Die automatisierte Erstellung von CAD-Modellen aus 3D-Autobahnscans

veröffentlicht: 24.06.2021

Moderne KI-Technologien entwickeln sich rasant weiter. In letzter Zeit gab es viele Fortschritte im Bereich des Deep Learning bei 3D-Punktwolken. In vielen Branchen ergeben sich daraus neue vorteilhafte Möglichkeiten – eine davon ist der Straßen- und Autobahnsektor. Dieser Anwendungsfall beschreibt ein Folgeprojekt zur automatisierten Beschriftung von Punktwolken aus Autobahnscans mit der Bayerischen Landesbauverwaltung, die regelmäßig LiDAR-Vermessungen des bayerischen Straßennetzes durchführt. Dies dient der Planung, dem Bau und dem Betrieb der Straßeninfrastruktur.

Die Verarbeitung und Informationsextraktion dieser LiDAR-Vermessungen erfordert in der Regel viel Arbeitsaufwand und eine teure Infrastruktur, um die großen Datenmengen zu bewältigen. Eine der zeitaufwändigsten Aufgaben ist die Erstellung von CAD-Modellen für Bordsteine, Straßenmarkierungen und viele andere strukturelle Elemente aus den Laserscans.

Das Ziel unseres Projekts war es, die Erstellung von CAD-Modellen aus Punktwolken mithilfe von Deep Learning zu automatisieren.

Grundlage = Manuell von Cloud-Vermessung + Planung GmbH erstellte CAD-LinienPointly-Vorhersage = Automatisch durch den Deep-Learning-Ansatz von Pointly erstellte CAD-Linien

Für diese Aufgabe wurden hochauflösende mobile LiDAR-Scans von zwei deutschen Autobahnen und manuell erstellte CAD-Modelle, einschließlich 3D-Polylinien, von der Cloud-Vermessung + Planung GmbH bereitgestellt. Das verwendete Fahrzeug ist ein herkömmlicher MB der V-Klasse. Die Messeinheit war der Trimble MX9 mit integrierten Riegl-Scannern. Alle erfassten Daten wurden anschließend in AutoDesk Civil 3D importiert und zu einem 3D-Vektormodell zusammengeführt.

Die größte Herausforderung bestand in den Objektklassen, die sich aus dem semantischen Kontext ergaben. Bei einer üblichen CAD-Zuordnung werden Objekte auf unterschiedliche Weise dargestellt und durch menschliches Vorwissen angereichert. Beispielsweise wird die Fahrbahn durch Außenlinien markiert. Basierend auf dem Wissen des Betrachters über die Beziehung zwischen Fahrbahn und Straßenmarkierungen wird zwischen linker, mittlerer und rechter Fahrspur unterschieden. Solche Unterscheidungen, die sich nur aus dem Kontext verschiedener Objekte ergeben, können einem neuronalen Netzwerk nicht direkt beigebracht werden.

Abbildung 1 CAD-Linien eines Autobahnabschnitts, erstellt von Cloud-Vermessung + Planung GmbH

Zu Beginn mussten die bereitgestellten, manuell erstellten CAD-Umrisse vorverarbeitet werden, damit das neuronale Netzwerk sie als Trainingsdaten erkennen konnte. Mit unserem intern vortrainierten 3D-neuronalen Netzwerk haben wir das Modell so optimiert, dass es die gewünschten Straßenumrisse aus LiDAR-Autobahnscans erkennen konnte. Das trainierte KI-Modell war in der Lage, Straßenumrisse zu erkennen und CAD-Modelle in unbekannten Autobahnscans mit einer Genauigkeit von weniger als einem Zentimeter zu erstellen.

Die gesamte Trainings- und Inferenzpipeline wurde in einer Microsoft Azure Cloud-Umgebung modelliert. Die Pipeline ist vollständig modular aufgebaut und kann durch Hinzufügen zusätzlicher Worker skaliert werden. So kann die parallele Verarbeitung von Hunderten von Autobahnkilometern für anstehende Autobahnuntersuchungen erreicht werden.

Unser trainiertes 3D-Neuralnetzwerk kann nun automatisch Straßenumrisse erkennen und CAD-Modelle aus Autobahnscans mit einer Genauigkeit von unter einem Zentimeter generieren. Wie in den Screenshots zu sehen ist, werden Ground Truth und Vorhersage mit nur minimalen Abweichungen präzise überlagert. Kleine Abweichungen können auch auf menschliche Fehler in der Ground Truth zurückzuführen sein.

Grundlage = Manuell von Cloud-Vermessung + Planung GmbH erstellte CAD-LinienPointly-Vorhersage = Automatisch durch den Deep-Learning-Ansatz von Pointly erstellte CAD-Linien

Pointly – Zeigen, was wichtig ist.