Ausgangsdaten für die Digitale Baustelle: Objektgenerierung aus Punktwolken


Technologien der Künstlichen Intelligenz unterstützen die Erarbeitung einer Vorgehensweise, mit der die semiautomatische Aufarbeitung und Überführung von dreidimensionalen Vermessungsdaten (u. a. Punktwolken, Orthofotos) in ein intuitiv nutzbares, dreidimensionales Ausgabeformat gelingt. Die damit geschaffenen 3D-Visualisierungen sind eine digitale Ausgangsbasis für die Optimierung der unterschiedlichsten Anwendungsfälle auf der digitalen Baustelle.

Die Digitalisierung ist in der Baubranche bisher nur teilweise angekommen [1]. So obliegt beispielsweise auch heute noch die Interpretation der erbrachten Leistungen der einzelnen Gewerke der langjährigen Erfahrung von Planern und Bauleitern, welche während ihrer Kontrollgänge per schriftlicher und ggf. sprachlicher Notiz oder Foto dokumentieren.

Doch auch in dieser Branche sind die Voraussetzungen gegeben, um vielfältige Prozesse durch digitale Technologien unterstützen und verbessern zu können. Diese Optimierung erfordert oftmals eine Vielzahl an heterogenen Daten aus unterschiedlichen Quellen. Damit verbunden sind häufig komplexe Aufnahme-, Auswertungs- und Analyseprozesse, um die entstehenden Informationen effektiv für die jeweiligen Anwendungsfälle verfügbar zu machen. Die Baubranche kann beispielsweise durch eine visuelle digitale Baufortschrittskontrolle, welche u. a. das Monitoring von Arbeitsvorgängen, das Tracking von Werkzeugen bzw. Baumaterialien auf der Baustelle aber auch Bestell- und Abrechnungsprozesse automatisiert, sehr profitieren. Visuelle Basis für diese Optimierungen sind 3D-Darstellungen realer baulicher Objekte und Zusammenhänge.

Im Kontext geografischer Daten haben die GEO-METRIK-Ingenieurgesellschaft mbH Stendal und das Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF erste Ergebnisse in Bezug auf eine solche intelligente Automatisierung erzielt. Im Rahmen des gemeinsamen Forschungsprojektes „MaLe3D-GEO“ (gefördert durch EFRE-Mittel der EU und die Investitionsbank des Landes Sachsen-Anhalt) wurde basierend auf Technologien der Künstlichen Intelligenz eine Vorgehensweise erarbeitet, mit der die semiautomatische Aufarbeitung und Überführung von dreidimensionalen Vermessungsdaten (u. a. Punktwolken, Orthofotos) in ein intuitiv nutzbares, dreidimensionales Ausgabeformat ermöglicht wird. Die damit geschaffenen 3D-Visualisierungen sind eine digitale Ausgangsbasis für die Optimierung der unterschiedlichsten Anwendungsfälle auf der digitalen Baustelle.

Generierung und Darstellung von Vermessungsdaten

Die GEO-METRIK beschäftigt sich neben der Vermessung im Verkehrswegebau und von Ingenieursbauwerken auch mit der Gewässer-, Gebäude- sowie Architekturvermessung und verfügt über wesentliche Kompetenzen im Bereich von 3D-Scanverfahren sowie auf dem Gebiet der Photogrammmetrie. Die dabei entstehenden Daten werden meist noch als Rohdaten oder als 2D-Pläne zur Verfügung gestellt und bilden die Basis für anschauliche Darstellungen. Die Extraktion von 3D-Objekten aus Punktwolken ist sehr komplex, aufwändig und hängt von vielen Parametern ab. Aufgrund der hohen Varianz der Ausgangsdaten und der Diversität der gescannten realen Objekte benötigen bestehende Lösungen häufig noch menschliche Expertise zum Erreichen gewünschter Ergebnisse. Die intelligente Automatisierung dieser Prozesse ist eine aktuelle technologische Herausforderung mit hoher Forschungsrelevanz.

