناوری منحصر به فردی داریم. فناوری ای که در هلند توسعه یافته است، اما به نیازها در بسیازی از موارد کاربردی موجود در بازارهای جهانی پاسخ می دهد. اگرچه، در این دنیای گسترده ما تقریباً انتخابی عمل می کنیم: دو اولویت ما آلمان و آمریکا هستند. ما دو شعبه نیز تاسیس کرده ایم؛ یکی در برکلی کالیفرنیا و دیگری در نزدیکی فرانکفورت آلمان. تمرکز ما بر مشتریان شهری است که مبنای رشد ما در هلند نیز بوده است. دو دلیل برای اینکه مشتریان اصلی ما شهرها و دولت های محلی هستند وجود دارند. دلیل اول این است که این مشتریان مشتاقانه از داده های ما استفاده می کنند و این آشکارا از جنبه تجاری جذاب است. دلیل دیگر آن است که در شهرها منطقه اخذ داده ها نسبتاً محدود است. ما توان اخذ داده ها در یک شهر معمولی در خلال چند هفته و یا چند ماه را داریم. در آلمان، ما شهرهایی نظیر فرانکفورت، اشتوتکارت، مانهایم، کلن و دویسبورگ را نقشه برداری نموده ایم. در آمریکا، ما کار مشابهی انجام دادیم – واشنگتن دی سی یکی از اولین مشتریان ما در آنجا بود. از آن زمان، ما قراردادهایی را با کلمبوس، فیلادلفیا و یکی از نقاط عطف کارمان، نیویورک امضا کرده ایم. در اواخر سال ۲۰۱۶، ما موافقت نامه ای را با شهر نیویورک امضا کردیم و سپس تمام شهر را در نیمه نخست امسال برداشت کردیم.

Frank Pauli از سال ۲۰۱۳ مدیر اجرایی شرکت CycloMedia بوده است.

شما چه نوع راه حل هایی را ارائه می کنید که آنها نمی توانند در بازار داخلی خود نمونه آن را بیابند؟

محصول اصلی ما تصویربرداری پانورامای ماست، چیزی که ما آن را Cyclorama می نامیم. تفاوت اصلی تصویربرداری پانورامای ما دقت تعیین موقعیت آن است و این چیزی است که ما را از دیگر فروشندگان متمایز می سازد. هیچ یک از فروشندگان محلی قادر به فراهم ساختن دقت مشابه نیستند و هیچ کس کار را در مقیاسی که ما پیشنهاد می کنیم ارائه نمی دهد. موارد کاربردی در این بازارها بسیار مشابه هم هستند، زمانی که به هلند نگاه می کنیم، مورد کاربردی اصلی همواره ارزیابی های مالیاتی بوده است. در آمریکا، این مساله مشابه است، سیستم های مالیاتی چندان توسط شهرها اداره نمی شوند، بلکه با شهرستان سر و کار دارند. در آلمان، ارزیابی مالیاتی وجود ندارد، اما موارد کاربردی دیگری وجود دارند که با هلند مشابه هستند، به عنوان مثال، مدیریت دارایی ها، برنامه ریزی شهری، امکانات رفاهی (برنامه ریزی شبکه ای و مدیریت دارایی ها) و ایمنی و امنیت. این موارد در بازارهایی که ما در دست داریم تقریباً مشابه هم هستند.

شرکت شما از طریق تصویربرداری ۳۶۰ درجه ای پانورامای خود شناخته شده است. آخرین پیشرفت های فنی رخ داده در زمینه اخذ این تصاویر کدامند؟

ما از دوران قدرت تفکیک استاندارد به قدرت تفکیک بالا کوچیده ایم، و این در سال ۲۰۱۵ آغاز شده است، تصویربرداری پانورامای ۱۰۰ مگا پیکسلی. مورد دوم دقت است، و ما به سرمایه گذاری در این دقت ادامه می دهیم و آن را CycloPositioner می نامیم. پس از اتمام تصویربرداری، قادر به بهبود بیشتر دقت از طریق بکارگیری فناوری های پردازشی و در صورت نیاز ادغام با نقاط کنترل زمینی خواهیم بود. ابتکار سومی که به عقیده من بسیار مهم است، آن است که ما لیدار را به سامانه جمع آوری داده هایمان اضافه کرده ایم. تا دو سال پیش، تمرکز ما بطور کامل بر روی تصویربرداری بود، اما از آن زمان به بعد ما داده های لیداری را به این مجموعه افزودیم و همچنان آن را بکار می گیریم. سال آینده و در آمریکا، تمامی نقشه برداری های متحرک ما لیدار را در بر خواهند داشت و در کشورهای دیگر نیز هر روز مشتریان بیشتری درخواست استفاده از لیدار را دارند.

