KI für Stadtplanung
&
(geo-) datenbasierte
Infrastrukturen

Die Erhebung von Informationen mit geographischer Referenzierung hat in den letzten Jahren massiv zugenommen. Nahezu flächendeckend werden regelmäßig Fernerkundungsdaten erfasst, ob über Satelliten, Flugzeuge, Drohnen oder Befahrungen von Straßen und Wegen. Die entstehenden Daten sind wertvoll, denn in ihnen stecken subtil vielfältige Informationen, die sich ganz besonders mit Methoden der KI, insbesondere des Maschinellen Lernens ermitteln lassen. So lassen sich aufwändige Prozesse automatisieren, etwa die Aktualisierung von Katasterdaten und die Generierung von Zustandskarten, wie etwa von Fahrbahnen und Verkehrszeichen, die als wichtiges Planungstool im Erhaltungsmanagement dienen. Ebenso ist die automatisierte Erkennung von Nutzungs- und Vegetationsarten sowie Arten der Versiegelung kommunaler Liegenschaften über die KI-basierte Auswertung verschiedener Fernerkundungsdaten möglich und für klima- und umweltbezogene Analysen ein wichtiges Instrument.

Neben dem Erhaltungsmanagement sind präzise Geoinformationen eine wichtige Quelle zur Erstellung von HD-Karten für automatisiertes und autonomes Fahren. Die Herausforderungen liegen hierbei neben der Präzision der Karten auch darin, ihre Aktualität zu gewährleisten. Dafür werden präzise Fernerkundungsdaten um Crowddaten ergänzt und in Echtzeit mithilfe von KI-Methoden ausgewertet. Die KI-basierte Auswertung von Fernerkundungsdaten spielt auch für die Erfassung von inneren Gebäudestrukturen sowie zusätzlicher verorteter Gebäudeinformationen eine wichtige Rolle und zählt deshalb inhaltlich zu diesem Schwerpunkt.

Dienstleistungsspektrum: Das Institut bietet in diesem Themenschwerpunkt profunde Kompetenzen in den Bereichen Machine Learning, Computer Vision und Geoinformatik. Das Projektteam unterstützt Forschungsprojekte, bei denen es darum geht, Informationen aus Fernerkundungsdaten und sonstigen Geodaten zu ermitteln, die Qualität der Resultate zu messen, Ergebnisse zu aggregieren und Verfahren dieser Art zu optimieren.

Werkzeuge und Anwendungen: Die Hochschule verfügt bereits über eine Palette von Werkzeugen, die in den Projekten zur Analyse von Fernerkundungsdaten genutzt werden können. Dazu zählt etwa die Umrechnung von Bild- und Laserdaten in Orthobilder, vortrainierte Modelle, etwa zur Erkennung von Versiegelungsflächen aus Luftbildaufnahmen oder zur Erkennung von Fahrbahnzuständen bzw. Fahrbahnmarkierungszuständen aus urbanen Digitalen Zwillingen.

Forschungsthemen:

• Automatisierte Extraktion von Informationen aus Fernerkundungsdaten: Durch die Zusammenführung der vielfältig verfügbaren Fernerkundungsdaten und dem Aufbau und Training geeigneter KI-Modelle können Katasterdaten aufgebaut, aktualisiert und verifiziert werden (etwa Verkehrszeichen, Straßenlaternen, Bäume etc.). Es können Daten zum Erhaltungsmanagement städtischer Assets (z. B. Fahrbahnzustände) generiert oder klimarelevante Informationen ermittelt werden. Forschungsziel ist es vorhandene Anwendungen zur Extraktion und Aggregation etwa von Fahrbahnmarkierungen, Fahrbahnzuständen und Versiegelungsflächen für die konkrete Anwendung weiter zu optimieren und auf andere interessante Objekte zu erweitern. Ferner besteht die Idee, sogenannte Vision-Transformer-Modelle derart zu trainieren, dass Digitale Zwillinge aus natürlichen Textanfragen gewünschte Objekte auf Bildern identifizieren.
• Niederschwelliges Mobile Mapping und Real-Time-Rendering von 3D-Stadtmodellen: Immer mehr Städte erfassen in regelmäßigen Abständen sogenannte „Urbane Digitale Zwillinge“. Das zugrunde liegende Mobile-Mapping-Verfahren ist aufwendig und teuer und gerade für kleinere Kommunen oft schwer finanzierbar. Hier setzt ein Projekt an, das an Möglichkeiten eines kostengünstigen, rein bildbasierten Mobile Mappings arbeitet. Dieses rein bildbasierte, auf sogenannter NeRF-Technologie bzw. Gaussian Splatting basierende Verfahren soll weitergeführt und für den praktischen Einsatz idealerweise auf vorhandenen kommunalen Fahrzeugen, optimiert werden. Mit den genannten Methoden lassen sich 3D-Stadtmodelle effizient rendern.