Vollautomatisierte Dateninterpretation

Zustandsmessdaten objektiv und zuverlässig analysieren

Verkehrsinfrastruktur

Schnell erfasst, langsam ausgewertet: Zustandsdaten werden noch immer manuell analysiert

3D-Daten werden mittlerweile standardmäßig herangezogen, wenn es um die Erstellung von Grundplänen für den Um- und Ausbau von Infrastruktur geht. Zur Erfassung der Daten werden stationäre terrestrische Laserscanner (TLS) und boden- oder luftgestützte mobile Mapping-Systeme eingesetzt, die mit Laserscannern und Kameras ausgestattet sind. Sie ermöglichen Messungen im fließenden Verkehr. Staus oder teure Absperrungen lassen sich so verringern oder ganz vermeiden. Bei der Erfassung entstehen sehr große Datenmengen (mehrere GB pro Straßenkilometer), die bisher hauptsächlich händisch, d.h. durch Sichtung, ausgewertet werden. Dabei werden die unterschiedlichen Objekte in den 3D- und Bilddaten manuell umrandet und einer Klasse zugeordnet. Diese Art der Auswertung gestaltet sich sehr aufwändig – im Gegensatz zur Datenerfassung selbst, die dank moderner mobiler Mapping-Systeme sehr schnell erfolgt, auch wenn es um Infrastrukturelemente mit großen Ausdehnungen geht.

3D-AI: Fraunhofer IPM nutzt KI für eine effiziente Datenauswertung

Das von Fraunhofer IPM entwickelte Deep Learning Framework 3D-AI interpretiert Verkehrsinfrastrukturdaten um ein Vielfaches effizienter und zuverlässiger, als es mit bisherigen Methoden möglich war. Das Framework projiziert z. B. aufgenommene Scannerdaten zuverlässig und genau in die Bilder der Farbkameras. So wird jedem RGB-Bild der Szene ein entsprechender Tiefenkanal zugeordnet. Mit so aufbereiteten RGB-D(epth)-Daten und einem trainierten künstlichen neuronalen Netz erweist sich die Datenauswertung schon heute als sehr robust gegenüber Objektvariationen, Aufnahmewinkel und Lichtverhältnissen.

Im Rahmen mehrerer Projekte wurde für die Interpretation von Infrastruktur-Objekten eine Bibliothek mit annotierten Trainingsdaten geschaffen, die als Basis für das KNN dienen kann. Dabei wurden bereits über 30 Objekte aus den Kategorien Straßenoberflächen, Straßenmöbel, Vegetation und ähnliches trainiert.