https://repos.hcu-hamburg.de:443 repOS captures, stores, indexes, preserves, and distributes digital research material. Fri, 12 Jun 2026 00:07:43 GMT 2026-06-12T00:07:43Z https://repos.hcu-hamburg.de:443/handle/hcu/1228 Title: Up: town: Collaborative Imagination of Resilient Urban Futures Through Serious Gaming Authors: Berger, Hilke Marit; Herzog, Rico; Kühn, Annika Abstract: Visions of urban futures are crucial for shaping social transformation. They should be collaboratively created and critically examined—yet current approaches often rely on quantitative prediction or scenario planning. Exploratory futuring techniques that engage diverse stakeholders and address the later-than-now of cities remain scarce. In this commentary, we reflect on up:town, a serious game that places participants in a fictional but realistic urban setting facing social, economic and ecological shocks. Players take on diverse roles and engage in participatory decision-making, confronting uncertainty and complexity together. Based on nearly 20 international gameplay rounds, we show how up:town (1) opens space for critical reflection, (2) surfaces existing ideas while enabling imaginative worldings and (3) supports participants in re:learning the craft of radical imagination. This experience demonstrates how serious gaming can bridge present challenges and future possibilities, offering a dynamic platform for collective reflection and the co-creation of alternative urban futures. Wed, 10 Jun 2026 15:46:00 GMT https://repos.hcu-hamburg.de:443/handle/hcu/1228 2026-06-10T15:46:00Z https://repos.hcu-hamburg.de:443/handle/hcu/1248 Title: Domain-Adaptive Object Detection for Enriching Semantic 3D City Models with Building Storeys from Street-View Images Authors: Arzoumanidis, Lukas; As Samee, Al Maimun; Kanna, Elmehdi; Nguyen, Son; Dehbi, Youness Abstract: Semantically rich 3D city models play a vital role in a variety of applications, such as urban planning. Enhancing these models with currently unavailable attributes, such as building storey numbers, can unlock new opportunities to address pressing challenges, including sustainable urban development. In this work, we present an end-to-end pipeline for the automatic estimation of the number of storeys to semantically enrich 3D city models. We employ volunteered geographic information street-view imagery from Mapillary, using a COCO-pretrained object detection model to identify windows in façade images as key visual indicators for inferring building storey counts. Our detection pipeline, based on the YOLOv3 architecture, estimates storey numbers using an ensemble of clustering methods including Gaussian Mixtures and DBSCAN and enables the automatic augmentation of CityGML-based 3D city models by filling in missing attributes. This enrichment supports advanced applications, such as assessing building-scale energy demand, evaluating vertical urban growth patterns or population density estimations. We validated the feasibility of our approach with unfiltered Mapillary and applied it to a district in the city of Heidelberg, Germany. The paper also includes a detailed discussion of learning process quality, integration workflows, and visualization of the enriched 3D city model. The developed code is available at: https://github.com/hcu-cml/citydb-buildingstoreys-ai.; Semantisch angereicherte 3D-Stadtmodelle spielen eine wichtige Rolle in zahlreichen Anwendungsbereichen, beispielsweise in der Stadtplanung. Die Erweiterung dieser Modelle um bislang fehlende Attribute, wie etwa die Anzahl der Gebäudegeschosse, eröffnet neue Möglichkeiten zur Bewältigung drängender Herausforderungen, darunter die nachhaltige Stadtentwicklung. In dieser Arbeit präsentieren wir eine End-to-End-Pipeline zur automatischen Schätzung der Geschossanzahl, um 3D-Stadtmodelle semantisch anzureichern. Hierfür nutzen wir freiwillig bereitgestellte geografische Straßenansichten von Mapillary sowie ein auf COCO vortrainiertes Modell zur Objekterkennung, um Fenster in Fassadenbildern