و مشتریان چه زمانی به طور خاص علاقه مند به بکارگیری لیدار هستند؟

چیزی که همه مشتریان ما به آن علاقه مند هستند، بهبود هرچه بیشتر قابلیت های اندازه گیری است. دقت مهم ترین عامل در تصویربرداری های ماست و بر اساس این عامل، مشتریان نه تنها این تصاویر را برای انجام تحلیل ها و مدل سازی بکار می گیرند، بلکه از آن برای اندازه گیری نیز استفاده می کنند. این اندازه گیری ها همواره بر مبنای تصاویر بوده است، و زمانی که ما داده های لیداری را جمع آوری می کنیم پانورامای عمقی ای را ایجاد می کنیم که تصویر را پشت سر می گذارد، چرا که در این سطح شما نمایشی سه بعدی را در اختیار خواهید داشت. ما یک مکان نمای سه بعدی را نیز اضافه کرده ایم که نسبت به سطح تصویر حرکت می کند. لیدار اندازه گیری ها را بسیار ساده تر می کند، خصوصاً اگر پیکسل های بیشتری با یک رنگ و بافت در نزدیکی هم داشته باشید. در این مورد، شما باید پیکسل درست را از طریق فناوری سه بعدی که ما بر اساس لیدار ارائه کرده ایم و بصورت آنی با تصویربرداری ما یکپارچه می شود، انتخاب کنید. به علاوه، من می توانم بگویم که کاربرد داده های لیداری که ما جمع آوری می کنیم با دیگر ابرهای نقطه ای لیداری قابل مقایسه است، چرا که این داده ها معمولاً در مهندسی، شبیه سازی و مدیریت دارایی ها مورد استفاده قرار می گیرند. این حقیقت که ما دو شیوه اخذ داده را در یک پروسه تولیدی ترکیب نموده ایم، ابر نقطه ای ما را دارای دو المان منحصر به فرد می نماید: دقت- نه تنها برای تصویربرداری بلکه برای ابرهای نقطه ای – و ترکیب این دو ما را قادر به انجام کاری بهتر در رنگ آمیزی ابرهای نقطه ای، گرفتن رنگ ها از تصاویر و تخصیص آن به ابر نقطه ای، می کند.

سامانه نقشه برداری از سطح خیابان سوار شده روی ماشین CycloMedia

چند سال پیش، CycloMedia فناوری پردازش سه بعدی خود را بر اساس روش های پردازش شبکه ای و ابر نقطه ای ارتقا بخشید. می توانید چیزی در این مورد به ما بگویید؟

این یکی از موضوعات مهمی است که ما به سرمایه گذاری در آن ادامه خواهیم داد. از منظر فناوری، ما از پیشگامان فناوری توسعه ای بودیم که امکان ایجاد شبکه را برای ما فراهم نمود. زمانی که از کنار هم قراردادن تصویربرداری و لیدار صحیبت می کنیم، هدف ما ادغام این منابع داده بصورت سه بعدی است. مطمئناً در هلند ما تنها در حوزه تصویربرداری از سطح خیابان فعال هستیم، بلکه به عکسبرداری هوایی نیز می پردازیم. ما هر روز بیشتر و بیشتر به اینکه چطور می توانیم تصویربرداری سطح خیابان و عکسبرداری هوایی و خصوصاً تصاویر مایل را با هم ادغام کنیم، فکر می کنیم. حوزه سه بعدی دیگری که ما به سرمایه گذاری در آن علاقه مند هستیم، جنبه تجاری آن است. فناوری سه بعدی یکی از حوزه هایی است که شرکت های بسیاری در حال سرمایه گذاری در پیشبرد آن هستند و این مساله فوق العاده ای است. اگرچه؛ شما باید ایده واضحی در ارتباط با جایی که قصد فروش این محتوا را دارید، داشته باشید. ما اندکی در آموزش بازار و کار با شرکا و مشتریان سرمایه گذاری کرده ایم. این آموزش در ارتباط با آن است که ما تبدیل سه بعدی به واقعیت در آینده را چگونه می بینیم. از لحاظ فنی، کارهای بسیاری در حال حاضر ممکن هستند، اما در ارتباط با سکوها، موارد کاربردی و کاربران هنوز کارهای زیادی باید انجام شود. در این زمینه، ما در هلند با شرکت های Kadaster، Esri و دانشگاه صنعتی دلفت در حال آغاز پروژه ای برای کار روی پوشش ملی ممکن به صورت سه بعدی هستیم. مشخصاً، ما محصولات و فناوری خود را برای این هدف بکار می گیریم، اما ما سرمایه گذاری در زمینه فهم بازار و ساخت راه حل های مورد نیاز آن را نیز مهم می دانیم.