Weiterführende Ansätze fokussieren auf moderne Vorgehensweisen des Maschinellen Lernens – der „künstlichen“ Generierung von Wissen aus Erfahrung [2]. Ein System lernt dabei anhand von Beispielen, trainiert diese Vorgehensweise und kann das gelernte Vorgehen nach der Lernphase verallgemeinert anwenden. Zwar ist das Expertenwissen weiterhin notwendig, aber nicht mehr bei jeder produktiven Anwendung des Systems, sondern im Vorfeld zum Training der Algorithmen [3]. Auch für kleine und mittlere Unternehmen werden die Erkenntnisse des Maschinellen Lernens immer interessanter und versprechen für unterschiedlichste Anwendungsfelder signifikante Vorteile.

GEO-METRIK legt mit dem Fraunhofer IFF, aufbauend auf der bisherigen reinen Datenaufnahme und ihrer proprietären Visualisierung, im gemeinsamen Forschungsprojekt den Fokus auf die Verarbeitung visueller Daten unter Verwendung von Algorithmen des Maschinellen Lernens. Mit diesen Algorithmen wird das System trainiert und damit die Verarbeitungsprozesse so verbessert, dass aus den verfügbaren Daten möglichst automatisch Objekte, komplette Szenen und ggf. auch Aktivitäten in der Umgebung identifiziert werden können. Dabei erfasst, verarbeitet und analysiert das angestrebte Computer-Vision-System nicht nur Punktwolken, sondern bspw. auch Bildaufnahmen, um daraus numerische und symbolische Informationen zu generieren, die zur Verbesserung des Erkennens von Übereinstimmungen, der Identifikation von 3D-Objekten in den Ausgangsdaten und damit zur optimierten Generierung von 3D-Modellen genutzt werden können.

Entwicklung eines intelligenten Automatisierungsverfahrens zur 3D-Objektgenerierung

Damit die GEO-METRIK ihre Vermessungsergebnisse in Zukunft adäquat für die unterschiedlichen Anwendungsfälle ihrer Kunden bereitstellen kann, entstehen im Rahmen des Projektes Verfahren zur KI-basierten Aufarbeitung und Überführung von dreidimensionalen Vermessungsdaten in ein geeignetes Ausgabeformat. Ein weiteres Ziel ist ein Virtual Reality-basierter Demonstrator, der als Ausgangspunkt für eine Planungs- und Dokumentationsplattform für den Endkunden dienen wird.

Zunächst wurden unter Berücksichtigung der relevanten Arbeitsprozesse des Vermessungsunternehmens, der eingesetzten Software und des aktuellen Leistungsportfolios die Anforderungen an das zu entwickelnde Verfahren genauer analysiert. Weiterhin wurden mögliche zukünftige digitale Produkte und Dienstleistungen ermittelt, um das Anforderungsprofil über den funktionalen IST-Stand hinaus zu schärfen.

Basierend darauf konzipierte das Projektteam einen semiautomatischen Workflow, der in den folgenden Prozessschritten abläuft:

Datenaufnahme: Bei Verwendung der ML-Technologie sind eine repräsentative und große Datenmenge die Grundvoraussetzung. Sie entscheidet über den Erfolg der eingesetzten Algorithmen und die Qualität der Ergebnisse. Für eine ausreichende Datenverfügbarkeit ist die Aufnahme dieser und die Bereitstellung durch verschiedene Mechanismen (u. a. Befliegung, terrestrischer Laserscan, mobiler Laserscan, …) erforderlich.

Vorverarbeitung der Ausgangsdaten: Nach der Datenaufnahme erfolgt eine Vorverarbeitung der Ausgangsdaten. Aufgrund ihrer enormen Größe und Qualitätsschwankungen, die im Bereich der Datenaufnahme auftreten können, kann (optional) eine Vorbetrachtung des Datensatzes bzw. der Datensätze empfehlenswert sein. Dadurch können Fehler (z. B. Aufnahme- oder Positionsfehler), die in der nachgelagerten Datenverarbeitung zu Problemen führen können, bereits frühzeitig entfernt werden.

