Neue Möglichkeiten für Mapping-Communities – Virtuelle Street-Views und Machine Learning

Ansicht eines Google Street View Bildes aus Washington mit den Bedienelementen der Anwendung Project Sidewalk zum Kennzeichnen von Barrieren auf öffentlichen Gehwegen

Die Wheelmap vertraut auf die Ortskenntnisse der Community, um verifizierte Daten zur Rollstuhlgerechtigkeit zu erheben. Es gibt aber auch andere, stärker technologisierte Ansätze zum Mapping: Das amerikanische Project Sidewalk zum Beispiel nutzt die Fotos von Google Street View.

Den Ort aufsuchen, anschauen, bewerten – Die Wheelmap basiert auf einer Mapping-Strategie, die den Realitätscheck in der physischen Welt zum Dreh- und Angelpunkt in der Erhebung von Daten macht.

Sind die Innenräume stufenlos? Hat das Geschäft vielleicht eine mobile Rampe, die von Außen nicht sichtbar ist, weil sie nur im Bedarfsfall angelegt wird? Diese Kriterien, nach denen die Rollstuhlgerechtigkeit eines Ortes auf der Wheelmap beurteilt wird, können nur vor Ort überprüft werden. (Damit übernimmt die Wheelmap die gleiche Mapping-Strategie, mit der die OpenStreetMap-Community in den letzten Jahren an einer kompletten Open-Data-Karte der Welt bastelt.)

Geht es aber um Routing, d.h. um die Frage, wie man mit dem Rollstuhl von einem Ort zum anderen kommt, gibt es noch andere Mittel – in diesem Bereich entstehen dank fortschreitender Technologien weitere Erkenntnisquellen, die zusätzlich zu der Auskunft von Mapper*innen vor Ort verwendet werden können.

Project Sidewalk nutzt die virtuelle Welt von Google Street View

Ein Beispiel ist das “Project Sidewalk”: Das Forschungsteam der University of Maryland und der University of Washington hat sich auf virtuelles Mapping spezialisiert: Die Mapper*innen nutzen die Fotos von Google Street View, um die Rolllstuhlgerechtigkeit von Gehwegen zu bewerten.

Der Vorteil: Für diese Methode muss man nicht vor Ort sein, man kann sich also auf eine sehr viel größere Community stützen – denn auch eine Person in Berlin kann sich die Google-Street-View-Bilder einer Straße in Washington anschauen und anhand der Fotos die Oberflächen-Beschaffenheit eines Gehweges kennzeichnen.  

Das Training, mit dem Project Sidewalk die freiwilligen Helfer*innen vorbereitet, ist eng mit dem Ansatz “Citizen Science” (Beispiel: Zooniverse.org) verknüpft. Hier werden Aspekte des Video Game Designs genutzt, um Expertise aufzubauen und die Motivation aufrechtzuerhalten.

Die Ergebnisse fließen ins Machine Learning ein

Auf diese Weise hat Project Sidewalk seit dem Frühling 2016 gute Ergebnisse erzielt: Mehr als 700 Nutzer*innen haben 150.000 Bewertungen vorgenommen und damit die Straßen von Washington DC zu fast 100 Prozent gemäß ihrer Rollstuhltauglichkeit überprüft.

Die gesammelten Daten werden mit den Behörden geteilt und für die Konzeption von Routenplanern und Visualisierungslösungen weiterverwendet. Außerdem fließen sie in die Weiterentwicklung von Algorithmen im Machine Learning ein. Das bedeutet, dass ein Computersystem aus den Beispielen lernt und diese Muster zukünftig auch auf weitere Fälle anwenden kann. So entstehen Möglichkeiten, den Status der Barrierefreiheit im öffentlichen Raum transparenter zu machen.

Mapillary: Street View Fotos durch Crowdsourcing

Ein weiteres Beispiel für das Potenzial von Fotos ist Mapillary. Die App erarbeitet in einer großen Community eine Alternative zum Google Street View und setzt dafür auf weltweites Crowdsourcing zur Erstellung von Fotoreihen, die mit Geo-Positionen verknüpft sind. So entsteht Bildmaterial, das Gehwege noch detaillierter abbildet als das aktuelle Google Street View, weil die Foto-Produzent*innen zu Fuß oder mit dem Fahrrad unterwegs sind.

Mithilfe von Machine Learning und Objekterkennung identifiziert die Mapillary-Anwendung  automatisch Bordsteinkanten, Oberflächen und sogar Eingangsstufen. Die OpenStreetMap-Community nutzt die Fotos von Mapillary immer mehr als ergänzende Hilfe zum Mapping. Die Angaben in der Map werden so nachvollziehbarer und genauer.

Die Mischung aus Community und Technologie macht’s

Fazit: Für unterschiedliche Mapping-Anforderungen sind unterschiedliche Strategien und Technologien notwendig. Die größte Chance, eine hohe Abdeckung von Informationen zur Barrierefreiheit und eine gute Balance aus Datenqualität und Datenmenge zu erreichen, besteht darin, virtuelle Methoden und vor-Ort-Methoden zu kombinieren.

Alle genannten Projekte sind auf die Mithilfe vieler Freiwilligen angewiesen. Also, mach mit und bewerte Gehwege von Project Sidewalk, erstelle alternative Street-View-Fotos mit Mapillary, ergänze OpenStreetMap und markiere Orte auf Wheelmap.org.

Mitarbeit: Jon Froehlich / Project Sidewalk