داده های ابر نقطه ای لیداری شما می توانند به نرم افزارهای شرکت های مختلفی نظیر Autodesk، Bentley و Esri وارد شوند. چگونه با این تولیدکنندگان نرم افزار در زمینه ارائه یک راه حل مشترک همکاری می نمایید؟

ما خود را به عنوان یک پدید آورنده داده و نه یک شرکت نرم افزاری می بینیم. ما چند راه حل نرم افزاری نیز داریم، اما تمرکز اصلی ما بر این موضوع نیست. تمرکز ما بر جمع آوری داده و تولید محتواست، بنابراین ما علاقه مند به همکاری با تمامی شرکت های نرم افزاری مرتبط هستیم. این ارتباط به نحو گسترده ای توسط مشتریان ما تعیین می گردد. در مورد لیدار این اندکی ساده تر است، چرا که لیدار دارای فرمت های استانداردی است. بنابراین وقتی داده های لیداری خود را در فایل های LAS و یا LAZ ایجاد می نمایید، تمامی نرم افزارهای اصلی مهندسی قادر به پشتیبانی از آن هستند. بنابراین چیز زیادی برای برهم کنش وجود ندارد. در مورد تصویربرداری پانوراما، این مساله اندکی متفاوت است، چرا که فرمت جهانی در این مورد وجود ندارد. جدای از راه حل نرم افزاری دیداری خودمان، ما API خود را که برای هر شرکت نرم افزاری که مایل به برهم کنش با ماست، در دسترس است را نیز ایجاد نموده ایم. سعی ما در همکاری نزدیکتر با برخی شرکت های نرم افزاری است. یک مثال خوب در این مورد کار ما در آمریکاست، که در آن به شدت مشغول همکاری با Esri هستیم. ما بر دولت های محلی و منطقه ای تمرکز کرده ایم و Esri بطور واضح رهبر این بازار است، بنابراین کسب اطمینان از کارا بودن برهم کنش ما با Esri نیز در رده علایق ماست. جدای از در دسترس قرار دادن API خود در آن منطقه، ما برخی افزونه ها را برای بهبود یکپارچگی محتوای خود با Esri را نیز پدید آورده ایم و برنامه های بازاریابی مشترکی نیز داریم.

تصویربرداری هوایی نیز یکی از پایه های راه حل های شماست. آیا توسعه فنی قابل توجهی در اخذ این داده ها رخ داده است؟

این بخشی از راه حل ماست، اما تنها در هلند این مساله اتفاق افتاده است. در حال حاضر ما در هلند موقعیت محکمی در بازار داریم و مشتریان بسیاری را پشتیبانی می کنیم. برای این مشتریان، ما ارزش افزوده ای از طریق فراهم آوردن هردو تصاویر سطح خیابان و هوایی بصورت یکپارچه ایجاد نموده ایم. ما داده ها را بصورت همزمان در اختیار داریم و راه حل نرم افزاری را ایجاد نموده ایم که به مشتریان ما اجازه مشاهده یک موقعیت مکانی در فضای عمومی را از هر دو نمای سطح خیابان و بالا می دهد. بنابراین، می توانم بگویم که ما بیشتر به کار یکپارچه سازی پرداخته ایم و این بیشتر یک پیشنهاد تجاری است تا فنی. ما محصولات هوایی که خودمان در هلند آن را به فروش برسانیم را تولید نکرده ایم. ما به شراکت با دیگر شرکت ها پرداخته ایم و بر این اساس تصاویر را در دسترس قرار داده ایم. در سال های اخیر، در بازار هلند و در حوزه تصویربرداری هوایی پیشرفت های فنی بسیاری رخ نداده است.

