Gruppe 3D-Geodaten-Analyse

Forschungsschwerpunkte der Gruppe sind die Analyse, Klassifizierung und Modellierung / Vektorisierung räumlicher Messdaten. Für die vollautomatisierte Analyse von 2D- und 3D-Messdaten setzen wir auf maschinelles Lernen, darunter vor allem auf das Konzept des »Deep Learning«. Dabei werden künstliche neuronale Netze (KNN) so trainiert, dass sie gesuchte Objekte – beispielsweise aus dem Bereich städtischer Infrastruktur – in umfangreichen Daten mobiler Messsysteme erkennen und lokalisieren können. Neben der manuellen Annotation nutzen wir eigens entwickelte Tools und synthetische Trainingsdaten, um KNN effizient zu trainieren.

Für höchste Präzision und Zuverlässigkeit bei der Datenanalyse kombinieren wir die KI mit klassischen Heuristiken. Wir optimieren die Laufzeit bis hin zur Echtzeitfähigkeit und integrieren die Auswertung direkt in die Messsysteme. So können Messergebnisse live verfolgt und bei Bedarf Messparameter geregelt werden. Zudem entfallen Aaufwändige Nachprozessierung oder die Speicherung der Rohdaten kann entfallen.

Automatisierte Datenanalyse

• Vollautomatische Analyse von 2D- und 3D-Messdaten, u. a. durch »Deep Learning«
• Implementierung von lokalen oder cloudbasierten Lösungen für die Datenverarbeitung
• Aufbau umfangreicher Trainingsdatensätze für das automatisierte Anlernen von Algorithmen

Synthetische Trainingsdaten

• Erstellung von 3D-Szenen inkl. Material-Eigenschaften, Beleuchtungssituationen, Wetterphänomenen, dynamischen Eigenschaften
• Algorithmische Erzeugung von 3D-Modellen aus parametrisierbaren Bausteinen
• Erstellung simulierter Messdaten: fotorealistische Bilder, 3D-Punktwolken

Echtzeit-Analyse

• Optimierung der Analyse-KI für die Echtzeitauswertung mit Blick auf vorhandene Rechenleistung mobiler Plattformen (z. B. Nvidia Jetson)
• Smartes Datenhandling: Echtzeit-KI zur Datenreduktion oder regulatorische Aufgaben (z. B. Anonymisierung), komplexe Analyseaufgaben im Postprocessing oder in der Cloud