Kaartdata-nauwkeurigheid: waarom een paar centimeter het verschil maakt
Als je met Google Maps naar de supermarkt navigeert, is het geen ramp als de kaart een meter of twee afwijkt van de werkelijkheid. Je ziet toch zelf waar de stoeprand ligt. Maar voor een zelfrijdende auto die zonder chauffeur een kruising oversteekt, is zo'n afwijking het verschil tussen veilig en gevaarlijk. Kaartdata-nauwkeurigheid gaat over de vraag hoe precies digitale kaarten de werkelijkheid weergeven, en waarom die precisie steeds belangrijker wordt naarmate machines zelf beslissingen nemen op basis van die kaarten.
Een goede analogie is het verschil tussen een landkaart in een schoolatlas en een gedetailleerde bouwtekening. De atlas laat zien waar steden en wegen ongeveer liggen, en dat is genoeg om een reis te plannen. Een bouwtekening moet echter tot op de centimeter kloppen, want daarop worden funderingen gegoten en leidingen gelegd. Moderne navigatiekaarten zijn van oudsher meer een atlas; de kaarten die zelfrijdende auto's gebruiken, moeten steeds meer een bouwtekening worden.
Wat is het precies?
Kaartdata-nauwkeurigheid ontstaat in een aantal stappen, die elk hun eigen techniek en foutmarge kennen. Het begint bij positiebepaling: satellietsystemen zoals gps (Amerikaans) of Galileo (Europees), samen aangeduid als GNSS (Global Navigation Satellite System), geven een locatie door met een nauwkeurigheid van doorgaans enkele meters. Voor gewone navigatie is dat ruim voldoende.
Voor grotere precisie gebruikt men RTK (Real-Time Kinematic) of vergelijkbare correctietechnieken. Daarbij vergelijkt een ontvanger het satellietsignaal met dat van een vaste referentiestation op de grond, waardoor storingen in de atmosfeer grotendeels wegvallen. Zo kan de nauwkeurigheid dalen tot enkele centimeters, mits er een goede verbinding met zo'n referentiestation is.
Positie alleen is niet genoeg; je moet ook weten hoe de omgeving eruitziet. Daarvoor gebruiken meetvoertuigen lidar (Light Detection and Ranging), een soort laserscanner die door snel te draaien duizenden afstandsmetingen per seconde maakt en zo een driedimensionaal puntenwolk-model van de weg en zijn omgeving opbouwt. Camera's leveren aanvullende informatie via fotogrammetrie, het reconstrueren van vormen en afstanden uit meerdere foto's, vergelijkbaar met hoe onze twee ogen dieptezicht geven.
Al die databronnen worden vervolgens samengevoegd in een proces dat sensor fusion heet: software combineert gps-data, lidar-puntenwolken en camerabeelden tot één consistent kaartmodel, en filtert daarbij tegenstrijdigheden en meetfouten eruit. Steeds vaker gebeurt dit niet alleen met dure, speciaal uitgeruste meetauto's, maar ook via crowdsourcing: gewone consumentenauto's met camera's of sensoren sturen kleine beetjes data terug naar een centrale server, die miljoenen van die fragmentjes optelt tot een steeds nauwkeuriger kaartbeeld. Tot slot is er verificatie nodig, waarbij mensen of algoritmes controleren of de automatisch gegenereerde kaart klopt, voordat die als betrouwbaar wordt bestempeld.
Wat wil men ermee bereiken?
De belangrijkste drijfveer is veiligheid bij autonoom rijden. Een zelfrijdende auto moet vooraf weten waar rijstroken beginnen en eindigen, hoe scherp een bocht is, en waar een verkeersbord staat, omdat de auto daarop kan anticiperen nog voordat de eigen sensoren het obstakel of de bocht daadwerkelijk waarnemen. Dat heet ook wel een HD-kaart (High Definition map): een kaart die niet alleen straten toont, maar ook rijstrookmarkeringen, hoogteverschillen en verkeersborden tot op centimeterniveau.
Daarnaast spelen economische belangen mee. Logistieke bedrijven willen routes optimaliseren tot op de meter nauwkeurig, bijvoorbeeld om vrachtwagens efficiënt te laten laden en lossen. Ruimtelijke planners en overheden gebruiken nauwkeurige geodata (geografische data) voor waterbeheer, bouwvergunningen en noodhulp bij rampen, waarbij een paar meter afwijking al tot verkeerde beslissingen kan leiden.
Er is ook een bredere belofte: dat precieze, actuele kaarten de basis vormen voor allerlei toekomstige toepassingen, van drones die pakketjes bezorgen tot robots die zelfstandig door fabriekshallen rijden. Voor al die systemen geldt dezelfde logica als bij zelfrijdende auto's: hoe automatischer de beslissing, hoe nauwkeuriger de onderliggende kaart moet zijn.
Voorbeelden uit de praktijk
HERE Technologies, een kaartenbedrijf dat oorspronkelijk van Nokia was, bracht rond 2015 zijn HD Live Map op de markt. Dit is een kaart die snelwegen en hoofdwegen in delen van Europa en de Verenigde Staten weergeeft met een nauwkeurigheid tot op enkele centimeters, bedoeld voor gebruik door autofabrikanten in rijhulpsystemen.