فتوگرامتری هوایی مایل از “داشتنش خوب است” هر چه بیشتر به سمت یک المان مهم برای ارائه دهندگان خدمات، تحول یافته است. CycloMedia چگونه با این مساله کنار می آید؟

در تصویربرداری مایل نوآوری های بسیاری رخ داده است. در هلند، ما تصویربرداری مایل را به عنوان بخشی از دامنه کاری خود ارائه می کنیم. سال ۲۰۱۷ سومین سال متوالی بود که ما تمام کشور را بصورت مایل ارائه نمودیم. ما شاهد استفاده هرچه بیشتر مشتریان از تصویربرداری مایل هستیم و بنابراین این المان در نرم افزار ما گنجانده شده است. در آمریکا، ما خودمان تصاویر مایل را فراهم نمی کنیم، اما با پدیدآورندگان پیشرو در این حوزه، شرکت هایی مانند Picometry و Sanborn به شراکت پرداخته ایم. ما شاهد پیشرفت های بسیاری در حوزه فتوگرامتری مایل هستیم. مشخصاً، قدرت تفکیک در حال بهتر شدن است و تعدادی از تولید کنندگان دوربین لیدار را نیز وارد بحث تصویربرداری مایل نموده اند. هدف نهایی ما ادغام داده های دارای دقت و قدرت تفکیک بالای اخذ شده از سطح خیابان با داده های مایل دارای دقت بالاست که به ما نمای کاملی از همه چیز در فضای عمومی را ارائه می کند. این یک مبنای ایده آل برای توسعه آتی فناوری های سه بعدی است.

CycloMedia تصاویر خود را از طریق یک سامانه دوربینی با کیفیت بالای نصب شده روی یک وسیله نقلیه اخذ می کند.

شما دست اندر کار مدل سازی سه بعدی شهری، که نقش مهمی در ارتباط با مفهوم شهرهای هوشمند ایفا می کند نیز هستید. دید شما به شهرهای هوشمند در آینده چیست؟

اگر تنها نگاهی به داده های شهرسازی بیندازید با این حقیقت که شهرها در حال رشد هر چه بیشتر هستند مواجه خواهید شد. اگر دولتی خواستار ادامه مدیریت این شهرها باشد، نیازمند ظهور و معرفی مفهوم شهرهای هوشمند است. ما از چندین راه با این مفهوم در ارتباط هستیم. پیش از آنکه به صحبت در مورد فناوری سه بعدی بپردازیم، باید اشاره کنم که تصاویر موجود ما نیز نقشی مهم را در مدیریت شهرهای هوشمند ایفا می کنند. من به نیویورک اشاره کردم، که احتمالاً چالش برانگیزترین شهر در آمریکاست. این حقیقت که شهر نیویورک ما را برای جمع آوری داده های تصویری در سال های پیش رو برگزیده است، مثال بسیار خوبی است. نیویورک موارد کاربردی متعددی نظیر ارزیابی مالیاتی، مدیریت دارایی ها، برنامه ریزی شهری و موارد ایمنی و امنیت دارد. برای من، این یک شهر هوشمند از جنبه عملی است. گفتگوهای بسیاری در ارتباط با شهرهای هوشمند در صنعت ما رخ می دهند، مردم در تلاشند تا از اینکه آنها واقعاً چه هستند سر در بیاورند. من می توانم بگویم که ما برای شهرهای بزرگتری داده فراهم می کنیم و زمانی که می بینم این شهرها هرچند وقت یکبار از داده های ما بهره می گیرند، به این واقعیت می رسم که این مطمئناً یکی از المان های شهر هوشمند است. من اخیراً با یکی از مشتری های آلمانی مان بودم و به کاربرد داده های آنها در سال گذشته نگاهی انداختیم. من فهمیدم که حدود ۴۰۰۰ نفر از افرادی که برای شهر کار می کنند، بیش از یک میلیون بار روی داده ها کلیک کرده اند. این به معنای بهره برداری سنگینی است و شهرهای بزرگ دنیا که ما در آنها مشغول به فعالیت هستیم از داده ها و محصولات استاندارد ما برای مدیریت شهرهای خود استفاده می کنند. این محصول استاندارد در راه حل های نرم افزاری که پیشتر در موردشان صحبت کردیم گنجانده شده است.

در مسیر پیش رو، ما سه زمینه ای که محتوایمان قادر به نقش آفرینی در هوشمندتر ساختن شهرها هستند را می بینیم. اولین آنها فناوری سه بعدی است و ما بصورت فعال درگیر تبدیل تصاویر پانورامای خود به سه بعدی، که به مدیریت بهتر شهرها کمک خواهد نمود، هستیم. از دید ما، تفاوت زیادی میان تصاویر پانوراما و سه بعدی وجود ندارد، اما این قدم بعدی مناسبی است. زمینه دوم چیزی است که ما آن را محصولات اطلاعاتی می نامیم. اینها محصولاتی هستند که از طریق ایجاد پایگاه های داده دارایی ها از طریق تصاویر، بدست می آیند. این دارایی ها می توانند موارد ساده ای مانند چراغ های راهنمایی؛ علائم ترافیکی و یا سطوح شیب دار پیاده روها باشند. اینها موارد مهمی برای مدیریت شهر هستند و بیشتر شهرهایی که ما می شناسیم پایگاه داده دقیق و به روزی از این دارایی ها ندارند. ما الگوریتم های خودکاری را برای ایجاد این پایگاه های داده ایجاد نموده ایم. شهرها یا خود این کار را انجام می دهند و یا ما انجام آن را به آنها پیشنهاد می دهیم. و از آنجایی که ما تصاویر خود را با فرکانس بالایی، معمولاً هر دوازده ماه، به روز می کنیم، امکان به روزرسانی این پایگاه های داده را نیز داریم. منظور از محصولات اطلاعاتی المان دوم درگیر در توسعه تصاویر ما برای کمک به شهرهای در مدیریتی هوشمندتر است. زمینه سوم همکاری محتوایی است، که با اخذ داده ها از طریق سنجنده های بیشتر مرتبط است. این بسیار عالی است که ما هر سال در شهر رانندگی نموده و تصاویر جدید و دقیق خود را منتشر می کنیم، اما سنجنده های بسیار بیشتری وجود دارند که تصویربرداری از طریق آنها در طول سال ممکن است. این می تواند از طریق دورین های متفاوتی به انجام برسد، اما از طریق سنجنده های دیگری نظیر آنهایی که به ماشین های عبوری متصل هستند، و یا سنجنده های اندازه گیری دما، کیفیت هوا و … نیز امکان پذیر است. همکاری محتوایی در ارتباط با قادر ساختن مشتریانمان به یکپارچه ساختن داده های خودشان با داده های ماست. داده های ما دارای این مزیت هستند که موقعیت مکانی صحیحی دارند، بنابراین حتی زمانی که یک شهر ساکنان خود را برای گرفتن عکس با دوربین تلفن همراهشان به بیرون می فرستد، فناوری جدید ما که آن را چارچوب هندسی می نامیم، نیز در حال بکار گرفته شدن است. تصاویر تهیه شده از طریق تلفن های هوشمند موقعیت مکانی دقیقی ندارند، اما ما آنها را با تصاویر خود تطبیق داده و به شمتریان اجازه می دهیم تا حتی آن نوع داده را نیز در موقعیت صحیح خود قرار دهند. بطور خلاصه، اعتقاد ما این است که تصاویر سطح خیابان مبنای مهمی برای مدیریت شهری هستند و ما بر این مبنا سه دسته فناوری را توسعه داده و ارائه می کنیم: فناوری سه بعدی، محصولات اطلاعاتی بر اساس شناسایی عوارض و تغییرات، و همکاری محتوایی.

