Ein bestehender Kundenauftrag läuft; Straßenauswertungen wurden bereits ausgeliefert.

Mobile Mapping und LiDAR erfassen Straßen schnell, präzise und mit hoher Punktdichte. Der eigentliche Aufwand beginnt danach: Aus Milliarden Messpunkten müssen geometrische Elemente für CAD, GIS und Bestandsdokumentation abgeleitet werden. Unsere KI automatisiert diesen Prozess – reproduzierbar und kontrollierbar.

Eine Punktwolke bildet die Realität detailgetreu ab, für einen Vermessungsplan werden jedoch klar definierte geometrische Elemente benötigt: ein Straßenrand als Linie, eine Leitschiene als zusammenhängendes Objekt, eine Böschung mit oberer und unterer Begrenzung sowie Bodenmarkierungen als Linien oder Flächen. Unsere KI analysiert die dreidimensionale Geometrie, klassifiziert relevante Strukturen und erzeugt daraus zusammenhängende, vermessungstechnisch nutzbare Geometrien, wodurch der manuelle Aufwand für Digitalisierung, Nachzeichnung und Strukturierung erheblich sinkt.

Nicht jedes Objekt besitzt in einer Punktwolke dieselben geometrischen Eigenschaften. Eine Leitschiene unterscheidet sich grundlegend von einer Fahrbahnmarkierung oder einer Böschung. Unsere Lösung kombiniert deshalb Machine Learning, 3D-Geometrieanalyse und regelbasierte Nachbearbeitung – je nach Objektklasse werden unterschiedliche Merkmale wie Höhenunterschiede, lokale Neigungen, Normalenvektoren und räumliche Kontinuität ausgewertet.

Leitschienen besitzen charakteristische Höhen, Querschnitte und lineare Verläufe. Unsere KI erkennt diese Strukturen innerhalb der Punktwolke anhand ihrer dreidimensionalen Geometrie und rekonstruiert daraus eine definierte Referenzlinie. Auch Betonleitwände und andere Rückhaltesysteme können als eigene Objektklassen behandelt werden – die Ausgabe erfolgt stets als zusammenhängende CAD- oder GIS-Geometrie.

Sind Intensitätswerte aus dem LiDAR-System oder geeignete Bilddaten verfügbar, können auch Fahrbahnmarkierungen automatisiert erkannt werden. Geometrie und Reflexions- beziehungsweise Bildinformation werden dabei kombiniert, um zuverlässige Erkennungsergebnisse zu erzielen. Das Resultat sind CAD-fähige Linien oder Flächen mit definierter Objektklasse, die unmittelbar in bestehende Planungs- und GIS-Prozesse integriert werden können.

In Entwicklung – Bruchkanten ab Q2 2027, Geländemodell ab Q3 2027

Böschungen können erhebliche manuelle Auswertungsarbeit verursachen. Unsere Lösung analysiert lokale Höhenänderungen, Neigungen, Normalenvektoren und die dreidimensionale Geländeform. Aus den erkannten Bereichen werden kontinuierliche Linienzüge erzeugt – präzise und ohne aufwendiges manuelles Nachzeichnen.

Ab Q3 2027 bzw. 2028 – Ausstattung

Der Verarbeitungsprozess ist weitgehend automatisiert, mit fachlicher Prüfung – nachvollziehbar und reproduzierbar. Jeder Schritt kann dokumentiert und für die Qualitätssicherung genutzt werden.

Auf Anfrage

Bei langen Straßenabschnitten ist nicht nur wichtig, welches Objekt erkannt wurde, sondern auch wo entlang der Strecke es liegt. Unsere Verarbeitung kann erkannte Linien deshalb automatisch in definierte Streckenabschnitte unterteilen – mit frei wählbarer Segmentlänge von 10, 12,5, 25 Metern oder projektspezifisch. Jedes Segment erhält eine eigene ID und Attribute für GIS, Inventarisierung und Asset Management.

Reale Straßennetze sind komplex. Kreuzungen, Einfahrten, Seitenstraßen, Verkehrsinseln oder dicht nebeneinanderliegende Objekte können zu Mehrdeutigkeiten führen. Unsere Verarbeitung betrachtet deshalb nicht ausschließlich einzelne Punkte – die KI berücksichtigt immer auch den räumlichen Kontext.

