Von Jaroona · Aktualisiert am 29. Oktober 2026

Punktwolken beschreiben erfasste Oberflächen durch einzelne Messpunkte. Für viele CAD- und GIS-Aufgaben werden diese Punkte zunächst Klassen wie Boden, Straßenmarkierungen, Leitplanken, Gebäudeteilen oder Vegetation zugeordnet. Maschinelles Lernen kann dabei unterstützen. Das Ergebnis hängt von Eingangsdaten, vereinbarten Objektklassen und Prüfung ab. Dieser Beitrag erläutert zwei Forschungsansätze und eine praktische Qualitätskontrolle.

PointNet++ lernt lokale geometrische Merkmale in mehreren Stufen. Nachbarschaften von Punkten werden zusammengefasst und auf größeren räumlichen Ebenen weiterverarbeitet. So verbindet das Modell lokale Details mit weiterem Kontext. Die Punktdichte realer Aufnahmen variiert mit Entfernung, Überlappung und Sensor. Die in PointNet++ beschriebenen Verfahren zur Gruppierung auf mehreren Skalen berücksichtigen solche Unterschiede.

Quelle: PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

RandLA-Net ist auf die semantische Segmentierung großer Punktwolken ausgerichtet. Zufallsstichproben reduzieren die Punktmenge. Eine lokale Merkmalsaggregation soll relevante Nachbarschaftsinformationen erhalten, die durch das Ausdünnen verloren gehen könnten. Daraus folgt keine pauschale Genauigkeits- oder Geschwindigkeitsgarantie für andere Datensätze.

Quelle: RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds

Drei Fragen sind getrennt zu prüfen:

Korrekte Klassenzuordnung allein belegt weder geometrische noch absolute Lagegenauigkeit. Externe Forschungsergebnisse gelten für die dort untersuchten Daten und Prüfbedingungen. Sie sind keine gemessenen Survey2CAD-Ergebnisse. Produktleistungen werden anhand projektspezifischer Referenzen und Abnahmekriterien bewertet.

Dieses Beispiel veranschaulicht den Ablauf; es ist kein Kundenbericht und kein Leistungsnachweis. Ausgangspunkt ist eine Straßenpunktwolke im Format E57. Vereinbart werden Objektklassen, beispielsweise Leitplanken, Markierungen und Fahrbahnränder, sowie Referenzen, Toleranzen und Prüfumfang. Die Ausgabe erfolgt im vereinbarten Umfang als DXF mit 3D-Polylinien. Im Full-Service ergänzt und prüft Jaroona die Ergebnisse. Bei KI-only übernimmt das Kundenbüro Prüfung, Ergänzung und Freigabe. Straßen sind im vereinbarten Umfang produktiv im Einsatz; Fassaden und Bahn sind die nächsten Erweiterungen derselben Plattform.

Von Jaroona

Eine Straßenpunktwolke ist noch keine Zeichnung. Zwischen Datenübergabe und abnahmefähigem CAD-Plan liegen Entscheidungen, die sich nicht von selbst aus den Daten ergeben: Was soll dargestellt werden, wie ist ein Objekt geometrisch definiert, und wer prüft welchen Schritt? Dieser Beitrag beschreibt für Vermessungsbüros einen praktischen Ablauf von der Beauftragung bis zur Abnahme. Er ist ein methodischer Leitfaden, kein Projektbericht und kein Leistungsnachweis.

Der Verwendungszweck bestimmt, was „fertig“ bedeutet. Ein Bestandsplan für eine Vorplanung stellt andere Anforderungen als eine Unterlage für die Ausführungsplanung oder ein GIS-Datensatz. Halten Sie deshalb vor Beginn schriftlich fest, wofür die Zeichnung verwendet wird, welcher Streckenabschnitt bearbeitet wird, welche Toleranzen gelten und wer die Ergebnisse freigibt. Je klarer der Zweck formuliert ist, desto besser lassen sich spätere Prüfentscheidungen begründen.

