CubeletWorld: Neue, skalierbare 3D‑Modellierung für Städte

Moderne Großstädte erzeugen riesige Mengen heterogener Daten – von Infrastrukturplänen über Mobilitätsprotokolle bis hin zu Satellitenbildern. Die Herausforderung besteht darin, diese Quellen zu einem konsistenten räumlichen Modell zu verbinden, das für Planung und Prognose nutzbar ist. Traditionelle, agentenbasierte Ansätze stützen sich auf direkte Umweltsensorik, was die Skalierbarkeit einschränkt und Datenschutzprobleme aufwirft.

Die neue Arbeit stellt CubeletWorld vor, ein Framework, das städtische Umgebungen in ein diskretes 3‑D‑Gitter aus „Cubelets“ zerlegt. Jeder Cubelet speichert lokale Zustände, in die verschiedenartige Signale wie Infrastruktur, Bewegungsdaten oder Umweltindikatoren eingebettet werden können. Durch diese Abstraktion bleibt die Modellierung datenschutzkonform, da keine personenbezogenen Sensordaten direkt erfasst werden.

CubeletWorld ermöglicht anschließend Aufgaben wie Planung, Navigation und Besatzungsvorhersage, ohne dass Agenten selbst Daten sammeln müssen. Zur Bewertung wurde die CubeletWorld State Prediction – Aufgabe eingeführt, bei der der Zustand einzelner Cubelets aus einem realen Datensatz mit Straßen, Gebäuden und weiteren städtischen Elementen vorhergesagt wird. Die Autoren haben mehrere angepasste Kernmodelle getestet und die Herausforderungen durch zunehmende räumliche Granularität – insbesondere die Sparsität der Darstellung und die Skalierbarkeit der Baselines – analysiert.

Im Vergleich zu bestehenden 3‑D‑Besatzungsvorhersagemodellen konzentriert sich CubeletWorld auf die Zustandsinferenz auf Cubelet‑Ebene. Dies führt zu einer besseren Generalisierung über verschiedene Regionen hinweg und verbessert die Einhaltung von Datenschutzbestimmungen. Erste Ergebnisse zeigen, dass die cubelet‑zentrierte Herangehensweise vielversprechende Fortschritte in der urbanen Datenmodellierung erzielt.