AI-DPA: Analyse und Interpretation von unstrukturierten Daten und Prozessen in zwei- und dreidimensionalen Anwendungsszenarien mit Machine Learning
Die Hochschule Mainz führt über drei Jahre als koordinierende Hochschule gemeinsam mit der Universität Koblenz ein Forschungskolleg im Kompetenzbereich Künstliche Intelligenz durch. Mit diesem Kolleg, finanziert über die Förderlinie Forschungskolleg Rheinland-Pfalz, soll die bereits bestehende Kooperation mit der Universität Koblenz im Forschungsfeld Künstliche Intelligenz gebündelt und ausgebaut werden.
Die sechs beteiligten Professoren gehören der Fakultät für Informatik der Universität Koblenz, sowie den Fachbereichen Technik und Wirtschaft der Hochschule Mainz an. Insgesamt fünf Promotionen sollen im Rahmen des Kollegs entstehen. Eine der Promotionen mit dem Titel Adaptive Registrierung und semantische Interpretation von Punktwolken in Innenräumen wird unter Betreung von Thomas Klauer am i3mainz entstehen.
Motivation
Die rasche Entwicklung kostengünstiger Sensoren und 3D-Datenerfassungstechnologien hat die Bedeutung der Punktwolkenanalyse und -interpretation in verschiedenen Anwendungsbereichen wie der Robotik, der virtuellen Realität und dem architektonischen Design erhöht.
Das Interesse an Anwendungen in Innenräumen, einschließlich intelligenter Gebäude (BIM), Navigation in Innenräumen und Anlagenverwaltung wächst und macht die Notwendigkeit einer genauen Modellierung und eines genauen Verständnisses der Innenraumumgebung deutlich.
Im Kontext von intelligenten Gebäude (BIM), Navigation in Innenräumen und Anlagenverwaltung dienen Punktwolken als wesentliche Ressource für die Erfassung räumlicher Informationen. Dennoch stellen Punktwolken in Innenräumen aufgrund von Verdeckungen, der Szenendynamik und geometrischen Variationen eine besondere Herausforderung dar.
Aktivitäten
In der Forschungsarbeit mit dem Titel Adaptive Registrierung und semantische Interpretation von Punktwolken in Innenräumen wird versucht, ein hybrides Framework für die adaptive Registrierung und semantische Interpretation von Punktwolken in Innenräumen zu entwickeln, die mit kostengünstigen Sensoren wie z.B. iPhones erfasst werden.
Aktuelle Ansätze zur Registrierung von Punktwolken in Innenräumen und zur semantischen Interpretation konzentrieren sich weitgehend auf Deep Learning oder wissensbasierte Methoden. Diese Ansätze stoßen jedoch bei der Verarbeitung verrauschter Daten mit geometrischen Variationen und unvollständigen Daten an ihre Grenzen. Insbesondere Deep-Learning-Ansätze erfordern umfangreich annotierte Datensätze für das Training, was sehr herausfordernd ist, vor allem, wenn es um seltene Anwendungsfälle oder neue Sensoren geht. Darüber hinaus erfordern wissensbasierte Methoden oft einen erheblichen Input von Domänenexperten, um Wissen angemessen zu beschreiben.
Die Promotion zielt darauf ab, die Grenzen der bestehenden Ansätze zu überwinden, indem Deep-Learning-Techniken mit wissensbasierten Methoden kombiniert werden. Um beide Ansätze zu integrieren, können verteilte hochdimensionale Vektordarstellungen als vereinheitlichendes Repräsentationssubstrat verwendet werden. Der vorgeschlagene Rahmen wird Technologien wie NERF (Neural Radiance Fileds) und selbstlernende Ontologien einbeziehen, um die semantische Interpretation von Punktwolken in Innenräumen zu erweitern und gegebenenfalls zu verbessern.
Durch die Bewältigung von Herausforderungen im Zusammenhang mit der Registrierung von mehrteiligen Punktwolken und dem Verständnis dynamischer Szenen wird diese Forschung zur Entwicklung robusterer und genauerer Methoden zum Innenraumverständnis beitragen.