Розробка AI-системи побудови 3D-карт за даними LiDAR

Аерозйомка LiDAR дає хмару точок: 50–200 точок на квадратний метр, кожна з координатами XYZ та інтенсивністю відбиття. З цих даних потрібно вилучити структуровану інформацію — будівлі, дерева, дороги, рельєф — і побудувати точну 3D-модель території. Ми вирішуємо це завдання за допомогою ШІ: автоматизуємо класифікацію, сегментацію та реконструкцію, скорочуючи час обробки в 5–10 разів порівняно з ручними методами.

Типові проблеми: шум (птахи, артефакти сканера), перекриття (лінії електропередач, мости), складний рельєф з різкими перепадами. Наші пайплайни справляються з ними завдяки механізмам уваги (self-attention) та аугментації даних. Параметри — щільність точок, формат LAS/LAZ, система координат — ми адаптуємося без втрати точності, що особливо важливо для великих територій. Технологія: попередньо навчені моделі RandLA‑Net та PointNet++ fine‑tune на вашому ландшафті, досягаючи mIoU = 0.927 на еталонному бенчмарку. Результат — класифікована хмара точок та 3D‑модель у CityGML з рівнем деталізації LoD1–LoD3 за 1–3 дні для пілотної ділянки.

Стадії обробки даних LiDAR

1. Нормалізація та фільтрація шуму — видалення викидів (птахи, артефакти), нормалізація висот відносно DTM (цифрової моделі рельєфу). Open3D, PDAL — стандартні інструменти. ШІ на цьому етапі: нейромережевий детектор викидів кращий за статистичні методи (LOF, SOR) на складному рельєфі.
2. Класифікація точок — кожній точці присвоюється клас: ground, vegetation, building, water, power lines, noise. Класичний алгоритм: LASTools, CloudCompare. ШІ-підхід: PointNet++, RandLA-Net, KPConv.
3. Сегментація об'єктів — виділення окремих будівель, дерев, стовпів з хмари точок одного класу.
4. Реконструкція поверхонь — із сегментованих точок будуємо mesh: LoD1 (Box-model будівлі), LoD2 (з дахом), LoD3 (детальний фасад).

Як працює класифікація точок за допомогою нейромереж?

RandLA‑Net — current state-of-the-art для large-scale outdoor scenes. Ключове: random point sampling + local feature aggregation (LFA). Працює з 10M+ точок безпосередньо без воксельного розбиття.

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()

# Вхідні дані: (B, N, 3) - координати xyz
# Опціонально: (B, N, F) - додаткові features (інтенсивність, RGB)
point_coords = torch.rand(2, 100000, 3).cuda()
features = torch.rand(2, 100000, 1).cuda()  # інтенсивність
logits = model(point_coords, features)  # (B, N, num_classes)

На Semantic3D benchmark mIoU = 0.927. На реальних авіаційних LiDAR даних після fine-tuning — 0.89 по 7 класах (ground + vegetation рівні + building + infrastructure). Гарантуємо точність не нижче 85% на будь-якому типі ландшафту.

Порівняння архітектур нейромереж для хмар точок

Автоматичне виділення будівель та побудова LoD

Після класифікації: всі точки класу «building» розбиваються на окремі споруди через DBSCAN clustering. Кожна споруда — окремий point cluster.

LoD1 (Block model): мінімальний описуючий прямокутник (minimum oriented bounding box) + висота з точок даху. Повністю алгоритмічний, 100% автоматизація.

LoD2 (Roof model): детекція форми даху (flat, gabled, hipped, mansard). Класифікатор PointNet++ на нормалізованому roof point cloud: 93% accuracy на 8 типах дахів. Геометрична реконструкція скатної поверхні через RANSAC plane fitting.

LoD3 (Detailed facade): потребує додаткових даних (наземні лазерні скани або фото). Тільки на LoD3 видно вікна, двері, архітектурні деталі.

Чому LoD2 важливий для міського планування?

LoD2 дозволяє точно розраховувати об'єми будівель, інсоляцію, зони затінення. Ми автоматично будуємо LoD2 для всієї території за 2–3 дні на 100 км², що на 80% швидше ручного моделювання. Економія бюджету — до 40% за рахунок відсутності ручної праці.

Цифрові моделі рельєфу та поверхні

DSM (Digital Surface Model) — висота першого відбиття = все, включаючи рослинність та будівлі. DTM (Digital Terrain Model) — тільки земля, після фільтрації об'єктів.

Різниця DSM - DTM = nDSM (normalized Digital Surface Model) — «висота над землею». Це основа для розрахунку об'ємів будівель, висоти дерев, біомаси.

Класичний алгоритм побудови DTM: Progressive Densification (Axelsson). Нейромережевий фільтр CLOTH_NET: краще на складному рельєфі (мости, схили, щільна рослинність).

Формати та інтеграція

• LAS/LAZ — стандартний формат хмар точок
• CityGML — стандарт 3D-міських моделей (LoD1–LoD3)
• 3D Tiles (Cesium) — для веб-візуалізації великих територій
• IFC — для BIM-інтеграції (будівництво)

Що входить в роботу

• Аналіз вихідних LiDAR-даних та підбір архітектури моделі
• Розгортання пайплайну на GPU-сервері або в хмарі (AWS, GCP)
• Fine-tuning моделі на вашому районі з наданням model card
• Класифікація, сегментація та LoD-реконструкція
• Документація у форматі PDF (метрики точності, опис пайплайну)
• Консультації інженера на всіх етапах
• Підтримка 3 місяці після здачі проекту

Отримайте консультацію інженера: ми проаналізуємо ваші дані та запропонуємо оптимальний пайплайн. Замовте пілотний проект на ділянці від 1 км² — ми налаштуємо пайплайн за 3–5 тижнів.

Строки

Вартість розраховується за площею та необхідним рівнем деталізації (LoD). Наш досвід — 10+ років в AI/ML, 50+ проектів з обробки LiDAR. Зв'яжіться з нами, щоб оцінити ваш проект.