Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Automatic extraction of roadside objects from mobile mapping data
KTH, School of Architecture and the Built Environment (ABE), Real Estate and Construction Management, Geodesy and Satellite Positioning.ORCID iD: 0000-0001-9032-4305
2019 (English)In: Article in journal (Refereed) Submitted
Place, publisher, year, edition, pages
2019.
National Category
Other Civil Engineering
Identifiers
URN: urn:nbn:se:kth:diva-250332OAI: oai:DiVA.org:kth-250332DiVA, id: diva2:1307819
Note

QC 20190429

Available from: 2019-04-29 Created: 2019-04-29 Last updated: 2019-04-29Bibliographically approved
In thesis
1. Connecting digital and physical representations through semantics and geometry
Open this publication in new window or tab >>Connecting digital and physical representations through semantics and geometry
2019 (English)Licentiate thesis, comprehensive summary (Other academic)
Abstract [en]

The fields of geodesy and building information modeling (BIM) meet each other in the intersection between the physical and the digital world. Within the construction industry, the role of geodesy has typically been to describe the position of assets and to transform the geometries of those assets between coordinate systems suitable for design and coordinate systems with a known relation to the Earth. This is not changed by the introduction of BIM but rather emphasized by it, as higher degrees of automation and prefabrication increases the need for strict and non-distorting transformations. The objectoriented aspects of BIM require that captured geodata can be semantically classified and that objects can be reconstructed and extracted from the geodata. In this landscape, geodesy is the bridge between model and reality, connecting the two worlds through both semantics and geometry. This thesis is a comprehensive summary of three papers within these two topics. The first paper describes the geometric transformations required throughout the life cycle of a built asset and assesses the georeferencing capabilities of the open BIM standard Industry Foundation Classes (IFC). The second and third paper propose and showcase a methodology where image-based deep learning is used to extract roadside objects from mobile mapping data. The findings of the first paper include suggestions for how IFC can be improved in order to facilitate better georeferencing, and the second and third paper show that the proposed methodology performs well in comparison to a manual classification.

Abstract [sv]

De två områdena geodesi och byggnadsinformationsmodellering (BIM) möter varandra i skärningspunkten mellan den fysiska och den digitala världen. Inom byggindustrin har geodesins roll historiskt varit att positionsbestämma anläggningar samt att transformera deras geometrier mellan koordinatsystem lämpliga antingen för design eller för inmätning och utsättning. Detta har inte ändrats av att BIM börjat användas, utan det har snarare blivit ännu viktigare då högre nivåer av automatisering och prefabricering ställer högre krav på strikta och icke-deformerande transformationer. De objektorienterade aspekterna av BIM kräver att infångade geodata kan klassificeras semantiskt och att objekt kan återskapas och extraheras från dessa geodata. I detta landskap utgör geodesin en bro mellan modell och verklighet, och sammanlänkar dessa världar genom både semantik och geometri. Denna avhandling är en sammanfattning av tre artiklar inom dessa två områden. Den första artikeln beskriver de geometriska transformationer som krävs genom en anläggnings livscykel och utvärderar georefereringsförmågan hos den öppna BIM-standarden Industry Foundation Classes (IFC). Den andra och tredje artikeln föreslår och demonstrerar en metod där bildbaserad deep learning används för att extrahera vägnära objekt ur data insamlat genom mobile mapping. Slutsatserna från den första artikeln inkluderar förslag på hur IFC kan utvecklas för att möjliggöra bättre georeferering, och de två andra artiklarna visar att den föreslagna metoden presterar väl i jämförelse med en manuell klassificering.

Place, publisher, year, edition, pages
Stockholm: KTH Royal Institute of Technology, 2019. p. 32
Series
TRITA-ABE-DLT ; 1914
National Category
Other Civil Engineering
Research subject
Geodesy and Geoinformatics
Identifiers
urn:nbn:se:kth:diva-250333 (URN)978-91-7873-196-1 (ISBN)
Presentation
2019-05-23, V3, Teknikringen 72, KTH, Stockholm, 10:00 (Swedish)
Opponent
Supervisors
Note

QC 20190429

Available from: 2019-04-29 Created: 2019-04-29 Last updated: 2019-04-29Bibliographically approved

Open Access in DiVA

No full text in DiVA

Search in DiVA

By author/editor
Uggla, Gustaf
By organisation
Geodesy and Satellite Positioning
Other Civil Engineering

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 69 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf