31. Aug. 2026
Die Kartierungstechnologie hat sich im letzten Jahrzehnt bei der Datenerfassung stark weiterentwickelt. An einem einzigen Tag Feldarbeit lassen sich mittlerweile eine Punktwolke mit Hunderten von Millionen Punkten, eine Reihe orientierter Bilder, die einen ganzen Korridor abdecken, sowie ein auf wenige Zentimeter genaues Positionsprotokoll erstellen. Das Problem der Datenerfassung ist weitgehend gelöst. Was jedoch nicht Schritt gehalten hat, ist alles, was danach folgt: die Entscheidung, welche Punkte Boden und welche Vegetation darstellen, das Ermitteln der Bordsteinkante, die Überprüfung, ob die Vermessung tatsächlich die Toleranzgrenzen einhält, und die Umwandlung all dieser Daten in etwas, das ein Planer oder ein Anlagenverwalter nutzen kann. Genau in dieser Lücke kommt georäumliche KI zum Einsatz, und sie verändert still und leise, was Kartierungstechnologie in der Praxis bedeutet.
Geodaten-KI ist ein weit gefasster Begriff, und es lohnt sich, hier genau zu sein. Im Zusammenhang mit Vermessung und Kartierung bezieht er sich in der Regel auf Modelle des maschinellen Lernens, die darauf trainiert sind, Muster in räumlichen Daten zu erkennen: die Klassifizierung einer Punktwolke, die Extraktion von Merkmalen aus Bildmaterial und das Markieren von Messwerten, die falsch erscheinen. Sie ist kein Ersatz für die Messung. Das Modell benötigt nach wie vor Daten, die korrekt positioniert, skaliert und zeitlich abgestimmt sind, und es übernimmt jeden Fehler, der in diesen Daten enthalten ist. Es ist wichtig zu unterscheiden, wo die KI hilft und wo die Genauigkeit weiterhin vom Sensor kommen muss.
Die bislang deutlichsten Fortschritte sind bei der Klassifizierung und Extraktion zu verzeichnen – also bei den Teilen des Arbeitsablaufs, die früher in Arbeitstagen gemessen wurden. Die Klassifizierung von Punktwolken ist das naheliegendste Beispiel. Die Trennung von Boden, Vegetation, Gebäuden, Masten und Leitungen war früher eine manuelle oder halbautomatische Aufgabe, die ein Vermessungsingenieur Abschnitt für Abschnitt erledigte. Modelle, die anhand großer Mengen klassifizierter Daten trainiert wurden, übernehmen nun einen Großteil dieses Arbeitsschritts automatisch, sodass der Bediener nur noch überprüfen und korrigieren muss, anstatt bei Null anfangen zu müssen.
Die Merkmalsextraktion folgt dem gleichen Muster. Straßenmarkierungen, Bordsteine, Schilder, Schachtabdeckungen und Fassadenlinien lassen sich in Bildmaterial oder Punktwolken identifizieren und in Vektoren umwandeln, ohne dass jedes einzelne Element von Hand digitalisiert werden muss. Bei der Korridorkartierung, bei der sich dieselben Merkmalstypen über viele Kilometer hinweg wiederholen, wurde früher der größte Teil der Arbeitszeit im Büro dafür aufgewendet.
Die Qualitätskontrolle ist der dritte Bereich und für Vermessungsingenieure wohl der interessanteste, da sie in die entgegengesetzte Richtung wirkt. Anstatt die Ausgabe zu beschleunigen, untersucht sie die Daten und weist auf Unstimmigkeiten hin: einen Scanbereich mit dünner Abdeckung, einen Trajektorienabschnitt, in dem die Positionsbestimmung ungenau wurde, oder Punkte, die um mehr als die für den Auftrag festgelegte Toleranz von ihren Nachbarn abweichen. Dies bereits zu erkennen, während das Team noch vor Ort ist, ist wesentlich wertvoller, als es erst eine Woche später festzustellen.
