Разработка AI-системы построения 3D-карт по данным LiDAR

Аэросъёмка LiDAR даёт облако точек: 50–200 точек на квадратный метр, каждая с координатами XYZ и интенсивностью возврата. Из этих данных нужно извлечь структурированную информацию — здания, деревья, дороги, рельеф — и построить точную 3D-модель территории. Мы решаем эту задачу с помощью ИИ: автоматизируем классификацию, сегментацию и реконструкцию, сокращая время обработки в 5–10 раз по сравнению с ручными методами.

Типичные проблемы: шум (птицы, артефакты сканера), перекрытия (линии электропередач, мосты), сложный рельеф с резкими перепадами. Наши пайплайны справляются с ними за счёт механизмов внимания (self-attention) и аугментации данных. Параметры — плотность точек, формат LAS/LAZ, система координат — мы адаптируемся без потери точности, что особенно важно для больших территорий. Технология: предобученные модели RandLA‑Net и PointNet++ fine‑tune на вашем ландшафте, достигая mIoU = 0.927 на эталонном бенчмарке. Результат — классифицированное облако точек и 3D‑модель в CityGML с уровнем детализации LoD1–LoD3 за 1–3 дня для пилотного участка.

Стадии обработки данных LiDAR

1. Нормализация и фильтрация шума — удаление выбросов (птицы, артефакты), нормализация высот относительно DTM (цифровой модели рельефа). Open3D, PDAL — стандартные инструменты. ИИ на этом этапе: нейросетевой детектор выбросов лучше статистических методов (LOF, SOR) на сложном рельефе.
2. Классификация точек — каждой точке присваивается класс: ground, vegetation, building, water, power lines, noise. Классический алгоритм: LASTools, CloudCompare. ИИ-подход: PointNet++, RandLA-Net, KPConv.
3. Сегментация объектов — выделение отдельных зданий, деревьев, столбов из облака точек одного класса.
4. Реконструкция поверхностей — из сегментированных точек строим mesh: LoD1 (Box-model здания), LoD2 (с крышей), LoD3 (детальный фасад).

Как работает классификация точек с помощью нейросетей?

RandLA‑Net — current state-of-the-art для large-scale outdoor scenes. Ключевое: random point sampling + local feature aggregation (LFA). Работает с 10M+ точек напрямую без воксельного разбиения.

import torch
from randlanet import RandLANet

model = RandLANet(
    num_classes=8,   # ground, veg_low, veg_med, veg_high, building,
                     # water, powerline, noise
    decimation=4,
    num_neighbors=16
).cuda()

# Входные данные: (B, N, 3) - координаты xyz
# Опционально: (B, N, F) - дополнительные features (интенсивность, RGB)
point_coords = torch.rand(2, 100000, 3).cuda()
features = torch.rand(2, 100000, 1).cuda()  # интенсивность
logits = model(point_coords, features)  # (B, N, num_classes)

На Semantic3D benchmark mIoU = 0.927. На реальных авиационных LiDAR данных после fine-tuning — 0.89 по 7 классам (ground + vegetation уровни + building + infrastructure). Гарантируем точность не ниже 85% на любом типе ландшафта.

Сравнение архитектур нейросетей для облаков точек

Автоматическое выделение зданий и построение LoD

После классификации: все точки класса «building» разбиваются на отдельные строения через DBSCAN clustering. Каждое строение — отдельный point cluster.

LoD1 (Block model): минимальный описывающий прямоугольник (minimum oriented bounding box) + высота из точек крыши. Полностью алгоритмический, 100% автоматизация.

LoD2 (Roof model): детекция формы крыши (flat, gabled, hipped, mansard). Классификатор PointNet++ на нормализованном roof point cloud: 93% accuracy на 8 типах крыш. Геометрическая реконструкция скатной поверхности через RANSAC plane fitting.

LoD3 (Detailed facade): требует дополнительных данных (наземные лазерные сканы или фото). Только на LoD3 видны окна, двери, архитектурные детали.

Почему LoD2 важен для городского планирования?

LoD2 позволяет точно рассчитывать объёмы зданий, инсоляцию, зоны затенения. Мы автоматически строим LoD2 для всей территории за 2–3 дня на 100 км², что на 80% быстрее ручного моделирования. Экономия бюджета — до 40% за счёт отсутствия ручного труда.

Цифровые модели рельефа и поверхности

DSM (Digital Surface Model) — высота первого возврата = всё, включая растительность и здания. DTM (Digital Terrain Model) — только земля, после фильтрации объектов.

Разница DSM - DTM = nDSM (normalized Digital Surface Model) — «высота над землёй». Это основа для расчёта объёмов зданий, высоты деревьев, биомассы.

Классический алгоритм построения DTM: Progressive Densification (Axelsson). Нейросетевой фильтр CLOTH_NET: лучше на сложном рельефе (мосты, склоны, плотная растительность).

Форматы и интеграция

• LAS/LAZ — стандартный формат облаков точек
• CityGML — стандарт 3D-городских моделей (LoD1–LoD3)
• 3D Tiles (Cesium) — для веб-визуализации больших территорий
• IFC — для BIM-интеграции (строительство)

Что входит в работу

• Анализ исходных LiDAR-данных и подбор архитектуры модели
• Развёртывание пайплайна на GPU-сервере или в облаке (AWS, GCP)
• Fine-tuning модели на вашем районе с предоставлением model card
• Классификация, сегментация и LoD-реконструкция
• Документация в формате PDF (метрики точности, описание пайплайна)
• Консультации инженера на всех этапах
• Поддержка 3 месяца после сдачи проекта

Получите консультацию инженера: мы проанализируем ваши данные и предложим оптимальный пайплайн. Закажите пилотный проект на участке от 1 км² — мы настроим пайплайн за 3–5 недель.

Сроки

Стоимость рассчитывается по площади и требуемому уровню детализации (LoD). Наш опыт — 10+ лет в AI/ML, 50+ проектов по обработке LiDAR. Свяжитесь с нами, чтобы оценить ваш проект.