Gutes Training ist alles

Die Potsdamer Firma Point Cloud Technology (PCT) nutzt KI-AnsĂ€tze fĂŒr die Auswertung von 3D-Punktwolken. Dabei werden immer wieder neueste ForschungsansĂ€tze zusammen mit dem Hasso-Plattner-Institut (HPI) entwickelt und erprobt.

Ob ein Verkehrsschild an der Straßenkreuzung, ein neu errichtetes GebĂ€ude oder ein Signalmast an einer Eisenbahnstrecke: Bei der Bestandsvermessung mit Hilfe von 3D-Punktwolken können verschiedenste Objekte erkannt und klassifiziert werden. Grundlage dafĂŒr sind per 3D-Laserscanning beziehungsweise photogrammetrischer Messmethoden erfasste DatensĂ€tze – was heutzutage per Drohne, Mobile Mapping oder flugzeugbasierten Verfahren zum Standard in der modernen Vermessung gehört.

Doch fĂŒr die Identifikation und Klassifikation dieser Objekte war bisher ein aufwĂ€ndiges und oft manuell durchgefĂŒhrtes Verfahren notwendig. Zwar haben sich erste AnsĂ€tze KI-basierter Analysen etabliert, doch diese erfordern meist eine aufwĂ€ndige Vorprozessierung der Originaldaten und orientieren sich an sogenannten Heuristiken. Am HPI verfolgt man indes einen anderen Ansatz. Dieser wird mit den Begriffen von Deep Learning (DL) beziehungsweise Maschine Learning (ML) umschrieben und hat die Besonderheit, dass die FunktionalitĂ€ten immer anhand eines Trainingsdatensatzes erprobt werden und dann im jeweiligen Anwendungsfall am realen Datensatz zur Anwendung kommen. Großer Unterschied ist dabei, dass bei dem DL/ML-Ansatz immer die originalen Rohdaten herangezogen werden, ohne diese vorverarbeiten zu mĂŒssen.

Training an echten DatensÀtzen

DL/ML-AnsĂ€tze werden oft im Umfeld von Sprach- oder Textanwendungen erforscht. Eine der wesentlichen Leistungen am HPI ist es, diese fĂŒr den Anwendungsfall von großen 3D-Punktwolken zu adaptieren, also einem inzwischen typischen Set an Geodaten, die per 3D-Laserscanning oder seit einigen Jahren auch via Photogrammetrie gewonnen werden. Die Grundannahme dabei: Je hĂ€ufiger die Algorithmen trainiert werden und je unterschiedlicher die DatensĂ€tze, die dabei genutzt werden, desto besser die Ergebnisse“, sagt Dr. Rico Richter, GeschĂ€ftsfĂŒhrer von PCT. Ein konkretes Beispiel bei der Identifikation von Infrastrukturelementen aus 3D-Punktwolken von StĂ€dten habe zum Beispiel gezeigt, dass die Algorithmen besser werden, wenn sie auf zwei DatensĂ€tzen verschiedener StĂ€dte trainiert werden – und zwar fĂŒr beide StĂ€dte gleichermaßen. Nutzt man nur einen Trainingsdatensatz, kommen bei gleichem Zeitaufwand schlechtere Ergebnisse dabei heraus. Dies stellt gewissermaßen einen ersten Praxiserfolg der Forschung dar, denn bisher ging man bei KI-Methoden eher davon aus, dass man fĂŒr einen speziellen Anwendungsfall jeweils auch ein optimales Training entwickeln musste.

3D-Punktwolke eines Mobile-Mapping Scans klassifiziert in Objekte. Foto: Point Cloud Technology GmbH

In der Forschung werden solche AnsĂ€tze auch unter dem Begriff GeoAI zusammengefasst; er bezeichnet die Anwendung von DL/ML, Data-Mining und High-Performance-Computing, um aus den Geodaten Wissen und Erkenntnisse zu gewinnen. Nun sind 3D-Punktwolken ungeordnete Daten, sie haben weder (hierarchische) Struktur noch besitzen sie semantische Informationsbestandteile. Der PCT-Ansatz sieht dies nicht als SchwĂ€che, sondern im Gegenteil als StĂ€rke. „Die reine Datenmenge und die Detaillierung der Einzelpunkte beinhalten ein Maximum an potenzieller Information, die mit den Mittel der GeoAI gehoben werden kann“, beschreibt Richter. Auch wenn 3D-Punktwolken oft auch inhomogen und fehlerbehaftet sind.

