Abstract: En digital tvilling av en stad är en viktig strategisk resurs som kan spela stor roll i hur god kvalité vår framtida byggda miljö får. En digital tvilling kan bidra till att rusta våra städer för en snabbare och mer dynamisk samhällsutveckling, för mer komplexa, digitala och datadrivna planeringsprocesser. Projektet syftar till att undersöka hur olika insamlingsmetoder kan användas för att stärka varandra i skapandet av digitala tvillingar. Hur maskininlärning (ML) genom djupa neurala nätverk, syntes och bildanalys kan användas för att berika slutresultatet och automatisera delar av processen med kartering och 3D-rekonstruktion. Projektet avser att även att undersöka och utveckla metoder där s.k syntetisk data användas för att träna neurala nätverk vilka kan appliceras i den fysiska verkligheten. Med syntetisk data avses stora mängder av datorgenrerade bilder. Detta kan möjliggöra för fler typer av objekt eller klasser att karteras även om det idag finns för lite data att tillgå för traditionell ML-träningen av dessa. Denna metod har använts framgångsrikt inom medicinteknisk forskning vid Linköpings universitet och avhandlingar har pekat på stor potential även i ett stadsrumssammanhang. Abstract: A digital twin of a city is an important strategic resource that can play a significant role in the quality of our future built environment. Digital twins can contribute to equipping our cities for a faster and more dynamic societal development and for more complex, digital, and data-driven planning processes. Rich data models create opportunities for cross-disciplinary analyses where parallel questions are analyzed simultaneously, such as social and technical issues, reducing risks of "roadblocks" in the planning process and leading to an increased democratization of planning and decision-making. The project aims to investigate how different collection methods can be used to reinforce each other in creating digital twins. How machine learning (ML) through deep neural networks, synthesis and image analysis can be used to enrich the final result and automate parts of the mapping and 3D reconstruction process. The project also aims to investigate and develop methods where synthetic data is used to train neural networks that can be applied in the physical reality. This could make it possible for more types of objects or classes to be mapped, even if there is currently little data available for traditional ML training of these. This method has been successfully used in medical technology research at Linköping University, and dissertations have indicated great potential in a urban context as well.