Die Volumenberechnung ist eine weitere praktische Anwendung, insbesondere in der Vermessung und im Erdbau. KI-gestützte Verarbeitung kann Haldenoberflächen aus Punktwolkendaten identifizieren und modellieren, wodurch Volumina mit weitaus weniger manuellem Aufwand berechnet werden können.
All dies ist keine plötzliche Veränderung. Es ergibt sich aus einem Wandel in der Art und Weise, wie Vermessungsdaten erfasst werden. Die Erfassung der Realität – also die Praxis, eine gesamte Szene statt einer ausgewählten Punktgruppe zu erfassen – ist mittlerweile zur Standardarbeit geworden und keine Spezialdienstleistung mehr. Ein Handscanner, der durch einen Tunnel geführt wird, ein Gerät auf einem Fahrzeug, das eine Straße bei Fahrgeschwindigkeit erfasst, eine Drohne, die einen Korridor abfliegt: Sie alle liefern vollständige Szenen statt ausgewählter Messwerte.
Genau diese Veränderung hat das Büro zum Engpass gemacht. Als eine Vermessung noch aus einigen hundert gezielt ausgewählten Punkten bestand, war die Verarbeitung unkompliziert. Besteht sie nun aus einer vollständigen Aufzeichnung aller Objekte im Erfassungsbereich, muss jemand entscheiden, was all das darstellt. Die automatisierte Auswertung ist die natürliche Antwort auf dieses Datenvolumen, und deshalb haben sich die Diskussionen rund um die Kartierungstechnologie von den Sensoren hin zur Software verlagert.
CHC Navigation hat dies von der Datenseite her vorangetrieben. Integrierte Hardware- und Software-Workflows über GNSS, IMU, Bildverarbeitung und LiDAR hinweg sind so konzipiert, dass Positionsdaten, Bildmaterial und Punktwolken bereits abgeglichen und mit einem Zeitstempel versehen ankommen – eine Voraussetzung, von der jede automatisierte Auswertung abhängt. Erfahren Sie mehr darüber, wie diese Komponenten bei CHC Navigation zusammenwirken und wie die nächste Phase der Geodaten-Technologie aussieht.
Man könnte die Fortschritte der KI leicht als Zeichen dafür deuten, dass die zugrunde liegende Messung an Bedeutung verliert. In der Geodatenverarbeitung ist das Gegenteil näher an der Wahrheit. Ein Klassifikationsmodell kann Ihnen sagen, dass eine Reihe von Punkten ein Bordstein ist. Es kann Ihnen jedoch nicht sagen, wo sich dieser Bordstein befindet. Die Position wird durch GNSS, durch Trägheitsmessung und durch die Art und Weise ermittelt, wie diese Daten zu einer Bewegungsbahn zusammengefügt werden, und jeder Fehler, der dabei entsteht, überträgt sich auf alle Ergebnisse, die das Modell anschließend liefert.
Deshalb sind die Fragen zur Genauigkeit nach wie vor aktuell. Mehrwegausbreitung in einem „Urban Canyon“, eine kurze GNSS-Unterbrechung unter einer Brücke, ein Korrekturdienst, der für dreißig Sekunden ausfällt: Jedes dieser Ereignisse führt zu einer kleinen Verzerrung der Flugbahn, und eine verzerrte Flugbahn erzeugt eine Punktwolke, die zwar mit hoher Sicherheit falsch beschriftet ist, aber nicht offensichtlich fehlerhaft erscheint. Die automatisierte Auswertung kann ein Positionierungsproblem schwerer erkennbar machen, da das Ergebnis dennoch ordentlich aussieht. Zuverlässiges GNSS, eine solide Trägheitsfusion und ehrliche Qualitätsberichte sind in einem automatisierten Arbeitsablauf umso wichtiger, nicht weniger.
