DE:Import/BaAn-Frei

Wer wir sind

BaAN-Frei ist ein mFUND-gefördertes Forschungsprojekt am Institut für Mobilität im ländlichen Raum der Hochschule Furtwangen (HFU). Mit unserer App können Rollstuhlfahrende im Alltag Bordsteine erfassen. Eine KI analysiert die Aufnahmen und klassifiziert sie in vier Stufen: no curb, flat curb, low curb, high curb. Ziel ist, dass Rollstuhlfahrende ihre Routen barrierefreier planen können.

BaAN-Frei | Hochschule Furtwangen (HFU)
BaAN-Frei (Projektseite auf daten.plus)

Wie kommen wir an unsere Daten

Die Datenerhebung erfolgt über unsere App. Nutzende können beim Passieren von Bordsteinen standortbezogene Videoaufnahmen erstellen. Die App speichert GPS-Koordinaten und Zeitstempel. Aus den Videos werden Frames extrahiert und von einem KI-basierten Klassifikationsmodell einer der vier Klassen zugeordnet. Für OSM nutzen wir ausschließlich die dafür benötigten Informationen (Geokoordinate, Klasse, Confidence).

Was planen wir mit den Daten zu machen

Wir wollen die Klassifikationsergebnisse an die passenden Bordsteine in OSM einsetzen, z.B. ob ein Bordstein abgesenkt ist oder nicht. Dafür verwenden wir die üblichen OSM-Tags. So können Karten und Routenplaner Barrierefreiheit besser berücksichtigen. Bevor wir Daten eintragen, prüfen wir die Confidence der KI-Ergebnisse. Dabei sollen keine bestehenden Daten überschrieben werden.

Aufbau der Daten

Unsere Daten liegen als JSON vor. Ein Eintrag enthält:

record_id: eindeutige ID der Aufnahme

video_filename: automatisch generierter Videoname

date: Zeitstempel

record_location [

• location_id: eindeutige Location-ID
• latitude, longitude: Breiten-/Längengrad
• video_timestamp: Position des Frames im Video
• prediction: Klassenergebnis (no/flat/low/high curb)
• probability: Konfidenzwert (0–1)

]

In OSM verwenden wir ausschließlich die Koordinaten, die erkannte Klasse und den Konfidenzwert. Es werden keine Rohvideos, Bilder oder Dateinamen veröffentlicht.

Plan über den Import

Dieser Abschnitt beschreibt, wie die im Forschungsprojekt BaAn-frei erhobenen Daten zu Bordsteinkanten (inkl. Höhenkategorisierung) in OpenStreetMap (OSM) integriert werden sollen. Die Planung folgt den OSM-Import-Guidelines und orientiert sich an der Import-Plan-Outline.

Konvertierung der Quelldaten

• Unsere Rohdaten liegen im JSON-Format vor. Jede Beobachtung enthält Geokoordinaten sowie Attribute wie Bordsteinhöhe und Klassifizierung.
• Für den Import werden die Daten in OSM-kompatibles XML (.osm) oder als .osc-Dateien (OsmChange) umgewandelt.
• Die Konvertierung erfolgt wahlweise
  • mit einem eigenen Python-Skript, das JSON-Daten direkt in OSM-Strukturen (Nodes, Ways, Tags) überträgt, oder
  • mit vorhandenen Werkzeugen wie ogr2osm, das Geodaten aus OGR-kompatiblen Formaten (z. B. GeoJSON, Shapefile) in OSM XML exportiert und dabei ein konfigurierbares Tag-Mapping erlaubt.
• Beim Export werden die Attribute direkt auf OSM-Tags gemappt (siehe Abschnitt „Tag-Mapping“).

Konflation und Topologie-Prüfung

• Vor jedem Upload wird geprüft, ob ein erkannter Bordstein tatsächlich an einer Straße (highway=*) liegt. Nur Bordsteine im räumlichen Zusammenhang zu Straßenabschnitten werden berücksichtigt.
• Automatisierte Regeln: z. B. „maximaler Abstand 2 m von einem highway=*“.
• Zum Abgleich mit bereits vorhandenen Bordstein-Objekten in OSM werden folgende Werkzeuge eingesetzt:
  • JOSM Conflation Plugin – für manuelle oder halbautomatische Zusammenführung in Pilotgebieten.
  • osmium-tool – für Filter, Diffs und Erzeugung von .osc-Dateien in größeren Datenmengen.
  • Bei Bedarf weitere Werkzeuge wie OSM Conflator für spezifische Datensätze.
• Dadurch wird verhindert, dass bestehende Daten überschrieben oder Duplikate erzeugt werden.