Die Qualität des Ergebnisses hängt wesentlich von den Eingangsdaten ab. Eine KI kann fehlende Messinformationen oder ungenaue Georeferenzierung nicht ersetzen. Wir unterscheiden deshalb klar zwischen der Messgenauigkeit der Punktwolke und der Abweichung der daraus abgeleiteten Geometrie (Ableitungsabweichung). Die Punktwolke bleibt die geometrische Referenz. Die angestrebte Ableitungsabweichung von 5 cm ist ein projektabhängiges Ziel relativ zur Punktwolke – keine pauschale Zusage und keine Aussage über die absolute Messgenauigkeit.

Auffällige Bereiche werden automatisch markiert. Die Prüfung konzentriert sich risikobasiert auf Stellen mit tatsächlicher Unsicherheit, ergänzt um vereinbarte Stichproben.

Eine Objektklasse geht erst in Produktion, wenn sie das Freigabeziel von 90 % KI-Reife erreicht und die vereinbarten Qualitätskriterien erfüllt. Die 90 % KI-Reife beschreiben den Anteil der bewerteten Referenz-Elementlänge, der innerhalb der vereinbarten Toleranz ohne Nacharbeit übernommen werden kann. Es handelt sich dabei nicht um einen Genauigkeits- oder Vollständigkeitswert.

Vor Projektbeginn werden Referenz, Objektklassen, Testumfang und Toleranz gemeinsam definiert. Vollständigkeit und Fehlklassifikation werden separat gemessen. Fehlende Messpunkte und Abschattungen sind Grenzen der Methode; interpolierte Geometrie wird entsprechend gekennzeichnet.

Unser Ziel ist nicht, den Vermesser zu ersetzen. Die KI übernimmt vor allem repetitive und zeitintensive Digitalisierungsarbeit, während die vermessungstechnische Verantwortung vollständig erhalten bleibt.

Die KI übernimmt die Verarbeitung, die fachliche Verantwortung bleibt beim Menschen. So läuft die Qualitätssicherung ab:

Heute liefern wir DXF mit 3D-Polylinien im vereinbarten Objektumfang. Layerstruktur, Attributschema und Datenorganisation stimmen wir auf Ihren Auftrag ab. Zusatzformate setzen eine bestätigte technische Verfügbarkeit voraus; IFC/BIM ist zukünftiger Ausbau und heute nicht verfügbar.

DXF mit 3D-Polylinien und definierter Layerstruktur ist der heutige Standard im vereinbarten Objektumfang, zur Weiterverwendung in AutoCAD, BricsCAD und anderen CAD-Systemen. Layernamen und Datenstruktur werden im Auftrag abgestimmt.

GeoJSON-Vektordaten und klassifizierte Punktwolken in LAS/LAZ sind nur bei bestätigter technischer Verfügbarkeit für den jeweiligen Auftrag möglich. Sie gehören nicht zum heutigen Standardlieferumfang.

SHP/GeoPackage-Ausgabe ist nur bei bestätigter technischer Verfügbarkeit für den jeweiligen Auftrag möglich. Geometrien, Attributschema und die Übernahme in bestehende GIS- oder Infrastrukturkataster-Systeme werden vor Auftragsstart abgestimmt.

Der wirtschaftliche Vorteil der Automatisierung steigt mit der Datenmenge. Einige hundert Meter Straße können noch manuell ausgewertet werden – bei 20, 50 oder 150 Kilometern wird die manuelle Digitalisierung zum Engpass. Unsere Verarbeitung ist deshalb von Grund auf für große Datenmengen ausgelegt.

Die Lösung deckt das gesamte Spektrum von der einmaligen Bestandsvermessung bis zum kontinuierlichen Infrastrukturmanagement ab. Jede Anwendung profitiert von demselben automatisierten Verarbeitungskern – angepasst an die jeweiligen Anforderungen.

Survey2CAD wird als Cloud-Service in der Jaroona Cloud bereitgestellt. Wir rechnen nach der vereinbarten Streckenlänge und dem gewählten Leistungsumfang ab. Vor Auftragsbeginn legen wir fest, welche Fahrbahnen, Fahrtrichtungen und Objektklassen enthalten sind. Wiederholte Verarbeitungen werden nur nach vorheriger Vereinbarung zusätzlich berechnet. Full-Service und KI-only unterscheiden sich im Umfang der Ergänzung und Prüfung; beide nutzen dieselbe Cloud-Plattform.

Unsere Lösung wird standardmäßig als Cloud-Service bereitgestellt. Dadurch können auch große Punktwolken verarbeitet werden, ohne dass beim Kunden zusätzliche GPU- oder KI-Infrastruktur aufgebaut werden muss. Neue Messkampagnen können automatisiert hochgeladen, verarbeitet und als fertiges Ergebnis bereitgestellt werden.