Flatcity

El subproyecto AUDACity (Analytics Using sensor DAta for FLATCity) se imbrica dentro del proyecto coordinado FLATCity mediante la detección automática de barreras que afectan a la movilidad de los ciudadanos a partir de datos de sensores SW y HW de los propios ciudadanos (aprendizaje automático a partir de crowd-sensing tanto de sensores móviles y vestibles como de trazas que los usuarios dejan en Internet). La información extraída, valiosa para la identificación de lugares y rutas accesibles, será almacenada en la base de datos espacio-temporal de FLATCity.

En cuanto al procesamiento de la información proveniente de sensores SW, AUDACity se centra en la extracción de conocimiento acerca de la accesibilidad a partir de datos abiertos, provenientes tanto de servicios públicos como de proveedores de servicio privados. Habrá dos mecanismos de adquisición de información claramente diferenciados. Por una parte,  AUDACity extraerá la información de accesibilidad que proporcionan fuentes de datos abiertos como OpenStreetMap. Por otra, llevará a cabo una captura continua de contenidos en redes sociales mediante el seguimiento tanto de personas y organizaciones que se identifiquen como relevantes en el ámbito de la discapacidad y accesibilidad como de palabras clave que sean utilizadas con frecuencia en este ámbito. A los contenidos recogidos se le aplicarán técnicas de extracción de información y clasificación estadística, en las que el equipo de UC3M tiene experiencia, con el fin de detectar localizaciones en las que pueda haber obstáculos o situaciones que dificulten la movilidad.

En cuanto al procesamiento de la información proveniente de sensores HW, AUDACity realizará la detección de barreras físicas (escaleras, rampas, zonas de difícil movilidad) basándose en sensores de acelerometría, presión y sensores fisiológicos de usuario (frecuencia cardíaca o conductividad de la piel) tanto usando sensores embebidos en dispositivos móviles de usuario como a partir de sensores vestibles. Las barreras a la movilidad detectadas serán geo-localizadas, identificadas, anotadas de forma automática con información asociada con la movilidad y se realizará un seguimiento de cambios a lo largo del tiempo. La información obtenida de los sensores HW de usuario permitirá además la elaboración de índices de dificultad asociados a cada barrera física. Para ello se desarrollarán técnicas de aprendizaje automático que proporcionen valores del esfuerzo estimado para cada usuario en función de los datos sensados. Se realizará también la detección de otras barreras que afectan la movilidad de usuarios con deficiencias visuales y auditivas a partir de datos de la cámara y micrófono de dispositivos móviles. Finalmente, se desarrollarán interfaces de usuario basadas en dispositivo móvil mínimamente invasivas para facilitar al usuario la captación de información.

La tecnología desarrollada por AUDACity será adaptada y optimizada para su despliegue en los sistemas de computación distribuidos desarrollados dentro del proyecto coordinado FLATCity. Esta integración en los prototipos conjuntos de FLATCity permitirá maximizar los resultados y el impacto de la investigación.

En los últimos años, la reconstrucción de modelos tridimensionales de ciudades y edificios se ha convertido en un tema de investigación de gran interés debido a la creciente demanda de modelos actualizados de ciudades, que son requeridos para una gran variedad de aplicaciones para las cuales los tradicionales modelos cartográficos no son suficientes. Numerosos problemas de análisis espacial complejo como simulación de rutas de movilidad, solo pueden ser abordados de forma realista a partir de modelos tridimensionales que representen la realidad existente, no solo de los elementos que conforman el espacio navegable, sino también las barreras y obstáculos a la navegación de pedestres.

El uso de sistemas LiDAR permite la adquisición de información geométrica de la realidad construida de forma eficaz y productiva. A pesar de que las nubes de puntos resultantes poseen gran calidad y resolución, este conjunto de coordenadas cartesianas se caracteriza por ser información masiva y desordenada. Por lo tanto, se hace necesario el desarrollo de algoritmos que permitan analizar de forma automática las características de la realidad existente desde el punto de vista geométrico, semántico y topológico.

El subproyecto RunCity (3D route modelling for FLATCity) tiene como objetivo principal la generación de cartografía tridimensional actualizada de espacios públicos, principalmente entornos urbanos.  Para ello, se hará uso de información geomántica de alta resolución, adquirida principalmente con tecnología LiDAR. Los dos grandes retos de este subproyecto consisten en el desarrollo de algoritmia matemática que permita el procesado automático de datos LiDAR y la caracterización de los parámetros de interés para el diagnóstico de accesibilidad. Se prestará especial atención a los elementos que componen el espacio navegable como rampas, escaleras, accesos y zonas de paso. Además de la caracterización geométrica, las metodologías desarrolladas perseguirán la caracterización topológica que permitan la reconstrucción automática de grafos coherentes con el fin de calcular rutas de movilidad.

La gestión de volúmenes masivos de información espacial y espacio-temporal plantea problemas a los sistemas de gestión de bases de datos actuales. En primer lugar, la información es muy variada en cuanto a su tipología: nubes de puntos recogidas por sensores LiDAR, datos raster recogidos por sensores complementarios, información vectorial recogida por los sensores hardware portados por usuarios, e información semi-estructurada y no estructurada recogida desde sensores software y fuentes de datos abiertos. En segundo lugar, el volumen de la información es elevado (por ejemplo, el tamaño de una nube de puntos LiDAR puede alcanzar fácilmente varios gigabytes). Y en tercer lugar, se requiere velocidad en la respuesta a las consultas de los usuarios ya que no es factible que un usuario que requiere una ruta para un desplazamiento tenga que esperar un tiempo elevado por la respuesta. Estas tres características no sólo complican el almacenamiento de la información sino que también hacen más compleja la definición de algoritmos eficientes de procesamiento de la información. A pesar de los primeros pasos que se han dado en el desarrollo de tecnologías Big Data para el almacenamiento y procesamiento de información geográfica, existe una gran necesidad de investigación en este campo: las soluciones actuales consideran sólo uno de los modelos lógicos, no permiten la realización de consultas en las que se utilice información de varios modelos, se centran más en la realización de tareas fuera de línea que en la realización de tareas de procesamiento en tiempo real, y se basan en la utilización de versiones distribuidas de estructuras tradicionales en lugar de definir nuevas estructuras que aprovechen las características del procesamiento distribuido.

El objetivo principal del subproyecto VeloCity: Efficient processing of spatio-temporal big data for FLATCity es el desarrollo de algoritmos, estructuras de datos y tecnología de almacenamiento y procesamiento de información que permitan la ejecución eficiente de modelos de extracción de información semántica a partir de datos geográficos masivos obtenidos a partir de sensores móviles, sensores fijos, datos abiertos y datos generados por voluntarios. Este objetivo principal se descompone en los siguientes objetivos específicos:
1) Definición e implementación de estructuras de datos compactas y algoritmos para el almacenamiento y procesamiento de información espacio-temporal en memoria y utilizando tecnologías de distribución de la información y el procesamiento.
2) Definición de algoritmos de procesamiento de datos LiDAR adaptados para su ejecución utilizando tecnologías Big Data.
3) Adaptación de algoritmos de procesado de información recogida por sensores HW y SW para su ejecución utilizando tecnologías Big Data.