توسعه فناوری در حوزه هایی نظیر هوش مصنوعی و یادگیری ماشین به سرعت رو به پیشرفت است. شما چگونه از این فناوری های متحول کننده در راه حل های خود بهره می گیرید؟

تحقیق و توسعه بخش مهمی از تشکیلات ما بوده و هست. ما به عنوان شعبه ای دانشگاه صنعتی دلفت و در سال ۱۹۸۰ کار خود را آغاز کردیم. ما تیم ۳۵ نفره ای برای تحقیق و توسعه در محل شرکت داریم و فناوری هایی که شما به آنها اشاره کردید اساس محصولاتی است که در پرسش های پیشین در مورد آنها صحبت کردیم. زمانی که از شناسایی عوارض و تغییرات صحبت می کنیم، از آخرین فناوری ها در حوزه یادگیری ماشین و یادگیری عمیق استفاده شده است. همچنین در برخی محصولات پایه ما از این فناوری ها بهره گرفته شده است. ما نیاز به تار کردن تصاویر خود داریم، چرا که قدرت تفکیک تصاویر در حال بهتر شدن است و قوانین مرتبط با حریم خصوصی سخت تر شده اند. ما این کار را از طریق یادگیری عمیق و بصورت خودکار انجام می دهیم. ما سالانه میلیون ها تصویر تولید می کنیم و مشخصاً انجام دستی این امور ممکن نیست. در هلند، ما پایگاه داده ای ایجاد نموده ایم که در آن تقریباً سه میلیون علامت ترافیکی از طریق فناوری های شناسایی عوارض استخراج شده است.

شرکت شما در هلند واقع شده است؟ چه مزیتی در این باره وجود دارد؟

انتظارات، هنجارها و استانداردهای اطلاعات مکانی در هلند در سطح بسیار بالایی هستند. Cadaster (کاداستر هلند، آژانس نقشه برداری و ثبت املاک) یکی از آژانس های ملی نقشه برداری پیش رو در دنیاست. هلند نقش بسیار مهمی را در توسعه شرکت هایی نظیر Tom Tom، TeleAtlas و Navteq ایفا نموده است و همه اینها ریشه در آن دارد که داده های مکانی در این کشور مهم در نظر گرفته می شوند. احتمالاً این حقایق که ۴۰% مساحت این کشور در ارتفاعی پایینتر از سطح دریا واقع شده و جمعیت متراکمی دارد، در این امر موثرند. هلند برای شرکتی که می خواهد در حوزه اطلاعات مکانی به آینده نگریسته و صاحب فناوری شود، محلی ایده آل است. به علاوه، افراد تحصیل کرده و با استعداد فراوانی در اینجا هستند که به ما در رسیدن به افراد مناسب برای واحد تحقیق و توسعه کمک می کنند. پس از ایجاد و بررسی محصولاتمان در این کشور، ارائه آن به دیگر بازارها بسیار ساده تر است.

وسایل نقلیه خودران در حال تبدیل به واقعیت هستند. فکر می کنید که وسایل نقلیه خودران CycloMedia چه زمانی آماده برداشت تصویر از هلند و دیگر کشورها باشند؟

این سوال بسیار خوبی است! ما در این باره زیاد صحبت می کنیم، اما برنامه مشخصی در مورد چگونگی آن نداریم. فارغ از بکارگیری این فناوری توسط شرکت ما، با در نظر گرفتن این حقیقت که تصاویر ما بسیار دقیق هستند، می توان از آنها به عنوان یکی از اجزای لازم برای وسایل نقلیه خودران استفاده کرد. اگرچه، این کسب و کار اصلی ما نیست اما ما در حال انجام کارهایی در این حوزه هستیم. من شخصاً معتقدم که رسیدن به نقطه ای که یکی از وسایل نقلیه ما قادر به راندن خود بصورت کاملاً خودکار در مرکز شهرها باشد، به زمان بیشتری نیاز دارد. انجام این کار در بزرگراه ها چندان دور از دسترس نیست. در هلند ما ۱۶۰۰۰۰ کیلومتر را برداشت کرده ایم که تنها ۹۰۰۰ کیلومتر آن در بزرگراه ها بوده است. من فکر می کنم که برداشت تمام شبکه جاده ای از طریق ماشین های خودران به زمان نیاز خواهد داشت.

CycloMedia در هلند، ۱۶۰۰۰۰ کیلومتر را برداشت نموده که تنها ۹۰۰۰ کیلومتر آن در بزرگراه ها بوده است.

