Die automatisierte Kennzeichnung von Punktwolken aus Autobahnscans

veröffentlicht: 24.06.2021

Verschiedene Branchen können von der Verwendung künstlicher Intelligenz profitieren, um Laserscan-Punktwolken in verschiedene Objektklassen zu klassifizieren. Eine davon ist der Straßen- und Autobahnsektor, z. B. führt die Bayerische Landesbauverwaltung in diesem Anwendungsfall regelmäßig Vermessungen des bayerischen Straßennetzes durch. Bei der Vermessung kilometerlanger Autobahnen fallen riesige Datenmengen an, die analysiert werden müssen, um relevante Informationen zu extrahieren. Nach der Analyse können sie für die Planung, den Bau und den Betrieb der Straßeninfrastruktur genutzt werden. Um den manuellen Bearbeitungsaufwand zu reduzieren und die Analyse der gescannten Straßen zu automatisieren, hat die Bayerische Landesbauverwaltung Pointly beauftragt.

Bislang war die Klassifizierung von Punktwolken sehr zeitaufwendig, da die Arbeit hauptsächlich manuell erledigt wurde und riesige Datenmengen gekennzeichnet werden mussten. Darüber hinaus mangelt es herkömmlichen Methoden an Präzision und Genauigkeit. Heutzutage ermöglichen moderne Techniken eine Beschleunigung und Digitalisierung dieses Prozesses auf ein neues Präzisionsniveau.

Das Ziel dieses Infrastrukturprojekts war es, die Beschriftung von Punktwolken mithilfe von Deep-Learning-Modellen vollständig zu automatisieren.

Für diese Aufgabe wurden hochauflösende mobile LiDAR-Scans von zwei deutschen Autobahnen von der Cloud-Vermessung + Planung GmbH bereitgestellt, die das Straßennetz für die Bayerische Landesbauverwaltung vermessen hat. Das verwendete Fahrzeug war ein herkömmlicher MB der V-Klasse. Die Messeinheit war der Trimble MX9 mit integrierten Riegl-Scannern. Mit dieser Konfiguration wurden sehr hohe Genauigkeiten (+/- 1 cm) und sehr dichte Punktwolken erzeugt. Außerdem erfasste der Scanner Gebäude wie Brücken rund um die Autobahn und lieferte Punktwolken einschließlich Intensitätswerten und anderen zusätzlichen Daten, die für die Deep-Learning-Aufgabe verwendet werden können.

Die Klassifizierung von 3D-Punktwolken aus Laserscans von Autobahnen ist eine manuelle und mühsame Tätigkeit. Um den Prozess skalierbar und wirtschaftlich effizient zu gestalten, sollte er mit Hilfe von KI automatisiert werden.

Eine der größten Herausforderungen war die klare Definition von Objektklassen, um geeignete Trainingsdaten für die KI zu sammeln. Für diese Definition gibt es drei Anforderungskriterien:

1. Vollständig: Jeder Datenpunkt muss einer Klasse zugeordnet werden.
2. Explizit: Objektklassen müssen klar unterscheidbar sein.
3. Vertreter:
   • Die Klassen sollten so gleichmäßig wie möglich vertreten sein.
   • Keine Klasse sollte ernsthaft benachteiligt sein.

In diesem Projekt waren die wichtigsten Klassen: Straße, Straßenmarkierungen, Boden, Vegetation, Schienen, Schilder und Fahrzeuge. Es war jedoch eine anspruchsvolle Aufgabe, eine Straße genau von anderen Asphaltflächen zu unterscheiden und den Anfang und das Ende bestimmter Objekte (z. B. Teile von Brückenkonstruktionen) zu bestimmen.

Zunächst wurden die bereitgestellten Datensätze von internen Mitarbeitern mit Pointly gekennzeichnet. Hier ist es von Vorteil, dass Pointly die Erstellung benutzerdefinierter Klassen ermöglicht. Auf diese Weise konnten alle für den Kunden erforderlichen Klassen klassifiziert werden. Mehrere Kilometer der untersuchten Autobahnabschnitte wurden für das Modelltraining vollständig klassifiziert.

Abbildung 1: Eine Punktwolke von der Autobahn, klassifiziert in Pointly

Mit den generierten Trainingsdaten wurde unser vortrainiertes 3D-Neuralnetzwerk trainiert und verfeinert, um die verschiedenen Klassen in den LiDAR-Scans zu erkennen. Schließlich wird das trainierte Netzwerk verwendet, um neue Punktwolken automatisch mit hoher Präzision entsprechend den benutzerdefinierten Objektklassen zu klassifizieren. Alle bereitgestellten Punktwolken wurden innerhalb weniger Stunden klassifiziert, da sie in einer Cloud-Umgebung parallel verarbeitet wurden.

Das trainierte neuronale Netzwerk arbeitet mit einer hohen und überzeugenden Präzision und beschleunigt den Klassifizierungsprozess erheblich. Die vorhandenen Punktwolken wurden von der KI automatisch klassifiziert und an den Kunden geliefert. Zukünftige Scans können innerhalb weniger Stunden fast ohne manuellen Aufwand verarbeitet werden. Außerdem kann das Modell jederzeit durch die Eingabe zusätzlicher Trainingsdaten verbessert werden.

In einem Folgeprojekt mit der Bayerischen Landesbauverwaltung wurden die klassifizierten Punktwolken desweiteren dazu verwendet, Straßenkonturen automatisch als 3D-Polylinien zu extrahieren und daraus CAD-Modelle zu erstellen.

In Kürze werden die Klassifizierungsmodelle für alle Nutzer der Pointly-Plattform verfügbar sein, sodass sie bei Bedarf problemlos verwendet werden können.

Abbildung 2: linke Seite = manuell klassifiziert durch Mitarbeiter von Pointly / rechte Seite = automatisch klassifiziert durch das 3D-Neuralnetzwerk von Pointly

Pointly – Zeigen, was wichtig ist.