{"id":4928,"date":"2021-06-25T11:17:14","date_gmt":"2021-06-25T11:17:14","guid":{"rendered":"https:\/\/pointly.ai\/use-case\/die-automatisierte-kennzeichnung-von-punktwolken-aus-autobahnscans\/"},"modified":"2025-09-09T15:22:41","modified_gmt":"2025-09-09T15:22:41","slug":"die-automatisierte-kennzeichnung-von-punktwolken-aus-autobahnscans","status":"publish","type":"avada_portfolio","link":"https:\/\/pointly.ai\/de\/use-case\/die-automatisierte-kennzeichnung-von-punktwolken-aus-autobahnscans\/","title":{"rendered":"Die automatisierte Kennzeichnung von Punktwolken aus Autobahnscans"},"content":{"rendered":"
<\/span><\/a><\/span>
<\/div>
<\/div>
<\/div>

< zur\u00fcck <\/i><\/a><\/p>\n<\/div>

<\/div><\/div><\/div>
\"Ein<\/span><\/div>
<\/div>
<\/div>
<\/div>

Die automatisierte Kennzeichnung von Punktwolken aus Autobahnscans<\/span><\/strong><\/h1><\/div>
<\/div>
<\/div>
<\/div>

ver\u00f6ffentlicht: 24.06.2021<\/p>\n<\/div>

<\/div>
<\/div><\/div>
<\/div>

Verschiedene Branchen k\u00f6nnen von der Verwendung k\u00fcnstlicher Intelligenz profitieren, um Laserscan-Punktwolken in verschiedene Objektklassen zu klassifizieren. Eine davon ist der Stra\u00dfen- und Autobahnsektor, z. B. f\u00fchrt die Bayerische Landesbauverwaltung in diesem Anwendungsfall regelm\u00e4\u00dfig Vermessungen des bayerischen Stra\u00dfennetzes durch. Bei der Vermessung kilometerlanger Autobahnen fallen riesige Datenmengen an, die analysiert werden m\u00fcssen, um relevante Informationen zu extrahieren. Nach der Analyse k\u00f6nnen sie f\u00fcr die Planung, den Bau und den Betrieb der Stra\u00dfeninfrastruktur genutzt werden. Um den manuellen Bearbeitungsaufwand zu reduzieren und die Analyse der gescannten Stra\u00dfen zu automatisieren, hat die Bayerische Landesbauverwaltung Pointly beauftragt.<\/p>\n<\/div>

Ziele<\/span><\/h2><\/div>

Bislang war die Klassifizierung von Punktwolken sehr zeitaufwendig, da die Arbeit haupts\u00e4chlich manuell erledigt wurde und riesige Datenmengen gekennzeichnet werden mussten. Dar\u00fcber hinaus mangelt es herk\u00f6mmlichen Methoden an Pr\u00e4zision und Genauigkeit. Heutzutage erm\u00f6glichen moderne Techniken eine Beschleunigung und Digitalisierung dieses Prozesses auf ein neues Pr\u00e4zisionsniveau.<\/p>\n

Das Ziel dieses Infrastrukturprojekts war es, die Beschriftung von Punktwolken mithilfe von Deep-Learning-Modellen vollst\u00e4ndig zu automatisieren.<\/strong><\/p>\n<\/div>

Datensatz<\/span><\/h2><\/div>

F\u00fcr diese Aufgabe wurden hochaufl\u00f6sende mobile LiDAR-Scans von zwei deutschen Autobahnen von der Cloud-Vermessung + Planung GmbH bereitgestellt, die das Stra\u00dfennetz f\u00fcr die Bayerische Landesbauverwaltung vermessen hat. Das verwendete Fahrzeug war ein herk\u00f6mmlicher 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. Au\u00dferdem erfasste der Scanner Geb\u00e4ude wie Br\u00fccken rund um die Autobahn und lieferte Punktwolken einschlie\u00dflich Intensit\u00e4tswerten und anderen zus\u00e4tzlichen Daten, die f\u00fcr die Deep-Learning-Aufgabe verwendet werden k\u00f6nnen.<\/p>\n<\/div>

Herausforderungen<\/span><\/h2><\/div>

Die Klassifizierung von 3D-Punktwolken aus Laserscans von Autobahnen ist eine manuelle und m\u00fchsame T\u00e4tigkeit. Um den Prozess skalierbar und wirtschaftlich effizient zu gestalten, sollte er mit Hilfe von KI automatisiert werden.<\/p>\n

Eine der gr\u00f6\u00dften Herausforderungen war die klare Definition von Objektklassen, um geeignete Trainingsdaten f\u00fcr die KI zu sammeln. F\u00fcr diese Definition gibt es drei Anforderungskriterien:<\/p>\n

    \n
  1. Vollst\u00e4ndig: Jeder Datenpunkt muss einer Klasse zugeordnet werden.<\/li>\n
  2. Explizit: Objektklassen m\u00fcssen klar unterscheidbar sein.<\/li>\n
  3. Vertreter:\n