Viele Rückfragen entstehen, weil dasselbe Wort Unterschiedliches meint. Die folgenden Beispiele sind illustrativ. Sie zeigen, welche Definitionen vor der Verarbeitung vereinbart werden müssen. Es handelt sich nicht um automatisch verfügbare Funktionen.

Diese Festlegungen gehören in eine Objektliste mit Ausschlüssen: Welche Objekte werden geliefert, welche nicht? Auch Layerstruktur und Benennung der Ausgabe sollten an dieser Stelle vereinbart werden, nicht erst bei der Abnahme.

Aktuell ist der Eingang eine Punktwolke im Format E57, die Ausgabe erfolgt als DXF mit 3D-Polylinien. Weitere Formate wie LAS/LAZ oder BIM/IFC gehören derzeit nicht zum hier beschriebenen Ablauf. Zur Übergabe zählen neben der Datei auch Koordinatenreferenzsystem, Höhenbezug und Maßeinheiten. Fehler bei Einheiten oder Höhenbezug bleiben sonst oft unbemerkt, bis Plan und Örtlichkeit nicht zusammenpassen. Klären Sie außerdem, ob die Punktwolke bereits registriert und georeferenziert ist und wer dafür verantwortlich war.

Zwei Arbeitsschritte werden häufig vermischt. Die Klassifikation ordnet Punkte Klassen wie Boden, Markierung oder Leitplanke zu. Die geometrische Ableitung erzeugt daraus Linien, die in CAD weiterverwendet werden. Eine richtig klassifizierte Punktmenge ist noch keine korrekt gezeichnete Polylinie: Die Linie muss der vereinbarten Objektdefinition folgen, mit Nachbarobjekten konsistent bleiben und an Übergängen nachvollziehbar enden. Prüfen Sie beide Schritte deshalb getrennt.

Die Ausgabe erfolgt im vereinbarten Umfang als DXF mit 3D-Polylinien. Damit die Datei ohne Umbau weiterverwendet werden kann, sollte vorab feststehen:

Ein parkendes Fahrzeug verdeckt den Fahrbahnrand. In der Punktwolke fehlt dort die Information. Es gibt zwei Wege: Die Lücke wird als Lücke markiert, oder der Rand wird ergänzt. Eine Ergänzung ist nur dann vertretbar, wenn sie nachvollziehbar erfolgt und als solche gekennzeichnet wird, etwa auf einem eigenen Layer oder mit einem Vermerk. Ränder blind zu verbinden kann eine Sicherheit vortäuschen, die die Daten nicht hergeben. Dokumentieren Sie, wer eine Ergänzung nach welcher Regel vorgenommen hat.

Die erste Frage lautet, wie gut abgeleitete Linien zur Punktwolke passen. Die zweite lautet, wie gut die Koordinaten mit unabhängigen Kontrollmessungen im vereinbarten Bezugssystem übereinstimmen. Die Genauigkeit relativ zur Punktwolke sagt allein nichts über die absolute Lagegenauigkeit aus und umgekehrt. Beides wird projektbezogen mit Toleranzen und Prüfverfahren vereinbart und getrennt dokumentiert.

Im Full-Service ergänzt und prüft Jaroona die Ergebnisse im vereinbarten Umfang. Bei KI-only prüft, ergänzt und gibt das Kundenbüro die Ergebnisse frei. Welches Modell passt, hängt von Prüfkapazität, Verantwortlichkeiten und Anforderungen des Projekts ab. Entscheidend ist, dass die Zuständigkeit für Prüfung und Freigabe vor Projektbeginn schriftlich geklärt ist.

Informationen zum Leistungsumfang finden Sie auf der Seite Punktwolke zu CAD für Straßen. Fragen zu Ihrem Projekt besprechen wir gern über den Kontakt.

Von Jaroona

Bevor eine Punktwolke automatisch ausgewertet wird, lohnt sich ein strukturierter Datencheck. Die Gesamtzahl der Punkte oder die Dateigröße allein belegt keine Eignung: Eine große Datei kann an der entscheidenden Stelle lückenhaft sein, eine kleine Datei kann für den vereinbarten Zweck ausreichen. Dieser Beitrag beschreibt sechs Themen, die sich vor der Übergabe prüfen lassen. Die Beispiele sind illustrativ und keine Projektergebnisse.

