Automatisierte Punktwolkenverarbeitung für lineare Verkehrswerke

Drei Unternehmen — Vermessungsbüro Rink GbR, Lang&Lang GmbH und ioLabs AG — haben sich zusammengeschlossen, um die Digitalisierung von Autobahnen zu revolutionieren. Sie kombinieren fortschrittliches 3D-Scannen, KI-gestützte Verarbeitung und modulare Workflows. Das Projekt konzentriert sich darauf, Tausende von Kilometern Autobahn in präzise, datenreiche 3D-Modelle umzuwandeln. Mithilfe hochpräziser LiDAR-Scans, automatisierter Punktwolkenverarbeitung und Feedback-Schleifen produziert das System CAD- und GIS-kompatible Ausgaben mit bisher unerreichter Effizienz und Genauigkeit. Dieser innovative Ansatz minimiert manuelle Eingriffe, ermöglicht eine nahtlose Integration mit branchenüblichen Werkzeugen und ebnet den Weg für ein intelligenteres Infrastrukturmanagement.

Das Vermessungsbüro Rink GbR, die Lang&Lang GmbH und die ioLabs AG teilen die Leidenschaft für intelligente, effektive Lösungen und haben sich zusammengeschlossen, um bestehende Arbeitsabläufe zu verbessern, den Produktionsprozess zu beschleunigen und die Genauigkeit zu erhöhen. Ziel ist es, grosse Datenmengen — Tausende Kilometer Autobahnabschnitte, die in 3D gescannt und dokumentiert werden sollen — in kürzester Zeit effektiv zu verarbeiten und eine innovative Lösung für digitale Datenmodelle grosser linearer Strukturen zu entwickeln.

Technisches Konzept

Im Kern dieses Projekts stehen fortschrittliche Technologien mit grossem Automatisierungspotenzial. Die 3D-Scanner Riegl Vux 1Ha sind in der Lage, grosse Mengen präziser, grossflächiger Daten zu sammeln. In Kombination mit KI, die die Daten sortiert, verarbeitet und aufbereitet, ist es möglich, Vektordarstellungen von Autobahnobjekten in verschiedenen Datentypen zu erstellen.

Scannen

Es wird ein Fahrzeug mit MLS-System verwendet. Während der Autobahnmessungen fährt es jede Fahrspur und Seitenlinie bei +30 Grad und -30 Grad ab, sodass keine Lücken in der Punktwolke entstehen. Die Rohdaten werden mit Kontrollpunkten alle 250 Meter auf beiden Seiten der Seitenlinie georeferenziert. Zusätzlich zu den Fahrspuren führen wir in der Regel zwei Drohnenflüge pro Seite durch. Eine Drohne mit Drohnen-Scanner, überfliegt und scannt grosse und schwer zugängliche Bereiche. Die Scandaten des Fluges werden mit denselben Kontrollpunkten wie im MLS-System georeferenziert.

Das Scanergebnis ist eine hochpräzise Sammlung von Punktwolken im .las-Dateiformat. Durch Überlagerung der Scans werden irrelevante, temporäre Hindernisse (z. B. Autos) entfernt und Schattenlücken, die durch benachbarte Fahrzeuge verursacht werden, gefüllt. So erreichen wir die geringstmöglichen Abweichungen von den realen Objektmassen.

Automatisierte Punktwolkenverarbeitung

Das Eingabeformat unseres Werkzeugs ist eine Punktwolke. Modul 1 verarbeitet die rohe Punktwolke, filtert irrelevante Teile und identifiziert Autobahnobjekte. Die Ergebnisdatei von Modul 1 enthält mathematische Modelle der Autobahnobjekte im XML-Format. Diese Datei dient als Eingabe für Modul 2, das die Austauschdatei verwendet, um CAD-Modelle basierend auf den enthaltenen mathematischen Definitionen zu generieren. Das Ergebnis ist ein nativer Entwurf mit einer Genauigkeit von 90-95%. Zusätzlich enthält die Datei markierte Stellen, an denen Unregelmässigkeiten gefunden wurden. Um das native Modell weiter zu verbessern, bietet Modul 3 die Möglichkeit, problematische Teile des Modells zu überprüfen und zu korrigieren. So wird letztlich ein 100% genaues Modell erstellt. Über eine Feedback-Schleife werden die festgestellten Probleme an Modul 1 zurückgemeldet, das die Ergebnisse aus Modul 3 umsetzt und seine Prozesse für zukünftige Datenanalysen verbessert.

Modul 1

Modul 1 konzentriert sich auf die Analyse der Punktwolkendaten und die Erstellung eines mathematischen Modells der Geometrie. Dazu gehört das Erkennen und Parametrisieren von Merkmalen wie Strassenkanten, Leitplanken und deren Profile sowie Strassenmarkierungen (Mittelstreifen, Randmarkierungen). Diese Elemente werden als exakte Objekttypen erkannt und präzise kategorisiert.

