Alles beginnt mit dem 3D-Scanning
Im Kern dieses Projekts stehen fortschrittliche Technologien mit hohem Automatisierungspotenzial. 3D-Scanner vom Typ Riegl Vux 1Ha sind in der Lage, umfangreiche und präzise Datensätze großflächig zu erfassen. Kombiniert mit KI, die diese Daten sortiert, verarbeitet und weiter aufbereitet, lassen sich Vektordarstellungen von Autobahnobjekten in verschiedenen Datentypen erzeugen.
Punktwolken
Unser fortschrittliches Mobile Laser Scanning (MLS) System ermöglicht eine vollständige, hochpräzise Erfassung von Autobahnen, indem jede Fahrspur und Seitenlinie in ±30°-Winkeln abgedeckt und so Datenlücken vermieden werden. Alle 250 Meter wird mithilfe präziser Kontrollpunkte georeferenziert; die MLS-Daten werden nahtlos mit Drohnenflügen kombiniert, um große und schwer zugängliche Bereiche zu erfassen.
Durch die Kombination dieser Technologien erzeugen wir hochpräzise .las-Punktwolken, indem temporäre Hindernisse entfernt und Schattenbereiche aufgefüllt werden. Das Ergebnis ist eine nahtlose, realitätsgetreue digitale Darstellung mit minimalen Abweichungen zur realen Umgebung.
Das System
(Punktwolke)
90–95 %
100 %
- 2D-Pläne
- 3D-Modell
- Asset-Extraktion
- GIS-Modell
Unser leistungsstarkes Tool verwandelt rohe Punktwolken in hochpräzise Autobahnmodelle durch einen optimierten, dreigliedrigen Prozess. Modul 1 filtert irrelevante Daten heraus und extrahiert die relevanten Objekte, wobei eine XML-basierte Austauschdatei mit präzisen mathematischen Definitionen entsteht. Modul 2 wandelt diese Daten mit einer Genauigkeit von 90–95 % in CAD-Modelle um und hebt Unstimmigkeiten hervor, die im vorherigen Schritt erkannt wurden. Modul 3 verfeinert und korrigiert anschließend diese Bereiche, um ein vollständig akkurates natives Modell zu erhalten. Eine integrierte Feedback-Schleife verbessert den Prozess fortlaufend und sorgt für stetig wachsende Präzision bei zukünftigen Datenanalysen.
Schritt 1 - Extraktion
Modul 1 analysiert die rohen Punktwolken, um ein präzises mathematisches Modell wichtiger Straßenelemente wie Kanten, Leitplanken und Fahrbahnmarkierungen zu erstellen. Mithilfe des RANSAC-Algorithmus wird die Fahrbahnfläche identifiziert und irrelevante Daten werden ausgefiltert. Hochreflektierende Fahrbahnmarkierungen werden durch Peak-Analyse erkannt, während der DBSCAN-Algorithmus Markierungen clustert. Maschinelles Lernen verfeinert die Objekterkennung, indem Splines zur Definition der Fahrbahnformen eingefügt und Leitplanken exakt in 3D positioniert werden.
Die extrahierten Daten werden in eine XML-Austauschdatei mit geometrischen und semantischen Informationen überführt. Unsichere Erkennungen werden visuell gekennzeichnet, was Modul 3 bei der weiteren Verfeinerung leitet. Eine integrierte Feedback-Schleife erhöht kontinuierlich die Genauigkeit und gewährleistet eine reibungslose Modellierung.
Schritt 2 - Modellierung
Modul 2 überführt die Austauschdatei in hochpräzise Vektorgeometrie und 3D-Modelle, die sich nahtlos in gängige Software wie Autodesk Revit, Civil 3D, Rhinoceros 3D und ESRI-Tools integrieren lassen. Die Daten werden nach Geometrietyp sortiert und zu akkuraten CAD-Elementen zusammengesetzt, beginnend mit linearen Elementen, die mit Metadaten angereichert werden. Diese bilden die Basis für komplexe 3D-Oberflächen wie Fahrbahnen, Schutzplanken und Fahrbahnmarkierungen.
Das Endergebnis ist eine vollständig strukturierte CAD-Datei, die beispielsweise im DWG- oder IFC-Format exportiert werden kann und damit mit unterschiedlichen CAD- und GIS-Plattformen kompatibel ist. Angereichert mit detaillierten Metadaten bietet dieses Modell eine umfassende, datengestützte Darstellung der Autobahninfrastruktur und eignet sich für weiterführende Analysen oder Planung.
Schritt 3 - Überarbeitung
Modul 3 steigert die Genauigkeit der Autobahnmodelle, indem es Elemente verfeinert, die im automatisierten Prozess möglicherweise nicht richtig erkannt wurden. Basierend auf einem CAD-Modell mit visuell gekennzeichneten Lücken können Anwender fehlende Details manuell anpassen, hinzufügen oder korrigieren. Dieser manuelle Feinschliff gewährleistet ein vollständiges, fehlerfreies Modell und verbessert zugleich die Genauigkeit der vorherigen Module, insbesondere Modul 1.
Ein zentrales Merkmal von Modul 3 ist seine dynamische Feedback-Schleife: Jede manuelle Anpassung hilft dem System beim Lernen und verringert langfristig den Bedarf an manueller Nachbearbeitung. Zusätzlich untersuchen wir KI-gestützte Optionen, um die Überarbeitung weiter zu beschleunigen, etwa durch bessere Geometrieerkennung in Modul 1. Obwohl KI nicht das Hauptziel ist, tragen diese Erkenntnisse zu einer effizienteren, stärker automatisierten Infrastrukturmodellierung bei.