Entscheidend ist nicht der Durchschnitt über die gesamte Aufnahme, sondern die Dichte dort, wo das gesuchte Objekt liegt. Die Punktdichte schwankt mit Entfernung zum Sensor, Aufnahmewinkel, Geschwindigkeit und Überlappung. Prüfen Sie deshalb auch die Verteilung: Liegen die Punkte gleichmäßig auf dem Objekt, oder konzentrieren sie sich auf einzelne Streifen? Schmale Objekte wie Markierungen oder Leitplankenkanten reagieren empfindlicher auf Lücken als großflächige Elemente. Eine universelle Mindestpunktdichte lässt sich daraus nicht ableiten; sie hängt von Objekt, Zweck und vereinbarter Toleranz ab.

Was nicht erfasst wurde, kann nicht ausgewertet werden. Illustrative Beispiele: Parkende Autos verdecken den Fahrbahnrand, Vegetation wächst vor einer Leitplanke, oder eine Markierung ist durch Verschmutzung, Abnutzung oder ungünstige Erfassungsbedingungen nur schwach sichtbar. Bei Markierungen kommt hinzu, dass die Intensität je Sensor und Erfassung variieren kann. Daraus folgt keine allgemeine Erkennungsgarantie. Verdeckte Bereiche sollten vor der Auswertung benannt und im Ergebnis als unsicher oder ergänzt gekennzeichnet werden.

Rauschen verbreitert Flächen und Kanten, Ausreißer erzeugen vereinzelte Punkte abseits der Oberfläche. Beides kann Ableitungen beeinflussen, etwa wenn aus Punkten eine Linie gebildet wird. Prüfen Sie stichprobenartig in Profilen oder Schnitten, wie scharf eine Kante in den Daten erscheint, und notieren Sie, ob eine Filterung stattgefunden hat und mit welchen Einstellungen. Eine pauschale Aussage zur erreichbaren Genauigkeit eines bestimmten Scanners ist ohne die konkrete Erfassung nicht möglich.

Werden mehrere Aufnahmen oder Fahrten zusammengeführt, muss die Überlagerung stimmen. Ein illustratives Beispiel sind Doppelkonturen: Dieselbe Kante erscheint zweimal leicht versetzt, weil zwei Aufnahmen nicht exakt zueinander passen. Automatische Verfahren können solche Doppelkonturen als zwei Objekte oder als verbreitertes Objekt behandeln. Prüfen Sie Überlappungsbereiche gezielt und dokumentieren Sie, wie registriert wurde.

Klären Sie vor der Auswertung Koordinatenreferenzsystem, Höhenbezug und Maßeinheiten. Diese Angaben gehören zur Übergabe. Sie entscheiden darüber, ob die Ergebnisse später mit anderen Planungs- oder GIS-Daten zusammenpassen. Die absolute Lagegenauigkeit lässt sich nur anhand unabhängiger Kontrollmessungen beurteilen; eine saubere Klassifikation ersetzt diese Kontrolle nicht.

Legen Sie fest, welche Objekte ausgewertet werden und wie sie geometrisch definiert sind, beispielsweise Oberkante oder Fußpunkt einer Leitplanke. Wählen Sie anschließend repräsentative Testbereiche, die einfache und schwierige Situationen enthalten: freie Abschnitte ebenso wie verdeckte Ränder, wechselnde Beläge oder Bereiche mit Vegetation. Ein Test nur auf besonders sauberen Abschnitten sagt wenig über das Verhalten im restlichen Datensatz.

Die folgende Tabelle ist eine illustrative Orientierung. Welche Auswirkungen tatsächlich auftreten, hängt von Daten, Objektdefinition und Toleranz ab.

Für jeden Abschnitt wird projektspezifisch entschieden, ob er brauchbar ist, zu klären ist oder eine Nachaufnahme nötig ist. Diese Einstufung ist eine fachliche Entscheidung im Projekt und keine automatische Freigabe.

