Punktwolken aus Autobahnscans automatisch klassifizieren: von Wochen Handarbeit auf Stunden

Mobile Mapping liefert Bestandsdaten in einer Genauigkeit, für die früher eine Vermessung im Gelände nötig war. Der Engpass liegt danach: Eine Punktwolke ist zunächst eine Menge von Koordinaten ohne Bedeutung. Erst die Klassifikation macht aus Punkten Straße, Markierung, Schild oder Vegetation – und damit eine Grundlage für Bestandspläne, Zustandsbewertung und Planung.

Diese Zuordnung von Hand vorzunehmen, ist bei mehreren Kilometern Autobahn ein Projekt für sich. Und es ist ein Projekt, das sich mit jedem neuen Scan wiederholt: Dieselbe Arbeit fällt beim nächsten Streckenabschnitt erneut an.

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 wurde mit einem Trimble MX9 mit eingebauten Riegl-Scannern; die Erfassungsgenauigkeit liegt bei ±1 cm, neben der Geometrie liegen Intensitätswerte und die umgebende Bebauung vor.

Die Trainingsdaten sind in Pointly entstanden: Mehrere Autobahnkilometer wurden dort von Hand klassifiziert, um dem Netz eine Referenz zu geben.

Die Klassendefinition entscheidet über das Ergebnis, nicht das Netz. Bevor ein Modell trainiert werden kann, muss der Klassenkatalog drei Bedingungen erfüllen: Vollständigkeit – jeder Punkt muss einer Klasse zugeordnet werden können, es darf keinen Rest geben. Eindeutigkeit – kein Punkt darf zu zwei Klassen passen. Repräsentativität – jede Klasse muss im Trainingsmaterial ausreichend häufig vorkommen. Ein Katalog, der eine dieser Bedingungen verletzt, erzeugt ein Modell, das in der Fläche unbrauchbar ist, und der Fehler fällt erst nach dem Training auf.

Festgelegt wurden Straße, Straßenmarkierung, Boden, Vegetation, Schienen, Schilder und Fahrzeuge.

Straße ist nicht gleich Asphalt. Die schwierigste Unterscheidung war die zwischen der Fahrbahn und anderen asphaltierten Flächen – etwa Parkplätze, Zufahrten, Seitenstreifen. Geometrisch und in der Reflexionsintensität sind sie kaum zu trennen. Was sie unterscheidet, ist die Funktion, und die steht nicht im Punkt, sondern im Zusammenhang.

Manuell klassifizieren, wo es den größten Hebel hat. Statt die gesamte Strecke zu annotieren, wurden mehrere Kilometer in Pointly von Hand klassifiziert – ausgewählt danach, dass alle Klassen ausreichend vertreten sind. Die Selektionswerkzeuge der Plattform verkürzen diesen Schritt von Wochen auf Tage.

Vortrainiertes 3D-Netz feinjustieren. Wir haben nicht von null trainiert, sondern ein vortrainiertes neuronales 3D-Netz an die vorliegenden Daten und den definierten Klassenkatalog angepasst. Das senkt den Bedarf an annotierten Daten erheblich.

Parallele Verarbeitung in der Cloud. Die Klassifikation läuft parallelisiert in einer Cloud-Umgebung. Erst damit ist die Auswertung mehrerer Kilometer in Stunden möglich – auf einer einzelnen Maschine bleibt es eine Frage von Tagen.

Das trainierte Netz klassifiziert bestehende Punktwolken innerhalb weniger Stunden mit hoher Präzision. Für künftige Scans derselben Art entfällt die manuelle Arbeit nahezu vollständig – der Aufwand verschiebt sich von der Klassifikation zur Prüfung.

Das eigentliche Ergebnis ist damit nicht die klassifizierte Punktwolke, sondern ein wiederverwendbares Modell: Der nächste Streckenabschnitt beginnt nicht wieder bei null. Die Modelle werden über die Pointly-Plattform verfügbar gemacht.

In einem Folgeprojekt mit der Bayerischen Staatsbauverwaltung wurden die klassifizierten Punktwolken außerdem genutzt, um Straßenumrisse als 3D-Polylinien zu extrahieren und daraus automatisch CAD-Modelle zu erzeugen.

Der Ablauf – Klassenkatalog nach Vollständigkeit, Eindeutigkeit und Repräsentativität definieren, gezielt einen kleinen Teil annotieren, ein vortrainiertes Netz feinjustieren, parallel in der Cloud auswerten – trägt über die Autobahn hinaus: Schienenwege, Leitungstrassen, Innenräume, Industrieanlagen, Vegetationsmonitoring an Infrastruktur. Überall dort, wo laufend neue Scans desselben Typs anfallen, ist das Modell die Investition und nicht die einzelne Auswertung. Solche Vorhaben setzen wir heute gemeinsam mit unserem Schwesterunternehmen Pointly als Technologiepartner um.

Am Grundaufbau würde sich nichts ändern, an den Bausteinen einiges. Bei der Architektur treten Transformer-basierte Punktwolkenmodelle und Sparse-Convolution-Verfahren an die Stelle älterer 3D-Netze; sie erfassen den räumlichen Zusammenhang über größere Distanzen, was genau bei der Unterscheidung von Fahrbahn und sonstigem Asphalt hilft. Bei der Annotation kommt promptbare Vorsegmentierung zum Einsatz: Ein Modell schlägt Objekte vor, die Fachperson korrigiert – das verkürzt den manuellen Teil noch einmal deutlich. Und die Datenhaltung würden wir cloud-nativ aufsetzen, mit Cloud-Optimized Point Cloud und PDAL, sodass ein Scan nicht mehr vollständig geladen werden muss, um einen Abschnitt auszuwerten. Was gleich geblieben ist: Der Klassenkatalog ist die eigentliche fachliche Arbeit. Kein Modell repariert eine Klassendefinition, die nicht vollständig, eindeutig und repräsentativ ist.