3D-Objekterkennung in LIDAR-Punktwolken

Ziel: Eine genaue automatische Klassifizierung und Verortung von Infrastruktur-Objekten ist für die Planung von Eisenbahninfrastrukturen von großem Vorteil. Mit der heutigen Lösung auf Basis von 2D-Videodaten ist bereits eine automatische Erkennung möglich, die Verortung bzw. automatische Vermessung der erkannten Objekte ist jedoch noch nicht hinreichend genau, sodass eine manuelle Nachbearbeitung notwendig ist. Mittels hochgenauer LiDAR-Scanner und den resultierenden Punktwolken soll die Genauigkeit bestehender Produkte der SIGNON zukünftig verbessert werden.

Objekterkennung in 3D
Es sollen Ansätze untersucht werden, die Objekte der Eisenbahninfrastruktur direkt im 3D Raum der Punktwolke zu erkennen, anstatt wie bisher in 2D Videos. Generell gibt es 3 Möglichkeiten Objekte in 3D zu erkennen:
i. Objekterkennung in Punkwolken
ii. Transformation Punktwolke zu Voxel => 3D Objekterkennung
iii. Objekterkennung in Projektionen der Punktwolke
Herausforderungen sind zum einen die große Menge an Eingangsdaten und die Anforderungen an die Ausführung der größeren Deep-Learning Modelle für solche 3D Aufgabenstellungen. Da die Punktwolken einen längeren Korridor entlang des Befahren Gleises abbilden, muss dieser Korridor vermutlich in genügend kleine Unterabschnitte aufgeteilt werden, auf denen
dann die Erkennung ausgeführt werden kann. Es können z.B. bei der SIGNON verfügbaren CAD-Tools genutzt werden, die bereits Bereiche wie ‚Boden‘ oder ‚Gebäude‘ segmentieren können. Diese Bereiche könnten von der Analyse ausgeschossen werden.
Es soll zunächst recherchiert werden, welche Ansätze sich für diesen Einsatzzweck am besten eignen und welche Vorverarbeitungen oder Einschränkungen des Erkennungsbereiches sinnvoll sind. Ebenso ist auszuwerten, welche Vorteile eine 3D Segmentierung gegenüber der einfachen Bestimmung einer 3D-Bounding-Box hat.
Es ist ein geeigneter Ansatz auszuwählen und innerhalb dieser Arbeit als Proof-of-Concept umzusetzen.