Modul 1 führt mehrere aufeinanderfolgende Schritte durch. Zunächst wird die Strassenebene mithilfe des RANSAC-Algorithmus gefunden, um relevante Daten zu filtern. Anschliessend werden Punkte nach Intensität ausgewählt. Strassenmarkierungen haben eine höhere Reflektivität im Vergleich zu Asphalt und erscheinen daher als hellere Punkte in den LiDAR-Punktwolken. Wir verwenden Peak-Analysemethoden, um helle Linienpunkte innerhalb der LiDAR-Winkelgrenzen zu trennen.

Nach diesen Anfangsschritten müssen einzelne Objekte getrennt werden. Die Clusterung erfolgt durch die DBSCAN-Methode, die Cluster hochreflektierender Punkte erstellt. Dies trennt jede Linie in einen eigenen Cluster. Maschinelles Lernen wird dann verwendet, um zu erkennen, welche Cluster zu Strassenmarkierungen gehören. Basierend auf den Spur-Clustern werden Objekte erkannt. Linien oder andere Objekte werden in Funktionen n-ten Grades eingefügt, wodurch die Grundlage für die Vektordarstellung von Objekten geschaffen wird. Agentenbasierte Modellierungsmethoden helfen, die Form der Spuren zu modellieren. Die Formen werden anschliessend verfeinert: Zuerst werden die genauen Kanten der erkannten Objekte ermittelt, um die Genauigkeit der in den vorherigen Schritten gefundenen groben Formen zu verbessern. Maschinelles Lernen wird verwendet, um Leitplanken in mehreren Querschnitten der Punktwolke zu erkennen. Dann wird die Leitplankenform an den erkannten Positionen angepasst. Dadurch werden die Positionen der Leitplanken präzise in 3D fixiert.

Die verarbeiteten Daten werden in einer XML-Austauschdatei formatiert, die für die nachfolgenden Module 2 und 3 leicht interpretierbar ist, wobei jedes Element geometrische und semantische Daten enthält. Modul 1 verbessert seine Ergebnisse basierend auf Rückmeldungen aus Modul 3. Modellteile, die nicht mit ausreichender Sicherheit identifiziert werden können, werden in der Austauschdatei markiert, z. B. durch eine rote, programmgesteuert platzierte Kugel an den problematischen Stellen. Dieser visuelle Indikator hebt Bereiche hervor, die weitere Aufmerksamkeit erfordern, sodass Modul 3 diese spezifischen Abschnitte intensiver bearbeiten kann.

Austauschdatei

Die von Modul 1 generierte Austauschdatei erleichtert die nahtlose Kommunikation mit Modul 2. Wir verwenden das XML-Format aufgrund seiner universellen Anwendbarkeit, Klarheit und einfachen Erstellung. Die geometrischen und semantischen Daten jedes erkannten Features werden in einer hierarchischen Struktur organisiert, die Modul 2 leicht lesen, verarbeiten und verstehen kann.

Modul 2

Modul 2 konzentriert sich auf die Verarbeitung der Austauschdatei, um Vektorgeometrien und 3D-Modelle in nativen Autorensoftwares (wie Autodesk Revit, Rhinoceros 3D oder ESRI-Tools) zu erstellen. Diese Modelle repräsentieren die gewünschten Elemente und werden dann in Formaten wie DWG oder IFC exportiert, angereichert mit Metadaten für jede einzelne Komponente.

Beim Laden der Austauschdatei werden die Daten zunächst nach Geometrietyp sortiert. Anschliessend wird die Geometrie in tatsächliche CAD-Elemente umgewandelt. Dabei  werden zuerst lineare Elemente verarbeitet und mit den gewünschten Metadaten versehen. Diese Elemente bilden die Grundlage für komplexere, dreidimensionale Flächenelemente, die die Bandbreite der Autobahndarstellung weiter ausdehnen können. Generierte 3D-Flächen repräsentieren die Strassenoberfläche, Leitplanken oder Strassenmarkierungen.

Das Ergebnis von Modul 2 ist eine CAD-Datei, die vollständig mit verschiedenen CAD- und GIS-Formaten und -Softwares kompatibel ist.

Modul 3

Dieses Modul widmet sich der manuellen Verfeinerung des Ergebnismodells, um Lücken zu schliessen, die automatisierte Prozesse möglicherweise übersehen haben und die von Mitarbeitern überprüft und gegebenenfalls korrigiert werden müssen.

Dieses Modul beginnt mit einem nativen CAD-Modell, das identifizierte Lücken enthält. Diese Lücken werden visuell markiert, um die Nutzung zu erleichtern, sodass Benutzer fehlende oder ungenaue Elemente manuell hinzufügen, anpassen oder vervollständigen können. Dieser praktische Ansatz in Kombination mit einer automatischen Feedback-Schleife verbessert die Genauigkeit der vorherigen Module, insbesondere Modul 1.

