Wenn Millimeter zählen: Wie künstliche Intelligenz echte Verformungen von Messunsicherheiten unterscheidet

Projekt: Machine-Learning-basierte Modellierung von Unsicherheiten in 3D-Laserscans

Forschende: Jan Hartmann und Hamza Alkhatib

Projektidee: Ein lernendes Modell schätzt, wie zuverlässig einzelne Messpunkte eines 3D-Laserscanners sind. So lassen sich echte Veränderungen an Bauwerken besser von Messunsicherheiten unterscheiden.

Warum müssen Bauwerke millimetergenau beobachtet werden?

Brücken, Talsperren oder Tunnel sind ständig Belastungen ausgesetzt. Verkehr, Temperaturänderungen oder Wasserdruck können dazu führen, dass sich ein Bauwerk im Laufe der Zeit leicht verformt. Solche Veränderungen sind oft nur wenige Millimeter groß. Trotzdem können sie wichtige Hinweise auf den Zustand eines Bauwerks geben.
Für die Überwachung werden unter anderem 3D-Laserscanner eingesetzt. Sie tasten die Oberfläche eines Bauwerks mit einem Laserstrahl ab und erzeugen daraus ein digitales 3D-Modell aus sehr vielen einzelnen Messpunkten – eine sogenannte Punktwolke. Wird das Bauwerk zu verschiedenen Zeitpunkten erneut vermessen, können die Punktwolken miteinander verglichen werden.

Warum misst ein Laserscanner nicht immer gleich gut?

Auch ein moderner Laserscanner misst nicht jeden Punkt gleich genau. Die Qualität hängt zum Beispiel davon ab, wie weit der Scanner vom Bauwerk entfernt ist, in welchem Winkel der Laserstrahl auf die Oberfläche trifft und wie stark das Licht von der Oberfläche zurückgeworfen wird.
Bei größerer Entfernung kann das zurückkommende Signal schwächer werden. Trifft der Laser sehr schräg auf eine Fläche, wird die Entfernung ebenfalls schwieriger zu bestimmen. Auch Material und Zustand der Oberfläche spielen eine Rolle. Dadurch entstehen kleine Messabweichungen, die bei einer Analyse im Millimeterbereich nicht mehr vernachlässigt werden können.

Echte Bewegung oder nur eine Messunsicherheit?

Genau hier entsteht eine wichtige Frage: Wenn sich zwei Messungen voneinander unterscheiden, hat sich das Bauwerk tatsächlich bewegt – oder zeigt der Scanner nur eine Messabweichung? Ohne zusätzliche Informationen ist das nicht immer leicht zu entscheiden.
Abbildung 2 zeigt den Vergleich zweier Messzeitpunkte. Die Farben stehen für Unterschiede im Millimeterbereich. Links ist ein blauer Bereich zu sehen, in der Mitte ein deutlich roter Bereich. Auf den ersten Blick könnten beide Bereiche als Veränderungen des Bauwerks interpretiert werden. Ein Teil davon könnte jedoch allein durch unterschiedliche Messbedingungen entstanden sein.

Wie hilft PointNet, Messunsicherheit besser zu modellieren?

Im Projekt kommt ein neuronales Netz namens PointNet zum Einsatz. PointNet wurde speziell dafür entwickelt, Informationen aus 3D-Punktwolken zu verarbeiten. Trainiert wurde das Modell mit Millionen von Referenzmessungen: Die Messwerte des 3D-Laserscanners wurden dabei mit besonders genauen Messungen eines Laser-Trackers verglichen. So konnte das Netz lernen, unter welchen Bedingungen typische Messabweichungen auftreten.
Für jeden einzelnen Messpunkt betrachtet PointNet nicht nur den Punkt selbst, sondern auch 48 Punkte in seiner unmittelbaren 3D-Umgebung. Zusätzlich fließen Informationen wie die Entfernung zum Scanner, der Auftreffwinkel des Laserstrahls und die Stärke des zurückkommenden Signals ein. Dadurch erkennt das Modell Zusammenhänge, die mit einfachen festen Regeln nur schwer zu beschreiben wären.
Am Ende liefert PointNet für jeden Messpunkt zwei Aussagen: Zum einen schätzt es, wie stark der Messwert vermutlich systematisch verschoben ist und daher korrigiert werden sollte. Zum anderen gibt es an, wie sicher oder unsicher diese Einschätzung ist. Mathematisch wird diese Unsicherheit durch eine Wahrscheinlichkeitsverteilung beschrieben. Für die praktische Anwendung bedeutet das: Das System korrigiert nicht einfach blind, sondern bewertet zugleich, wie verlässlich die Korrektur ist.

Was zeigt das Ergebnis?

Nach dieser Korrektur wird der Vergleich der beiden Messzeitpunkte deutlich klarer. In Abbildung 4 ist der zuvor auffällige blaue Bereich auf der linken Seite weitgehend verschwunden. Auch andere Randerscheinungen werden deutlich schwächer. Das Modell erkennt sie als Folgen der Messbedingungen und nicht als tatsächliche Bewegung des Bauwerks.
Der rote Bereich in der Mitte bleibt dagegen deutlich sichtbar. In diesem Beispiel kann diese Veränderung nicht durch die erkannten Messunsicherheiten erklärt werden. Sie wird deshalb als tatsächliche Verformung der Staumauer erkannt.
 

Warum ist das wichtig?

Bei der Überwachung großer Bauwerke muss zuverlässig zwischen einer echten Veränderung und einem Messunsicherheit unterschieden werden. Ein Fehlalarm kann unnötige Untersuchungen oder Maßnahmen auslösen. Umgekehrt darf eine tatsächliche Verformung nicht übersehen werden.
Die Verbindung von präziser geodätischer Messtechnik und maschinellem Lernen kann dabei helfen, 3D-Messdaten besser einzuschätzen. Das Ziel ist nicht nur eine genauere Messung, sondern vor allem eine verlässlichere Grundlage für die Beurteilung des Zustands von Bauwerken.