Künstliche Intelligenz für Punktwolken-Segmentierung und 3D-Rekonstruktion
Punktwolken von Städten bilden das urbane Leben bis ins kleinste Detail ab. Sie enthalten eine Menge an wichtigen Informationen wie Fahrzeuge, Gebäude oder Infrastruktur. Doch wie kann aus diesen Terabyte an Daten sinnvolle Information gewonnen werden? Das VRVis setzt auf Künstliche Intelligenz, um aus Punktwolken mit Echtweltdaten Gehsteige und Bahnsteigkanten auszulesen.
Die Datenpipeline zeigt, wie aus großen Punktwolken mittels Segmentierung und 3D-Rekonstruktion Gehsteige und Gehsteigkanten erkannt werden.
Am VRVis ist eine mehrköpfige Forschungsgruppe auf georäumliche Daten spezialisiert. Forscherin Lisa Kellner ist eine der Expertinnen, die neue Lösungen für die Visualisierung und Analyse von und Interaktion mit 3D-Geodaten erarbeitet.
Laserscandaten fangen unsere physische Welt in großen Punktwolken ein, deren Datenvolumen oft im Terabyte-Bereich liegen. Das Verarbeiten dieser Daten ist sowohl vom Volumen als auch von der Extraktion nutzbarer Information eine Herausforderung.
Für die effiziente Verarbeitung dieser gigantischen Punktwolken nutzen wir optimierte räumliche Datenstrukturen in Kombination mit speziellen neuronale Netzwerkarchitekturen, um Objekte und Strukturen in den Punktwolken zu segmentieren und für 3D-Rekonstruktionen zu nutzen. Eine Aufgabe, die besonders bei Punktwolken urbaner Areale von großer Bedeutung, aber auch sehr anspruchsvoll ist. Solche Punktwolken enthalten sehr heterogene und nützliche Information, wie z.B. Gebäude, Vegetation und Infrastruktur, aber auch nicht stationäre Objekte wie Fußgänger und Fahrzeuge. Ein erfolgreiches Beispiel für den Einsatz von KI ist die Rekonstruktion von Gehsteigen und Bahnsteigkanten aus Echtweltdaten mithilfe von 3D CNNs (Convolutional Neural Networks), die wir bereits in verschiedenen Projekten mit Unternehmenspartnern umgesetzt haben.