Das endgültige Ergebnis ist ein vollständig umfassendes, fehlerfreies CAD-Modell, bei dem jedes Element geometrische und semantische Daten enthält. Das resultierende Modell ist mit verschiedenen CAD- und GIS-Formaten und -Softwares kompatibel.

Ein wesentliches Merkmal von Modul 3 ist die dynamische Feedback-Schleife. Wenn ein Benutzer ein Ergebnis aus Modul 2 (z. B. eine fehlende Strassenmarkierung) manuell bearbeitet, dann aktualisiert und verbessert das System automatisch seinen Modellierungsworkflow. Dies ermöglicht es Modul 3, Objekte in zukünftigen Prozessen besser zu erkennen, wodurch die Genauigkeit erhöht wird. Dieser kontinuierliche Lernprozess erhöht die Genauigkeit und minimiert manuelle Anpassungen im Laufe der Zeit, sodass das System mit jeder Nutzung effizienter und selbstverbessernd wird.

Wir investieren Zeit in die Identifizierung von Anwendungsfällen, bei denen KI den Prozess der Erstellung und Verfeinerung geometrischer Modelle erheblich beschleunigen kann. Obwohl das Hauptziel des Werkzeugs nicht darin besteht, diese KI-Lösungen vollständig zu implementieren, könnten solche Anwendungen Vorteile für die Modelleffizienz über den unmittelbaren Anwendungsbereich dieses Werkzeugs hinaus haben. Zum Beispiel könnte KI potenziell auf den Prozess der Geometrieextraktion aus der Punktwolke in Modul 1 oder während des manuellen Verfeinerungsprozesses angewendet werden.

Hauptmerkmale

• "Ein Knopfdruck" – Eine Lösung, die minimalen externen Eingriff erfordert.

• Effizienz – Grosse Datenmengen werden in minimaler Zeit verarbeitet, wodurch die Verarbeitungszeit erheblich reduziert wird.

• Kompatibilität – Sowohl die Eingabe- als auch die Ausgabedaten sind mit einer Vielzahl von branchenüblichen Datentypen und Werkzeugen kompatibel.

• Prozessierbarkeit – Das Ergebnis kann in anderen CAD- und GIS-Tools verarbeitet werden, die die Verwaltung der erforderlichen Daten ermöglichen.

Ergebnis

Nach Abschluss aller beschriebenen Schritte stehen verschiedene Ausgabeoptionen zur Verfügung. Wir erstellen präzise 3D-Modelle, in denen alle definierten Elemente korrekt positioniert und georeferenziert sind. Unsere Modelle enthalten alle notwendigen Daten, um im gesamten Lebenszyklus verwendet zu werden. 3D-Modelle werden auch in hochwertige GIS-Daten konvertiert, sodass grossflächige Modelle erstellt werden können, die mit anderen GIS-Schichten wie Geländedaten oder verschiedenen Kartentypen ergänzt werden können. Die generierte Geometrie wird auch in 2D-Pläne umgewandelt, um konventionellere Anwendungsfälle zu unterstützen.

Da Autobahnen sehr lange, kontinuierliche Objekte sind, könnte die Verarbeitung einer solch grossen Struktur problematisch sein. Unsere Lösung für dieses Problem ist die inkrementelle Verarbeitung des Modells. Es wird in kurze, leistungsfähige Abschnitte unterteilt, die nacheinander verarbeitet werden. Auf diese Weise ist die Gesamtlänge des Autobahnstrukturmodells praktisch unbegrenzt, da es immer in separaten Teilen verarbeitet und später zusammengeführt wird.

Fazit

In diesem Projekt arbeiten wir mit sehr hoher Präzision und haben es geschafft, die Autobahn von Grund auf zu digitalen Datenmodellen zu digitalisieren. Wir können präzise 3D-Punktdaten als Grundlage für dieses Projekt erfassen und haben diese in ein mathematisches Modell umgewandelt. Mit einem mathematischen Modell sind wir in der Lage, eine 3D-Dateidefinition zu erstellen und die 3D-Geometrie selbst zu generieren. Als Endprodukt können wir Daten produzieren, die mit jeder BIM- und GIS-Technologie kompatibel sind.

Rohe Punktwolkendaten werden in ein mathematisches Modell umgewandelt (durch Modul 1). Diese werden als XML-Datei mit einer vektorisierten Beschreibung der Modellelemente an Modul 2 übergeben. Modul 2 generiert Geometrieelemente mit Metadaten im CAD-Dateiformat. Das Ergebnis liegt in mehreren Formaten vor: CAD/BIM-Modell, GIS-Modell, 2D-Pläne und Markierungen problematischer Bereiche als Quelle für die Feedback-Schleife.