Von der Punktwolke zum CAD-Modell: ausgezeichnet mit dem Geospatial World Excellence Award

Ein CAD-Modell ist das Format, in dem Bestandsdaten planerisch nutzbar werden. Der Weg dorthin führt über eine Vermessung, heute meist über mobile Laserscans – und dann über die manuelle Übertragung der Punktwolke in Vektorgeometrie.

Dieser letzte Schritt ist der teuerste. Er bindet Arbeitszeit qualifizierten Vermessungspersonals, erfordert entsprechende Software und Infrastruktur, und er skaliert nicht: Die doppelte Streckenlänge kostet doppelt so viel. Genau deshalb werden Bestandsdaten seltener erhoben, als es fachlich sinnvoll wäre.

Hochauflösende Mobile-Mapping-LiDAR-Scans zweier deutscher Autobahnen, bereitgestellt von der Cloud-Vermessung + Planung GmbH, die das Straßennetz für die Bayerische Staatsbauverwaltung vermessen hat, erfasst mit einem Trimble MX9 mit eingebauten Riegl-Scannern.

Entscheidend war die zweite Quelle: die von Hand erstellten CAD-Modelle derselben Abschnitte, mit 3D-Polylinien. Sie sind nicht Beiwerk, sondern die Referenz, an der das Modell lernt – und sie enthalten mehr als Geometrie.

Das Modell muss eine Konvention lernen, nicht eine Form. Die zentrale Schwierigkeit: Objekte werden in CAD-Modellen unterschiedlich dargestellt und sind durch menschliches Vorwissen angereichert. Ob eine Fahrspur als linke, mittlere oder rechte geführt wird, ergibt sich nicht aus ihrer Geometrie, sondern aus dem Zusammenhang – aus Fahrtrichtung, Anzahl der Spuren und der Zeichenkonvention des Betriebs.

Ein Modell, das nur Geometrie lernt, erzeugt technisch korrekte Linien mit falschen Attributen. Das ist der Unterschied zwischen einer Punktwolke, die aussieht wie ein CAD-Modell, und einem CAD-Modell, mit dem geplant werden kann.

Genauigkeit unterhalb eines Zentimeters. Fahrbahnränder und Markierungen sind die Bezugsgeometrie für alles, was darauf aufbaut. Eine Abweichung von wenigen Zentimetern macht das Ergebnis für die Planung unbrauchbar.

Vortrainiertes 3D-Netz auf die Referenzmodelle trainieren. Grundlage ist ein vortrainiertes neuronales 3D-Netz, feinjustiert auf die Punktwolken und die zugehörigen manuell erstellten CAD-Modelle. Damit lernt das Netz nicht nur, wo eine Kante liegt, sondern wie sie im Modell geführt wird.

Modulare Pipeline in Microsoft Azure. Die Verarbeitung ist modular aufgebaut und lässt sich durch zusätzliche Worker skalieren. Das ist die Voraussetzung dafür, dass aus einem Streckenabschnitt ein Straßennetz werden kann, ohne die Architektur anzufassen.

Auf der Klassifikation aufsetzen. Das Verfahren baut auf der automatischen Klassifikation der Punktwolken auf: erst die semantische Zuordnung, dann die Vektorisierung. Beide Schritte in einem Modell zu lösen, wäre schwerer zu prüfen und schwerer zu korrigieren.

Die Erkennung der Straßenumrisse und die CAD-Generierung erreichen Sub-Zentimeter-Genauigkeit. Manueller Aufwand und Kosten sinken für die Bayerische Staatsbauverwaltung erheblich; größere Streckenabschnitte lassen sich in einem Bruchteil der Zeit erfassen, und die Fehler, die bei stundenlanger manueller Nachzeichnung entstehen, entfallen.

Der Geospatial World Excellence Award 2021 in der Kategorie Excellence in Transport Infrastructure hat das Projekt ausgezeichnet – eine Bewertung durch Dritte, nicht eine Eigenaussage.

Die Aufgabe – aus einer Punktwolke Vektorgeometrie erzeugen, die einer fachlichen Zeichenkonvention entspricht – ist dieselbe bei Schienenwegen, Leitungsnetzen, Kanalbauwerken und in der Bestandserfassung von Gebäuden. Der übertragbare Teil ist die Erkenntnis, dass die manuell erstellten Bestandsmodelle nicht Altlast sind, sondern der wertvollste Trainingsdatensatz im Haus: In ihnen steckt das Konventionswissen, das sonst nirgends dokumentiert ist. Solche Vorhaben setzen wir heute gemeinsam mit unserem Schwesterunternehmen Pointly als Technologiepartner um.

Der Bedarf hat sich verschärft, weil Bestandsdaten heute nicht mehr nur als CAD-Modell gebraucht werden. Wo BIM-Anforderungen für Verkehrsinfrastruktur gelten, ist das Ziel ein Bauwerksinformationsmodell mit Attributen und Beziehungen, nicht eine Sammlung von Polylinien – die Ausgabe würden wir deshalb heute auf offene BIM-Formate ausrichten und nicht allein auf CAD. Technisch sind Transformer-basierte Punktwolkenmodelle an die Stelle älterer 3D-Architekturen getreten, und für die Vektorisierung selbst existieren inzwischen Verfahren, die Polylinien direkt vorhersagen, statt sie aus einer Segmentierung nachzuziehen. Die Pipeline würden wir cloud-nativ auf Cloud-Optimized Point Cloud aufsetzen, damit ein Abschnitt ohne vollständiges Laden des Scans verarbeitet werden kann. Unverändert gilt: Die Qualität hängt an den Referenzmodellen. Wer keine sauber gezeichneten Bestandsmodelle hat, kann keine Konvention lernen lassen.