Mapeamento urbano usando drones
Introdução
Em geral
GAMMS (acrônimo para Galileo/GNSS-based Autonomous Mobile Mapping System, em espanhol: Sistema Autónomo de Mapping Móvil Based on Galileo/GNSS) é um projeto europeu de pesquisa e inovação em andamento, financiado pela União Europeia no âmbito do programa Horizonte 2020. Seu principal objetivo é desenvolver um sistema de mapeamento móvel autônomo (AMMS) terrestre para a geração automatizada de mapas de alta definição (mapas HD), utilizando tecnologias de GNSS, inteligência artificial e veículos autônomos.[1].
Metas
O projeto GAMMS visa desenvolver uma solução autônoma capaz de adquirir dados geoespaciais e produzir mapas HD com precisão centimétrica. Estes mapas são essenciais para a condução autónoma, mobilidade aérea urbana, cidades inteligentes e aplicações de realidade aumentada. Entre seus principais objetivos estão:
• - Desenvolver um sistema de mapeamento móvel terrestre baseado em veículo autônomo com Nível de Automação 4 (LoA-4).[2].
• - Integrar fusão multi-sensor com GNSS multi-constelação: Galileo (sistema de navegação) "Galileo (navegação por satélite)"), GPS, GLONASS e BeiDou.[3].
• - Usar o Serviço de Alta Precisão (HAS) e o Serviço de Autenticação de Mensagens de Navegação (OSNMA) do Galileo para melhorar a precisão e a segurança em tempo real e no pós-processamento.[4].
• - Automatizar a geração de mapas usando software baseado em IA treinado com dados de sensores visuais, unidades inerciais, odômetros e scanners a laser.[5].
Tecnologia
O sistema AMMS integra múltiplos sensores: unidades de medição inercial (IMU), hodômetros, relógios atômicos e sensores visuais (câmeras e LiDAR), combinados com sinais GNSS multiconstelação para calcular a trajetória do veículo em termos de posição, velocidade e orientação.[5].
A GeoNumerics lidera o desenvolvimento de algoritmos de navegação através das plataformas NEXA (determinação de caminho) e GENA (ajuste dinâmico de rede). O uso de sinais específicos do Galileo "Galileo (navegação por satélite)") (E1, E5 AltBOC e E6) melhora a precisão da estimativa da trajetória.[6].