Modellerzeugung: Die Teilschritte der Klassifikation, Objekt- und Texturgenerierung sind die Kernelemente der eigentlichen Modellerzeugung. Nach erfolgreichem Import der verfügbaren Daten und einer optionalen Aufbereitung erfolgt die Aufteilung der Ausgangsdaten in kleinere Kacheln. Dies unterstützt die Datenverarbeitung und die Handhabung der häufig sehr großen Datenmengen. Anschließend wird der geeignete Machine Learning-Algorithmus mit seiner spezifischen Parametereinstellung gewählt und automatisch auf die vorbereiteten Daten angewendet. Sobald dieses Training beendet ist, werden das Modell und die verwendeten Daten hinsichtlich ihrer Qualität ausgewertet. Im späteren produktiven Einsatz der drei Modellerzeugungsschritte werden mittels der dadurch trainierten Machine Learning-Algorithmen klassifizierte Daten, Objekte und Texturen erzeugt.

Die Überführung und Integration der texturierten 3D-Modelle in eine Virtual-Reality-basierte Softwareplattform (Unity) für eine ansprechende visuelle Präsentation.

Abschließend besteht die Möglichkeit für eine nachgelagerte Aufwertung der Ergebnisse durch die Integration zusätzlicher statischer und dynamischer Objekte (z. B. Mensch- oder Fahrzeugmodelle, Animationen).

Demonstrator zum Nachweis der Anwendbarkeit des entwickelten Verfahrens

Das im Rahmen des Forschungsprojekts entwickelte Verfahren wird aktuell in einen Demonstrator überführt und weiter optimiert. Das entstehende Werkzeug ist durch die Projektpartner nutzbar, um inhalts- und funktionsindividualisierte Kundenlösungen basierend auf den Ausgangsdaten zu erzeugen.

Aufgrund der durchgehenden Allgemeingültigkeit und Abstraktion der entwickelten Lösung wird sichergestellt, dass eine zielgerechte und direkte Nutzung auch für andere Projekte und neue Kundensegmente möglich ist. Mit den Ergebnissen des Projektes wird GEO-METRIK in der Lage sein, die aufgenommenen Punktwolken-Daten zu Informationen weiterzuverarbeiten, die als prozessrelevante Ausgangsdaten ein integraler Bestandteil jeder Digitalen Baustelle sein werden.

 

Literatur

[1] I. Bertschek, T. Niebel, J. Ohnemus, “Beitrag der Digitalisierung zur Produktivität in der Baubranche, Endbericht zur Studie im Auftrag der Zukunft Bau des BBSR, durchgeführt durch das ZEW”, 2019.

[2] Bundesministerium für Bildung und Forschung. „MASCHINELLES LERNEN – Eine Analyse zu Kompetenzen, Forschung und Anwendung“ Link: www.bigdata.fraunhofer.de/content/dam/bigdata/de/documents/Publikationen/Fraunhofer_Studie_ML_201809.pdf (abgerufen am 29.01.2020).

[3] Gotscharek&Company. „KI-(Künstliche Intelligenz)-Projekte richtig aufsetzen“ Link: www.gotscharek-company.com/blog/ki-k%C3%BCnstliche-intelligenz-projekte-richtig-aufsetzen (abgerufen am 29.01.2020).

 

Das Projekt »MaLe3D-GEO« wurde aus Mitteln der EU und des Landes Sachsen-Anhalt finanziert. (Förderkennzeichen 2004/00063)

 

Autoren

Nicole Mencke und Andreas Pape | Fraunhofer Institut für Fabrikbetrieb und- automatisierung IFF

 

MaLe3D-GEO - Maschinelles Lernen zur 3D-Objektidentifikation in bildbasierten Geodaten


07.09.2021