Skip to main content

Reitityksen tutkiminen 3D-datan avulla FME 2024:ssä: Käytännön opetusohjelma.

Palattuani äskettäin lomalta Ylläkseltä päätin tutustua FME 2024:n uusimpiin ominaisuuksiin keskittyen erityisesti 3D- ja reititysominaisuuksiin. Rajoitettu murtomaahiihtotaitoni huomioon ottaen syntyi idea reittiprojektista, kun olin viikon yrittänyt minimoida jyrkkiä nousuja ja laskuja navigoidessani kahden lapsen kanssa hiihtovaunussa. Tässä artikkelissa annan yleiskatsauksen ensimmäisistä vaikutelmistani uusimmasta FME-versiosta ja tarjoan selkeän opetusohjelman FME:n käyttämisestä reitittämiseen 3D-ympäristössä.


Reititys 2 pisteen välillä Ylläksen alueella vain avoimella datalla ja FME:llä.


Päävaiheet ja keskeiset ongelmat:


      • Kerää ja visualisoi valtavia pistepilviä NLS:stä,


      • Luo FME-yhteensopiva verkko OSM-tiedoista,


      • Piirrä OSM-tiedot pistepilvien pinnalle saadaksesi 3D-pituuden,


    • Käytä ShortestPathFinderiä kaltevuuden mukaan perustuvilla painoilla.



Pelaa alueen NLS-pistepilvien kanssa


Nämä tiedot ovat helposti saatavilla NLS-portaalin kautta. Kun tiedot on kerätty, FME 2024 on todella nopeampi ladata laza verrattuna vain vuosi tai kaksi aiemmin.


Silti 4 temppua auttoi:


      • Maapisteiden suodatus esimerkiksi PointCloudFilterillä (maa on luokiteltu luokkaan 2)


      • Leikkaa pisteitä tietylle kiinnostuksen kohteelle Clipperillä


      • Korjataan koordinaattijärjestelmän ristiriitoja nopeasti. (varoitus uusi FME2024 btw, kiitos Hans van der Maarel)


    • PointCloudExpressionEvaluatorin luova käyttö suurempien korkeusvaihteluiden simulointiin.

Pelaa OSM-tiedoilla

Seuraavaksi tutkin OSM-dataa, laajalti käytettyä avoimen lähdekoodin kartoitusresurssia. Yksi sen tärkeimmistä ominaisuuksista on erilaisten tunnisteiden käyttö. Monimutkaisuudestaan ​​huolimatta FME:n ominaisuudet auttoivat virtaviivaistamaan prosessia:

  • Envelope search: Tämän avulla voit lukea vain määrittämäsi suorakulmion sisältämät tiedot, mikä säästää paljon aikaa, kun aloitat tiedostolla, joka sisältää koko maan…
  • Feature caching  + AttributeExposer : Hyödynnä Ominaisuuksien välimuisti ja AttributeExposer dynaamisten attribuuttien muunnelmien tehokkaaseen käsittelyyn. Tässä se auttaa paljon, kun OSM XML -tunnisteet litistetään attribuutteiksi. Siisti temppu vuodelta 2024 tietojen validointiin. Ladattujen tietojen avulla voit tuoda attribuuttien nimien lisäksi niiden tyyppejä.
  • GeometryPartExtractor : Tämä vähän käytetty muuntaja mahdollistaa tietyntyyppisten aligeometrioiden erottamisen. Tässä tapauksessa olemme kiinnostuneita linjoista.
  • Topologisen eheyden varmistaminen LineOnLineOverlayerin avulla tietoisena 2D-tietojen rajoituksista.

Piirrä OSM-tiedot pistepilvistä saadulle pinnalle

Kun molemmat tietojoukot oli hankittu, piirsin OSM-tiedot pinnalle pistepilvistä peräisin olevalle pinnalle SurfaceDraperin avulla ja sekoitin saumattomasti 2D-tiedot korkeustietoihin.

Käytä uutta ShortestPathFinderiä mukautetuilla painoilla.

This transformer has come a long way with many performance improvements in the last few years and is now very handy. For very big datasets, I would still use pgRouting or a routing API if one is available.

Tämän muuntajan käyttö on aluksi melko yksinkertaista. Anna vain aloitus- ja loppupisteistäsi tehty viiva, syötä verkko ja rukoile.

Meidän tapauksessamme korkeuteen perustuvan matkan vaikeuden huomioon ottamiseksi loimme attribuutin, jossa pituutta muutetaan suhteessa siihen, kuinka suuri ero on 2D- ja 3D-pituuden välillä. OSM tarjoaa myös tunnisteen tälle, mutta se ei ole läsnä koko ajan…

Sivuhuomautus: Vuonna 2024 reititystä varten on 3D-tila. Tästä on hyötyä, jos tietosi ovat todella kolmiulotteisia, kuten Digiroad-dataa Suomessa. Tässä tapauksessa, kun tunnelissa on tie, joka ylittää toisen tien muutaman metrin korkeammalle, 3D-tila varmistaa, että et “hyppy” yhdestä toiseen reitityksen aikana. Tietenkään sillä ei ole väliä, onko sinulla aluksi hyvät topologiset tiedot. Toinen rajoitus johtuu 3D-kuvan puutteesta FME:ssä.

Voimassaolotarkastus

Sisällyttämällä lisämuuntajia ja käyttämällä NLS-ortokuvia, voimme vaivattomasti verrata reititystuloksiamme kahden kriteerin perusteella: lyhin etäisyys vs. korkeuspainotetut reitit. Henkilökohtaisesti kallistun kohti “vihreää” vaihtoehtoa ja asetan etusijalle matkustamisen helppouden, vaikka myönnänkin, että “punaisen” reitin luonnonkaunis viehätys voi vedota seikkailunhaluisiin yksilöihin.

Johtopäätös

Viimeaikaiset suorituskyvyn parannukset kaikilla FME:n osa-alueilla ovat merkittävästi nopeuttaneet 3D-tietoisten reititystehtävien kehittämistä ja suorittamista. Tämä paitsi nopeuttaa näiden automaatioiden rakentamisprosessia, myös parantaa niiden tehokkuutta ajon aikana. Jos olet kiinnostunut pääsemään tässä opetusohjelmassa käytettyyn työtilaan, ota meihin yhteyttä Spatial World -sivuston yhteystietosivumme kautta.