Problemstellung

Die effiziente Planung von Großraum- und Schwertransporten ist eine große Herausforderung – insbesondere vor dem Hintergrund des Ausbaus erneuerbarer Energien. Ziel des Projekts war es, im Rahmen einer Machbarkeitsstudie die Grundlage für automatisierte 3D-Befahrbarkeitsanalysen von Engstellen zu schaffen.  Automatisierte Analysen scheiterten bisher, weil herkömmliche Umgebungsmodelle keine Informationen über die Art der Kollisionsobjekte und den potenziellen Schweregrad der Kollision beinhalten. Daher sollte im Projekt eine Datenverarbeitungspipeline konzipiert und prototypisch umgesetzt werden, die durch semantische Segmentierung von 3D-Punktwolken aus verschiedenen Vermessungsverfahren informativere Umgebungsmodelle für die Simulationen erstellt.

Ergebnisse und Wirkungen

Im Projekt pointCloud2Model wurde eine prototypische Pipeline entwickelt, die mithilfe von Deep-Learning-Verfahren aus Mobile Mapping und Drohnenphotogrammetrie informative 3D-Umgebungsmodelle erzeugt. Diese Modelle sind bereits praktisch nutzbar und können die Zuverlässigkeit und Effizienz von 3D-Befahrbarkeitsanalysen für Großraum- und Schwertransporte schon heute deutlich verbessern. Darüber hinaus entstand ein technisch schlankes Mobile-Mapping-System mit integrierter Punktwolkenrekonstruktionspipeline, das eine effizientere Vermessung von Engstellen ermöglicht. Die erzielten Klassifizierungen sind verwertbar, erfordern jedoch weitere Optimierungen für vollständig automatisierte Analysen. Zusätzlich wurde ein wirtschaftliches Potenzial offener ALS-Daten als ergänzende Datenquelle identifiziert. Im Folgeprojekt SemSegNRW, das im Oktober 2025 startet, werden die Erkenntnisse gezielt weitergeführt, um die Automatisierung der 3D-Befahrbarkeitsanalysen weiter voranzutreiben.