Machbarkeitsstudie zur Erzeugung von klassifizierten 3D Modellkarten aus 3D Punktwolken für die Befahrbarkeitsanalyse von Engstellen für Großraum- und Schwertransporte "pointCloud2Model"

Abstract

Im Kontext der steigenden Bedeutung erneuerbarer Energien und der damit verbundenen Anforderungen an Schwertransportgenehmigungen in Deutschland besteht die Herausforderung in der effizienten Planung und Durchführung von Transporten. Insbesondere bei Transporten von Windkraftanlagenflügeln kommt es zu immer längeren Transportabmessungen, für die die bestehende Verkehrsinfrastruktur und Bebauung zur Herausforderung wird. Daher ist zur Durchführung eines Transportes eine Ausnahmegenehmigung notwendig. Für die Erlangung dieser Erlaubnis ist unter anderem die Befahrbarkeit kritischer Engstellen entlang der Route nachzuweisen, die den ressourcen- und zeitaufwändigsten Prozessschritt darstellt. Der zukünftige Bedarf an schnellen Planungsprozessen für GST allein im Sektor erneuerbarer Energien wird mit herkömmlichen Methoden kaum zu bewältigen sein, wodurch digital automatisierte Planungsverfahren benötigt werden. Im Zuge vorangegangener Forschungsaktivitäten wurde an der TH Köln ein Simulationstool entwickelt, welches 3D Kollisionsüberprüfungen mit 3D Umgebungsmodellen ermöglicht. Das Simulationstool weist Automatisierungspotential auf. Kritische Engstellen lassen oftmals nur wenige Zentimeter Manövrierraum zu, wodurch eine iterative Pfadplanung erforderlich ist, die aufgrund manueller Durchführung zeit- und ressourcenaufwändig ist. Dadurch ergibt sich als langfristiges Ziel die 3D Befahrbarkeitsanalyse für GST vollständig zu automatisieren. Dafür sind in einem ersten Schritt Umgebungsmodelle durch semantische Segmentierung zu veredeln. Diese ermöglicht die Abschätzung des Schweregrades einer potenziellen Kollision, wodurch sich Iterationsschritte der manuellen Pfadplanung reduzieren lassen. Die Innovation besteht in der Konzeptionierung und Implementierung einer prototypischen Datenverarbeitungspipeline, welche mittels Deep-Learning-Verfahren und anderer Methoden effizientere und informativere Umgebungsrepräsentationen für Punktwolken aus verschiedenen Vermessungsverfahren liefert. Diese sollen bereits bei aktuellen Methoden und Verfahren prozessbeteiligte Akteure erste Unterstützungen und Entlastungen bieten. Zukünftig soll in einem Folgeprojekt über den Informationsgewinn durch die semantische Segmentierung eine automatische Pfadplanung im Rahmen der 3D Befahrbarkeitsanalyse realisiert werden. Bezüglich der semantischen Segmentierung wird sich zeigen, dass die Datenverarbeitungspipeline bereits für Mobile Mapping und Drohnendaten verwertbare Umgebungsmodelle mit größtenteils zutreffenden Klassifizierungen liefert. Zusätzlich wird die prinzipielle Nutzbarkeit offener ALS-Daten nachgewiesen. Diese sind aber aufgrund ihrer Beschaffenheit nur eingeschränkt nutzbar und deutlich hinsichtlich ihrer Segmentierungsgüte fehlerbehafteter als andere Datenquellen. Aufgrund ihres wirtschaftlichen Potentials wird empfohlen zukünftig die Nutzbarkeit offener ALS-Daten im Kontext der Engstellenüberprüfung weiter zu untersuchen und in diese Richtung zu entwickeln. Mit RandLA-Net wird ein performantes Netzwerk für die semantische Segmentierung gefunden, welches sich für Daten aller Vermessungsverfahren eignet. Auch wenn die Klassifizierungsergebnisse bereits verwertbar sind, sollte in Zukunft versucht werden, die Klassifizierungsgüte weiter zu maximieren. Dafür sollten zukünftig auch neuere Netzwerke wie Superpoint Transformer berücksichtigt werden, die im Rahmen des Projektes aus Zeitgründen noch nicht vollständig untersucht werden konnten. Hinsichtlich der Generierung von 3D Modellkarten stellen sich einfache Modelle aus Flächen für Bodenpunkte und unterschiedlich großen Voxeln für Nichtbodenpunkte als optimal heraus. Für die Generierung werden entsprechende Algorithmen in die prototypische Datenverarbeitungspipeline implementiert. Zusätzlich wird ein technisch schlankes Mobile Mapping System entwickelt, das für einen Großteil von Engstellen kosteneffizient einsetzbar ist. Ergänzend wird eine Punktwolkenrekonstruktionspipeline entwickelt, die durch eine Fusionslösung von INS-Daten, SLAM und Filterverfahren auf Basis semantischer Segmentierung, die Rekonstruktion von Punktwolken aus den MMS-Daten ermöglicht. Im Rahmen von Befahrbarkeitsanalysen unter Verwendung der semantisch segmentierten Punktwolken, wird deren Potential und Mehrwert hinsichtlich schnellerer manueller Pfadplanung und Ableitung von Ausbaumaßnahmen im Rahmen der Planung und Durchführung der Befahrbarkeitsanalyse erfolgreich demonstriert. Es resultieren erste vielversprechende Prototypen, Verfahren und Programme, die weitere Automatisierungen im Prozess erlauben und sich im Rahmen weiterer Forschung und Entwicklung in Produkte überführten lassen.