Potenziale von LiDAR-Smartphones und Machine Learning zur Bewertung der altersgerechten Nutzbarkeit von Wohnraum
Capabilities of LiDAR Smartphones and Machine Learning for Evaluating the Age-appropriate Utilizability of Living Spaces
Bastian Plaß, Thomas Klauer
Der möglichst lange Verbleib im vertrauten Umfeld – bezeichnet als Ageing in Place – stellt ein zentrales Bedürfnis vieler Menschen dar und gewinnt infolge der demografischen Entwicklung zunehmend an gesellschaftlicher sowie politischer Bedeutung. Voraussetzung für diese Strategie ist ein altersgerecht ausgestatteter und damit gefahrenfrei nutzbarer Wohnraum ohne Mobilitätsbarrieren, die alltägliche Routinen beschränken. Problematisch stellt sich in diesem Zusammenhang dar, dass lediglich ein marginaler Bruchteil der Wohnungen mobilitätseingeschränkter, meist älterer Menschen altersgerecht ausgestattet ist und es an digitalen Hilfsangeboten mangelt, strukturelle Barrieren im Wohnraumbestand zu identifizieren. Angesichts dieses prekären Status quo wird in diesem Beitrag ein Konzept vorgeschlagen, welches als anwenderorientierte Lösung die Bewertung der altersgerechten Nutzbarkeit von Wohnräumen auf Basis hochverfügbarer Smartphones und leistungsfähiger Methoden der künstlichen Intelligenz vollständig digital und weitestgehend automatisiert vornimmt. Allem voran geht die situative Geometrieerfassung des Wohnraums, für welche sich die mit LiDAR-Scanner ausgerüsteten Smartphones von Apple qualifiziert haben. Für solche ist darüber hinausgehend eine innovative iOS-Applikation namens Semantic Data Capture entwickelt worden, welche die 3D-Daten bereits während des Erfassungsprozesses semantisch strukturiert. Anschließend werden die akquirierten Daten in ein hierarchisches und feingranulares Wohnrauminformationsmodell (WIM) überführt, welches sämtliche Ausstattungselemente einschließlich ihrer geometrischen Repräsentation, Semantik und räumlichen Topologie beinhaltet und für die abschließende regelbasierte Prüfung anhand geometrischer Anforderungsspezifikationen aus der Norm für barrierefreie Wohnungen (DIN 18040-2) bereitstellt. Die funktionale Leistungsfähigkeit der entwickelten Anwendung wird durch realitätsnahe Anwendungsbeispiele empirisch untersucht und anhand einer Genauigkeitsquote von 95 % zur Modellierung von wohnraumbezogenen Ausstattungselementen sowie einer Vollständigkeitsquote von 73 % bei der Detektion von Barrieren mit einem positiven Validierungsergebnis quittiert. Folglich tragen die Ergebnisse dieses Forschungsprojekts einen relevanten Baustein zur Umsetzung der Digitalisierungsstrategie im Gesundheits- und Sozialsystem anhand einer gesellschaftlich relevanten Herausforderung bei – dem altersgerechten Wohnraum für das Ageing in Place.
Remaining in familiar surroundings on a long-term basis – referred to as Ageing in Place – is a crucial priority for many people. Moreover, and due to the results of demographic changes, it is gaining increasingly significance both socially and politically. The precondition for this strategy is an age-appropriate living space without obstacles that may restrict daily routines. However, it is particularly challenging that only a small fraction of the living spaces of elderly with limited mobility is age-appropriate. In addition, there is a lack of digital aids to identify structural obstacles in living stocks. In light of this fragile nature, this article proposes a user-centric concept in order to evaluate the age-appropriate utilizability of living spaces on the base of highly accessible smartphones and capable artificial intelligence models in a purely digitalized manner. Above all, the living space geometry is acquired using LiDAR-equipped smartphones manufactured by Apple. Beyond that, an innovative iOS App dubbed Semantic Data Capture has been developed in which the data is simultaneously semantically structured during the acquisition. The acquired data is then fed into a hierarchical fine-grained living space model (WIM) covering every appearing item including its geometric representation, semantics, and spatial topology to enable the final rule-based evaluation based on geometric specifications from design principles for accessible buildings according to DIN 18040-2. By means of representative application studies, the performance is empirically examined. Given an average precision rate of 0.95 for living space related item modelling and an average recall of 0.73 for obstacle detection, the prototyped application proofs beneficial. Consequently, the result of our research represents a valuable contribution within the digitalization strategy in health and social care by referring to a socially significant challenge named age-appropriate living space for Ageing in Place.
Schlüsselwörter: Altersgerechter Wohnraum, LiDAR-Smartphone, 3D-Punktwolken, Wohnraummodell, Barrierendetektion, maschinelles Lernen
Keywords: Age-appropriate living space, LiDAR smartphone, 3D point cloud, living space model, obstacle detection, machine learning
DOI: 10.14627/avn.2024.1.4
Download PDF