Fürstenfeldbruck mit Mapillary erfassen
Daten, Daten und noch mehr Daten! Für das mFUND-Projekt, mit dem wir GOAT nach Fürstenfeldbruck bringen, haben wir Informationen aus vielen Quellen gesucht. Eine davon haben wir selbst erhoben: Straßenbilder mit Mapillary.
Warum wir mehr Daten brauchen
Daten, Daten und noch mehr Daten! Im mFUND-Projekt bringen wir die Funktionen von GOAT in die Stadt Fürstenfeldbruck. Dafür haben wir Informationen aus vielen Quellen zusammengetragen.
OpenStreetMap war wie immer eine sehr gute Quelle, aber viele Details fehlen dort noch. An dieser Stelle kommt Mapillary ins Spiel. Vereinfacht gesagt ist Mapillary „das Google Street View der Open-Source-Welt“. Menschen auf der ganzen Welt haben mit dem Auto, dem Fahrrad oder zu Fuß Millionen Kilometer Straßen, Fuß- und Radwege fotografiert. So entsteht eine aktuelle Quelle dafür, wie es auf den Straßen aussieht. Dazu kommt eine automatisch erzeugte Karte: Mapillary erkennt auf den Bildern Objekte wie Verkehrszeichen, Hydranten, Fahrbahnmarkierungen oder Fahrradständer und schätzt ihre Position auf der Karte.
Mapillary in Fürstenfeldbruck
In Fürstenfeldbruck waren vorher nur wenige Teile des Straßennetzes erfasst. Deshalb haben wir beschlossen, die Bilder selbst aufzunehmen. Dieser Screenshot zeigt, was wir abgedeckt haben:
Abbildung 1. Das Gebiet Fürstenfeldbruck und die fotografierten Abschnitte
Bevor wir nach Fürstenfeldbruck gefahren sind, haben wir in München getestet, wie man mit Mapillary arbeitet. Wir haben verschiedene Kameras, Halterungen für Smartphone und GoPro am Fahrrad, Aufnahmeeinstellungen und Funktionen der App ausprobiert. Schwierig waren vor allem der hohe Akkuverbrauch und der große Speicherbedarf für die vielen Bilder. Am besten hat sich eine GoPro für die Bilder bewährt, verbunden mit einem Smartphone, das den GPS-Track und die Ausrichtung aufzeichnet, dazu eine Powerbank.
Abbildung 2. Das Fahrrad mit GoPro in der S-Bahn auf dem Weg nach Fürstenfeldbruck
Bisher haben wir im Gebiet 210 km in 8 Tagen fotografiert. In der Planung hatten wir 5 Tage für 240 km geschätzt. Tatsächlich konnten wir etwa 2,5 Stunden pro Tag aufnehmen, weil der Akku nicht länger hielt, und die mittlere Geschwindigkeit lag bei etwa 10 km/h, weil wir viele Straßen mehrfach befahren mussten. Es fehlen nur noch wenige Bereiche und Fußwege, die meisten Straßen sind jetzt erfasst. Um die geringere Tagesleistung auszugleichen, haben wir einen gemeinsamen Aktionstag organisiert: 4 Mitglieder der GOAT-Community haben zusammen die umliegenden Ortschaften fotografiert.
Gemeinsam erfassen
Für solche Einsätze hat Mapillary die Funktion „Capture projects“. Man legt das Gebiet, das erfasst werden soll, als Fläche fest, in unserem Fall Fürstenfeldbruck. Die Fläche wird in Teilgebiete aufgeteilt. Jedes Teilgebiet ist eine „Task“ und wird einem der „Driver“ aus der Gruppe zugewiesen (Abbildung 3). Vor dem Start hat jede Person die App „Mapillary Driver“ installiert. Dort sieht man, welches Gebiet einem zugewiesen ist und für welche Straßen noch Bilder fehlen. So lassen sich alle Tasks einfach abarbeiten.
Abbildung 3. Das Gebiet Fürstenfeldbruck, aufgeteilt in Tasks und den einzelnen Drivern zugewiesen
Mit dieser Feldarbeit erheben wir neue Daten und verbessern die vorhandenen, damit wir die Funktionen von GOAT in Fürstenfeldbruck entwickeln können. Gleichzeitig teilen wir die Daten gern mit allen anderen. Die Bilder und die automatischen Auswertungen von Mapillary helfen, bessere Daten für genauere Berechnungen aufzubauen.
Die Bilder in GOAT
Mit aktuellen Bildern lässt sich eine Straße außerdem bequem aus der Ferne beurteilen.
Abbildung 4. Die Mapillary-Bilder lassen sich jetzt direkt in GOAT ansehen
So lassen sich Details prüfen: die Qualität von Gehwegen und Radwegen, die Flächennutzung, die Oberfläche der Straße, Schulen, Gesundheitseinrichtungen, Points of Interest und sogar Fahrradständer. Auf den Bildern unten erkennt man zum Beispiel Wohngebiete mit Tempo-30-Zonen oder verkehrsberuhigten Straßen und Gewerbegebiete, in denen man die Verteilung von Parkplätzen oder Fußwegen untersuchen kann.
Abbildung 5. Aufgenommene Sequenzen in Gebieten mit unterschiedlicher Flächennutzung
OpenStreetMap verbessern
Mit den Mapillary-Daten haben wir die Qualität der OpenStreetMap-Daten verbessert. Wie das Bild unten zeigt, kann man Mapillary-Fotos beim Bearbeiten in OSM direkt verwenden. Die Fotos aus Fürstenfeldbruck erscheinen als grüne Punkte.
Abbildung 6. Mapillary-Bilder als Grundlage für bessere OSM-Daten
Bisher haben wir die Daten vor allem genutzt, um die Attribute des Straßennetzes in OpenStreetMap zu ergänzen. Anhand der Fotos konnten wir viele Attribute erfassen, die für ein realistischeres Fahrrad-Routing wichtig sind. Man erkennt zum Beispiel die Art der Oberfläche (befestigt, unbefestigt, Asphalt, Beton, Pflaster …) oder ihren Zustand (sehr gut, gut, mittel, schlecht …). Man sieht auch, ob eine Straße oder ein Weg für Rad- und Fußverkehr ausgelegt ist, und vieles mehr.
Wir sammeln weiter Bilder und verfeinern unsere Methode, damit die Kartendaten für alle besser werden.