آینده تصویر شده برای مدل سازی سه بعدی بسیار گسترده است. شما فکر می کنید که مدلسازی واقعیت به کدام سو حرکت می کند؟

من فکر می کنم که جوابهای متعددی وجود دارد، و این بسیار به مورد کاربردی وابسته است. یکی از پاسخ ها این است که ما معتقدیم موارد کاربردی متعددی موجودند که در آنها عکس همچنان بهتر از مدل است. زمانی که به دنبال ارزیابی ارزش یک ساختمان هستید، تصویر اصلی همچنان بسیار دقیق تر از مدل سه بعدی است. اگرچه فناوری سه بعدی در حال مهم و مهم تر شدن است. سوال این است: آیا این فناوری در کسب و کار ما، جایی که افراد حرفه ای تحت پوشش قرار می گیرند مهم تر است و یا بطور کلی برای جامعه دارای اهمیت بیشتری است؟ یک مثال خوب در این مورد در هلند، Environment and Planning Act است که دولت از طریق آن لزوم قادر ساختن همه شهروندان به نگریستن به محیط اطراف خود را فراهم نموده است. من متقاعد شده ام که تنها راه برای انجام معنی دار این کار، از طریق فناوری سه بعدی است. بسیاری از مردم در کار با نقشه های توصیفی مهارت ندارند و رابط های کاربری کامپیوتری پیچیده نیز چندان کاربرپسند نیستند، بنابراین اگر بخواهید به شهروندان در ارتباط با محیط اطرافشان آگاهی دهید، بهترین پاسخ فناوری سه بعدی است. نه تنها برای مشتریان، بلکه برای برنامه ریزی شهری، شبیه سازی آب و صدا، و شبیه سازی تغییرات شهری. تمامی این موارد کاربردی نشان دهنده نقش بسیار مهم فناوری سه بعدی هستند. و همچنین پاسخ سومی نیز وجود دارد: برای کاربردهای مهندسی، جایی که مدل های سه بعدی برای اهدافی نظیر سایت های صنعتی که باید بازمهندسی شده و یا تعمیر و نگهداری شود، ایجاد می شوند. این بازار بسیار مهم دیگری است که بیشتر بر اساس یکپارچه ساختن داده های ایستا و پویا خواهد بود. ما تصاویر خود را هر ۱۲ ماه یکبار تهیه می کنیم، اما اگر شما بخواهید ساختمان هایی را بازسازی کنید، باید مطمئن شوید که تصاویر تهیه شده در دیرز و یا امروز را در دست خواهید داشت، نه تصاویر ۶ ماه قبل را.

قبلاً در این مصاحبه به اهمیت آموزش بازار اشاره کردید. موضوع بسیار خوبی برای سوال آخر! نظر شما در این مورد چیست؟

ما یک شرکت تجاری هستیم، بنابراین باید وضعیت تجاری سالمی داشته باشیم. نیم از کسب و کار ما در ارتباط با تحقیق و توسعه، و سرمایه گذاری در فناوری جدید است. نیمه دیگر در ارتباط با کسب اطمینان از قابلیت فروش این فناوری است. مطمئناً زمانی که پیشرو هستید و می خواهید اول باشید، همیشه با یافتن یک نیاز منحصر به فرد و یا مورد کاربردی خاصی که به بازار عرضه نشده باشد مواجه نیستید. شما باید بازار را نیز بسازید، و فناوری سه بعدی مثال بسیار خوبی در این باره است. سرمایه گذاری های فراوانی در این حوزه شده است، و من مطمئن هستم که دنیای سه بعدی محقق شده و بازار بسیار بزرگی نیز خواهد داشت، اما پرسش این است که کدام یک از بازارهای زیرمجموعه آن اول به وجود خواهند آمد؟ کدام یک از موارد کاربردی اول توسعه خواهند یافت؟ از دید ما، به جای آنکه منتظر بازار بمانیم تا به سراغ ما بیاید و در مورد توان انجام کارها از ما تقاضا کند، می خواهیم خودمان این مساله را دریابیم. زمانی که از آموزش بازار صحبت می کردم منظورم دقیقاً همین بود و این کاری است که ما در حوزه فناوری سه بعدی انجام می دهیم. ما نسل سوم فناوری بافت دهی سه بعدی را ایجاد نموده ایم و آن را به برخی شهرداری ها در هلند که در زمینه فناوری سه بعدی آینده نگرتر هستند ارائه کرده ایم. ما بر سر انجام یک پروژه اولیه برای ساخت شهر سه بعدی و آزمایش همکاری شهروندان، برنامه ریزی شهری و دیگر موارد کاربردی، توافق کرده ایم. سعی ما این است که در بخش دیگر کسب و کار نیز فعال بمانیم.