Für den Vermessungsingenieur bedeutet dies in der Praxis eine Verlagerung der Arbeitsschwerpunkte. Bei der Arbeit vor Ort geht es zunehmend um Vollständigkeit und Zuverlässigkeit: die Szene vollständig zu erfassen und bereits vor Ort zu wissen, ob die Daten stichhaltig sind. Die Arbeit im Büro verlagert sich von der Erstellung der Ergebnisse hin zu deren Überprüfung und Korrektur. Die Fähigkeit, die an Bedeutung gewinnt, ist die Beurteilung der Datenqualität, denn immer noch muss jemand entscheiden, ob ein automatisiertes Ergebnis richtig ist.
Auch die Anforderungen an die Ausrüstung ändern sich. Wenn die Auswertung automatisiert werden soll, müssen die zugeführten Daten gut aufbereitet sein: gleichmäßige Punktdichte, zuverlässige Zeitsynchronisation zwischen den Sensoren, eine Bewegungsbahn mit dokumentierter Genauigkeitsaufzeichnung sowie Formate, die ohne Konvertierungsverluste in Standardsoftware importiert werden können. Ein System, das zwar eine schöne Punktwolke erzeugt, aber keine verlässlichen Aufzeichnungen darüber liefert, wie es positioniert wurde, lässt sich schwerer automatisieren – nicht einfacher.
Zwei Aspekte sind dabei besonders zu beachten. Der erste ist die Transparenz. Eine automatisierte Klassifizierung, die mit einem Konfidenzmaß versehen ist und klar erkennen lässt, in welchen Bereichen das Modell unsicher war, ist in der beruflichen Praxis weitaus nützlicher als eine, die lediglich eine Antwort liefert. Vermessungsarbeiten sind mit einer Haftung verbunden, und ein Ergebnis, das nicht überprüft werden kann, lässt sich nur schwer abnehmen.
Der zweite Punkt betrifft den Ort der Datenverarbeitung. Manche Aufgaben eignen sich für die Arbeit vor Ort, sodass das Team noch vor dem Verlassen des Einsatzortes die Erfassung und Qualität sofort überprüfen kann. Andere lassen sich besser im Büro oder in der Cloud erledigen, wo die volle Rechenleistung zur Verfügung steht. Bewährte Arbeitsabläufe trennen diese beiden Bereiche in der Regel bewusst voneinander, anstatt alles an einen Ort zu verlagern.
Geodätische KI ersetzt die Vermessungstechnik nicht. Sie beseitigt eine Kategorie sich wiederholender Auswertungsarbeiten, die nie den wertvollen Teil darstellten, und steigert dadurch den Wert der beiden Dinge, die nach wie vor schwierig sind: die Erfassung einer vollständigen Szene und die Beurteilung ihrer Genauigkeit. Für eine Branche, die Jahre damit verbracht hat, bessere Sensoren zu entwickeln, ist dies ein sinnvoller Ausgangspunkt für die nächste Phase.
Um zu erfahren, wie CHC Navigation die Arbeitsabläufe in den Bereichen Positionsbestimmung, Realitätserfassung und Kartierung in den Bereichen Vermessung, Bauwesen, Landwirtschaft und Autonomie angeht, besuchen Sie unsere Seiten zur Geodaten-Technologie.
CHC Navigation (CHCNAV) entwickelt fortschrittliche Lösungen für Kartografie, Navigation und Positionsbestimmung, die darauf ausgelegt sind, Produktivität und Effizienz zu steigern. CHCNAV bedient Branchen wie Geodaten, Landwirtschaft, Maschinensteuerung und autonome Systeme und liefert innovative Technologien, die Fachleute unterstützen und den Fortschritt der Branche vorantreiben. Mit einer globalen Präsenz in über 140 Ländern und einem Team von mehr als 2.200 Fachkräften gilt CHC Navigation als führendes Unternehmen in der Geodatenbranche und darüber hinaus. Weitere Informationen zu CHC Navigation [300627.SZ] finden Sie unter: https://www.chcnav.com/about/overview
Haben Sie eine Frage zu unseren Lösungen oder zu Möglichkeiten für Händler?
.png)