TomTom ontwikkelde een vergelijkbare aanpak onder de naam RoadDNA, waarbij camera- en lidarbeelden van rijdende voertuigen worden omgezet in een soort visuele vingerafdruk van de weg, die een auto kan gebruiken om zijn positie te bepalen zelfs wanneer het gps-signaal zwak is, zoals in tunnels of tussen hoge gebouwen.
Mobileye, onderdeel van Intel, koos voor een opvallend andere aanpak met wat het Road Experience Management (REM) noemt. In plaats van dure meetvoertuigen in te zetten, gebruikt het bedrijf de camera's die het al levert aan gewone consumentenauto's van merken als Volkswagen en BMW. Elke auto stuurt een klein beetje geanonimiseerde data terug, en door die van miljoenen ritten samen te voegen, ontstaat een kaart die zichzelf voortdurend bijwerkt. Dit systeem werd vanaf ongeveer 2018 stapsgewijs uitgerold.
Waymo, het zelfrijdende-autobedrijf van Google-moeder Alphabet, bouwt voor elk gebied waarin het opereert, zoals delen van Phoenix en San Francisco, een eigen zeer gedetailleerde lidar-kaart voordat het daar voertuigen zonder chauffeur laat rijden. Dat verklaart mede waarom Waymo tot dusver in een beperkt aantal steden actief is: het maken en onderhouden van zo'n kaart kost tijd en geld per gebied.
Ook buiten de Verenigde Staten en Europa wordt hieraan gewerkt: het Chinese Baidu bouwt via zijn Apollo-platform eveneens HD-kaarten voor autonoom rijden in Chinese steden, terwijl het open, door vrijwilligers onderhouden OpenStreetMap laat zien dat crowdsourcing ook zonder commercieel bedrijf tot bruikbare, zij het regionaal wisselend nauwkeurige, kaarten kan leiden.
Hoe ver is de techniek?
De techniek om op één moment een zeer nauwkeurige kaart te maken, is inmiddels behoorlijk volwassen: lidar- en RTK-technologie zijn bewezen en worden op grote schaal toegepast. De grotere uitdaging zit in het actueel houden van die kaarten. Wegwerkzaamheden, tijdelijke omleidingen en nieuwe verkeersborden kunnen een kaart binnen enkele dagen achterhalen, terwijl het opnieuw inmeten van duizenden kilometers weg met gespecialiseerde voertuigen kostbaar en traag is.
Dat is precies waarom crowdsourcing-benaderingen zoals die van Mobileye aan populariteit winnen: door continu kleine beetjes data van gewone auto's te verzamelen, kan een kaart in principe sneller worden bijgewerkt dan met periodieke metingen. Tegelijk brengt dit nieuwe vragen met zich mee over dataprivacy, omdat er informatie wordt verzameld over waar voertuigen rijden, en over de kwaliteit van individuele, goedkopere sensoren vergeleken met professionele meetapparatuur.
Een ander obstakel is dat nauwkeurigheid sterk verschilt per regio. Snelwegen in West-Europa en delen van de VS zijn relatief goed in kaart gebracht, maar in veel andere delen van de wereld ontbreekt zelfs een betrouwbare basiskaart op meterniveau, laat staan een HD-kaart. Cijfers over exacte nauwkeurigheid en dekkingsgebied die bedrijven noemen, lopen bovendien uiteen en zijn niet altijd onafhankelijk geverifieerd, dus die claims moeten met enige voorzichtigheid worden gelezen. Per saldo groeit de dekking van nauwkeurige kaarten geleidelijk, maar van een wereldwijd dekkend, altijd actueel netwerk van centimeterkaarten is nog geen sprake.
Wie werken eraan?
In de commerciële kaartenwereld zijn HERE Technologies en TomTom, beide met Europese wortels, twee van de belangrijkste spelers die HD-kaarten leveren aan autofabrikanten. Mobileye, onderdeel van het Amerikaanse Intel, is toonaangevend met zijn crowdsourcing-aanpak en werkt samen met diverse grote autofabrikanten. Waymo, onderdeel van het Amerikaanse Alphabet, ontwikkelt zijn eigen kaarten primair voor gebruik in zijn eigen zelfrijdende dienst.
In China bouwt Baidu via het Apollo-platform aan vergelijkbare technologie, gesteund door de Chinese overheid die autonoom rijden als strategisch speerpunt beschouwt. Daarnaast levert chipmaker NVIDIA hardware en softwareplatforms die door meerdere van deze partijen worden gebruikt om de enorme hoeveelheden sensordata te verwerken.
Naast deze commerciële partijen bestaat er een wereldwijde gemeenschap van vrijwilligers rond OpenStreetMap, die zonder winstoogmerk kaartdata verzamelt en deelt. Op het gebied van publieke, betrouwbare basisgeodata speelt in Nederland het Kadaster een belangrijke rol, als overheidsinstantie die officiële geografische en kadastrale gegevens beheert waarop andere partijen kunnen voortbouwen.