als zentrale visuelle Indikatoren zur Ableitung der Geschossanzahl zu identifizieren. Unsere auf der YOLOv3-Architektur basierende Detektionspipeline schätzt die Anzahl der Geschosse mithilfe eines Ensembles aus Clustering-Methoden, darunter Gaussian Mixtures und DBSCAN, und ermöglicht die automatische Erweiterung von auf CityGML basierenden 3D-Stadtmodellen durch das Ergänzen fehlender Attribute. Diese Anreicherung unterstützt weiterführende Anwendungen, etwa die Bewertung des gebäudebezogenen Energiebedarfs, die Analyse vertikaler Stadtwachstumsmuster oder die Abschätzung der Bevölkerungsdichte. Wir validierten die Umsetzbarkeit unseres Ansatzes anhand ungefilterter Daten von Mapillary und wendeten ihn auf einen Stadtbezirk in Heidelberg an. Darüber hinaus enthält die Arbeit eine detaillierte Diskussion der Qualität des Lernprozesses, der Integrationsworkflows sowie der Visualisierung des angereicherten 3D-Stadtmodells. Der entwickelte Quellcode ist verfügbar unter: https://github.com/hcu-cml/citydb-buildingstoreys-ai. Fri, 29 May 2026 15:02:49 GMT https://repos.hcu-hamburg.de:443/handle/hcu/1248 2026-05-29T15:02:49Z https://repos.hcu-hamburg.de:443/handle/hcu/1251 Title: Particle Filter-Based Indoor Localization with Learning Based PDR and Monocular Depth-Aided BIM Matching Authors: Jaisawal, Pravin Kumar; Dehbi, Youness; Sternberg, Harald Abstract: Modern smartphones offer several sensors that enable indoor pedestrian localization without the need for additional hardware. Pedestrian dead reckoning (PDR) provides a low-cost and efficient solution. However, it suffers from error accumulation and drift over time. Image-based localization methods can mitigate these limitations but are very computationally intensive to run at a higher frequencies. To address this, we propose a hybrid localization framework based on a particle filter, where a frequent, low-cost deep learning based inertial PDR is fused with a less frequent image-based updates to achieve accurate and robust localization. Our method does not require an offline mapping process and instead utilizes Building Information Models (BIM) generated maps. Furthermore, we incorporate recent monocular depth estimation models to generate depth directly from single images, thereby eliminating the need for continuous image streams to generate point clouds. Experimental results show that our proposed method can effectively track pedestrian poses using primarily smartphone sensors and BIM data. Fri, 29 May 2026 11:51:38 GMT https://repos.hcu-hamburg.de:443/handle/hcu/1251 2026-05-29T11:51:38Z https://repos.hcu-hamburg.de:443/handle/hcu/1250 Title: Das Innovationsareal Urbane Landwirtschaft – ein anwendungsorientiertes Forschungsvorhaben im Rahmen der Umsetzung der Neuen Gartenstadt Öjendorf Authors: Stokman, Antje; Khokhlova, Viktoria; Peters, Lasse; König, Bettina; Lange, Doris; Bürig, Lara; Esche, Finn; Feldmann, Falko; Quambusch, Mona Abstract: Mitten in Hamburg entsteht ein Innovationsareal für Urbane Landwirtschaft im Rahmen der Ausgestaltung der Land­schaftsachse Horner Geest und der städtebaulichen Ent­wicklung der Neuen Gartenstadt Öjendorf. In dem interdis­ziplinäre Forschungsprojekt entwickeln Projektpartner aus den Fachbereichen der Landschaftsplanung (HafenCity Uni­versität), der Gartenbauwissenschaften (Julius Kühn-Institut), und der Agrarökonomie und Nachhaltigkeitsforschung (Uni­versität Kassel) Szenarien für einen produktiven gartenbau­lichen Park und erproben diese auf einer Test- und Demonst­rationsfläche. Ziel des Projektes ist es, innovative Formen der urbanen Landwirtschaft im städtischen Raum zu etablieren, die eine stärkere Präsenz und Wahrnehmung der Landwirt­schaft und die Förderung der direkten Interaktion zwischen Stadtbewohner:innen und Akteur:innen der professionellen Landwirtschaft ermöglichen. Zum Anlass des ersten Szena­rienworkshops berichten wir hier von dem Projektvorhaben. Fri, 29 May 2026 11:24:58 GMT https://repos.hcu-hamburg.de:443/handle/hcu/1250 2026-05-29T11:24:58Z