Tag-Mapping

• Die Bordsteinklassifizierung wird an das bestehende Schema Key:kerb angepasst.
• Die vom Projekt verwendeten vier Stufen (high curb, low curb, flat curb, no curb) werden wie folgt auf OSM-Tags abgebildet:

BaAn-frei Kategorie	Beschreibung	OSM Tag
High curb	Höhe > 3 cm, keine oder zu steile Absenkung (>10 % Neigung), unüberwindbar	kerb=raised
Low curb	1–3 cm, mäßige Absenkung (5–10 % Neigung)	kerb=lowered
Flat curb	0–1 cm, sanfte Absenkung (<5 % Neigung)	kerb=flush
No curb	keine Bordsteinkante vorhanden	kerb=no

• Zusätzlich werden Geokoordinaten (lat, lon) aus den JSON-Dateien in Nodes übersetzt.
• Weitere optionale Attribute (z. B. Genauigkeit der Erkennung, Quelle der Messung) können in separaten Tags dokumentiert werden, z. B. source=BaAn-frei oder survey:date=YYYY-MM-DD.

Vereinfachung der Daten

• Die Daten werden vor der Umwandlung gefiltert, um nur relevante Bordsteinkanten zu importieren.
• Unnötige Geometrie-Punkte werden entfernt (Generalisierung), damit die Daten nicht unnötig komplex sind.
• Bordsteine ohne Bezug zu einer Straße oder mit widersprüchlichen Attributen werden verworfen.

Upload-Strategie

• Der Upload erfolgt über die API v0.6 mit OsmChange-Dateien (.osc).
• Ablaufschritte:
  • Erstellen eines Changesets über die API
  • Hochladen der vorbereiteten .osc-Datei
  • Schließen des Changesets
• Zum Einsatz kommen bewährte Bibliotheken/Tools:
  • python-osmapi für automatisierte Upload-Skripte
  • ggf. das Tool upload.py für Bulk-Uploads
• Alle Änderungen erfolgen über einen dedizierten Import-Account (z. B. BaAnfrei_CurbImport) mit eindeutigen Changeset-Kommentaren (z. B. „Import Bordsteinkanten aus Projekt BaAn-frei – Pilotgebiet Waldkirch“).

Revert-Plan

• Da jede Region in separaten Changesets hochgeladen wird, lassen sich fehlerhafte Uploads gezielt zurücksetzen.
• Bei Bedarf kann der Revert über JOSM oder über die OSM-API erfolgen.
• Zusätzlich wird eine lokale Kopie aller Uploads dokumentiert, um die Nachvollziehbarkeit sicherzustellen.

Changeset-Größe

• Uploads werden bewusst klein gehalten, z. B. auf die Größe eines Stadtviertels oder eines Straßenzugs.
• Dadurch bleibt die Kontrolle erhalten und Reverts sind im Fehlerfall handhabbar.
• Jeder Upload enthält eine klare Dokumentation im Changeset-Kommentar.

Qualitätssicherung (QA)

• Automatische Prüfungen vor Upload:
  • Topologieprüfung (liegt Bordstein an einer Straße?)
  • Plausibilitätsprüfung der Höhenwerte
  • Prüfung auf Duplikate
• Visuelle Kontrolle:
  • Stichprobenprüfung in JOSM oder iD-Editor
• Community-Feedback:
  • Vor Beginn der Serienimporte wird ein Pilotgebiet im OSM-Forum zur Diskussion gestellt.
  • Feedback der Community wird eingearbeitet, bevor weitere Daten hochgeladen werden.

Post-event clean-up

 To do: Describes the types of data validation that are performed.

Results

 To do: Describes how the monthly progress and final mapping results will be shared with the community.