Einzelne Funktionen der GeoAI

Die Leistung von PCT liegt also darin, den Algorithmus „im Training“ so fit zu machen, dass er dann im „Wettkampf“, spricht bei der Anwendung der originĂ€ren DatensĂ€tze, einen effektiven, zuverlĂ€ssigen und fehlerfreien Auswerteworkflow als Ergebnis vorweisen kann. Ziel ist es, dass Trainingssystem weiter zu optimieren, um so verschiedene generisch anwendbare Algorithmen fĂŒr die unterschiedlichen Anwendungen zu definieren – also beispielsweise einen fĂŒr die Bestimmung der Vegetation, einen fĂŒr Verkehrsschilder, oder einen fĂŒr die Erkennung von Signalinfrastruktur bei Schienentrassen.

„Wir fungieren dabei fĂŒr unsere Kunden gewissermaßen als Entwicklungspartner“, so Richter. Das Unternehmen fĂŒhrt die Analysen im eigenen Hause durch, die Kunden profitieren davon, dass PCT das Auswertungs-Know-how innerhalb der Algorithmen ausbaut. PCT greift dabei auf eine IT-Infrastruktur fĂŒr High-Performance-Computing zurĂŒck, die gewissermaßen die Kaderschmiede fĂŒr KI-Standardapplikationen der Zukunft darstellt.

Konkret werden bei dem DL/ML-Ansatz verschiedene FunktionalitĂ€ten entwickelt. Bei der Klassifizierung der einzelnen Punkte werden einzelne, oft flĂ€chenbezogene Attribute zugefĂŒgt, etwa die lokale Dichte, Verteilung und Anordnung der Punkte in der lokalen Umgebung. Bei der Segmentierung und Objekterkennung können sinnvolle Bereiche der Punktwolke herausgelöst wer-den, da die Segmentierung neben geometrischen auch semantische Kriterien aus den Trainingsdaten heranziehen kann. Auch fĂŒr die Formerkennung spielen die neuronalen Netzwerke des DL/ML-Ansatzes eine entscheidende Rolle. Dabei kombinieren sie 2D- und 3D-orientierte Analysen, indem sie Formen aus verschiedenen „Sichten“ betrachten und so die Ergebnisse optimieren.

Zusammengenommen ermöglichen die FunktionalitĂ€ten eine automatisierte Objektklassifikation, die mit typischen 3D-Punktwolken im Bereich geografischer Analysen hohes Potential be-sitzt, etwa beim Mobile Mapping (Bilder oben) oder auch bei Innenraumaufnahmen (Bild unten). „Damit schaffen wir es, generische Analysekomponenten zu realisieren, die fĂŒr verschiedenste Anwendungen mit unterschiedlichen DatensĂ€tzen hochwertige Ergebnisse liefern“, so Richter. Dabei werden die Analysen jeweils fĂŒr den originĂ€ren Datensatz der Anwendung konfiguriert. Dieser Service, den PCT durchfĂŒhrt, ist beliebig skalierbar und kann somit auf DatensĂ€tzen beliebiger GrĂ¶ĂŸenordnung durchgefĂŒhrt werden. „Da die Rechenleistung fĂŒr die Anwendung je nach Bedarf angepasst werden kann, liegen die Ergebnisse oft nahezu in Echtzeit vor, weshalb wir beispielsweise bereits Anwendungen mit Bedarf an tagesgenauen Auswertungen durchfĂŒhren konnten“, beschreibt Richter. (sg)

www.pointcloudtechnology.com

 

3D-Punktwolke eines Mobile-Mapping Scans klassifiziert in Objekte. Foto: Point Cloud Technology GmbH