Simuleer Lidar data op IFC data

Ben je benieuwd hoe we een lidar-scanproces kunnen simuleren en puntenwolken kunnen labelen voor deep learning training? Het is helemaal mogelijk! Je hebt alleen een IFC-model of een ander 3D-model van een gebouw nodig, samen met wat programmeervaardigheden in Blender.

Het labelen van point clouds van binnenruimtes in ongeveer 20 klassen kan tot twee dagen duren voor een ervaren operator, om nog maar te zwijgen van de kosten van dure annotatietools. Bovendien is het niet haalbaar om alle soorten gebouwen te scannen. Dat is waar gesimuleerde en synthetische gegevens onmisbaar worden. Door het scanproces te simuleren, kun je lidar-scanning repliceren met vergelijkbare sensorinstellingen, resolutie, loopsnelheid en zelfs bewegende mensen, ruis, reflecties en obstructies toevoegen. Het is allemaal mogelijk, en je hebt alleen een echt 3D-model nodig.

Dankzij de BlenderBIM-add-on kunnen we complexe BIM-modellen importeren in Blender. Met scripting kunnen we objecten naar klassen mappen voor onze AI-trainingsoutput en materialen dienovereenkomstig instellen. Het creëren van een scanpad en het simuleren van bewegende objecten zijn de volgende stappen, en het instellen van de camera als sensoren kan wat complex zijn. Met behulp van algoritmes zoals ray casting kun je het scannen langs het aangewezen pad simuleren met een gesimuleerde lidar-sensor.

Wil je een drone simuleren die rond het gebouw vliegt en van buitenaf punten genereert? Dat is zelfs nog eenvoudiger omdat je alleen een vliegroute rond het gebouw nodig hebt.

In ScanPlan hebben we een workflow ontwikkeld om dit proces te optimaliseren en schaalbaar te maken. Als gevolg hiervan kunnen we geannoteerde gegevens genereren voor complexe binnenruimtes, verschillende gebouwtypen en veel soorten deuren, ramen en meubels. Met slechts een beetje nabewerking en handwerk zijn de gegevens klaar voor het trainen van een AI-model.