Die folgenden Quellen behandeln luftgestützte LiDAR-Erfassung in ihren jeweiligen Programmen. Sie illustrieren Qualitätsdimensionen wie Dichte, Abdeckung, Genauigkeit und Dokumentation. Ihre Grenzwerte sind keine pauschalen Anforderungen für mobile Straßenpunktwolken oder für Survey2CAD.

Von Jaroona

Ob KI-gestützte Auswertung Zeit spart, lässt sich nicht aus allgemeinen Zahlen ableiten. Es hängt von Daten, Objektdefinitionen, Qualitätsanforderungen und der Arbeitsweise im jeweiligen Büro ab. Dieser Beitrag ist ein methodischer Leitfaden für ein eigenes Pilotprojekt. Er enthält keine gemessenen Ergebnisse und kein Leistungsversprechen. Die vorgeschlagene Methodik ist eine eigene Empfehlung, kein standardisierter Benchmark.

Wählen Sie einen repräsentativen Abschnitt, der einfache und schwierige Bereiche enthält, etwa freie Streckenabschnitte ebenso wie Verdeckungen, Vegetation oder wechselnde Beläge. Ein Pilot nur auf besonders sauberen Daten liefert ein zu günstiges Bild, ein Pilot nur auf Problemstellen ein zu ungünstiges.

Ein fairer Vergleich setzt voraus, dass manuelle und KI-gestützte Methode dasselbe Ergebnis liefern sollen. Vereinbaren Sie vorab:

Dokumentieren Sie außerdem Vertrautheit und Lerneffekt: Wer den Abschnitt zuerst manuell bearbeitet, kennt ihn bei der zweiten Methode bereits. Auch eine einmalige Einrichtung, etwa für Abstimmung, Schulung oder Konfiguration, sollte getrennt ausgewiesen werden, damit sie nicht untergeht und nicht jedem späteren Abschnitt zugerechnet wird.

Parallel laufende Zeiten dürfen nicht doppelt addiert werden. Läuft eine Berechnung, während Mitarbeitende andere Aufgaben erledigen, zählt die Maschinenzeit nicht als Personalzeit.

Die folgende Tabelle ist eine ausfüllbare Vorlage zum Eintragen Ihrer eigenen Werte, keine interaktive Funktion.

Erfassen Sie zusätzlich getrennt: Maschinenlaufzeit (eintragen) und Gesamtdurchlauf in Kalendertagen (eintragen), jeweils für beide Methoden.

Personalzeitersparnis in Prozent = (manuelle Personalstunden − KI-gestützte Personalstunden) ÷ manuelle Personalstunden × 100.

Die Formel ist nur anwendbar, wenn die manuellen Personalstunden größer als null sind. Das Ergebnis kann negativ sein. Ein negativer Wert bedeutet, dass die KI-gestützte Methode im Pilot mehr Personalzeit benötigt hat, etwa wegen Einrichtung, Prüfung oder Nacharbeit. Auch dieses Ergebnis ist ein verwertbares Ergebnis des Piloten.

Für den Kostenvergleich zählen interne Vollkosten und tatsächlich angefallene Lizenz- oder Dienstleistungskosten. Beachten Sie dabei:

Zeit allein ist keine Aussage über den Nutzen. Berichten Sie parallel Qualität, Vollständigkeit, Fehlklassifikationen, eingehaltene oder überschrittene Toleranzen und den Korrekturbedarf. Eine schnellere Methode mit hohem Nacharbeitsaufwand oder unvollständigem Ergebnis ist nicht ohne Weiteres günstiger. Für die Bewertung von Genauigkeit kann ergänzend der anwendungsbezogene Rahmen der ASPRS Positional Accuracy Standards herangezogen werden. Das ist keine Zertifizierung und keine Aussage über Survey2CAD.

Legen Sie die Entscheidungskriterien vor dem Piloten fest, beispielsweise zu Qualität, Personalaufwand, Prüfbarkeit und Kosten. Entscheiden Sie erst danach anhand der erfassten Werte. Übertragen Sie das Verfahren auf weitere Abschnitte erst nach dieser Prüfung, denn ein Ergebnis auf einem Abschnitt gilt nicht automatisch für andere Daten oder Projekte.