AI based / knowledge-driven reconstruction of semantic building data using multiple image sources

Das Projekt zielt auf die automatisierte Erzeugung eines Systems miteinander verbundener digitaler Zwillinge der bebauten Umwelt, die mehrere Auflösungsskalen umfassen und eine reichhaltige Semantik und kohärente Geometrie bieten. Zu diesem Zweck werden wir einen Multiskalen-, Multisensor- und Multimethoden-Ansatz erforschen, der terrestrische, luft- und raumgestützte Erfassung, verschiedene Sensoren (sichtbare, thermische, LiDAR, Radar) und verschiedene Verarbeitungsmethoden kombiniert, die Top-down- und Bottom-up-KI-Ansätze integrieren. Das Schlüsselkonzept dieses Vorschlags, das einen bahnbrechenden Fortschritt darstellt, liegt in der Ableitung von Gebäudeinformationen und der intelligenten Verschmelzung der daraus resultierenden Informationen durch KI-basierte Methoden, wodurch Informationslücken geschlossen und die Vollständigkeit, Genauigkeit und Zuverlässigkeit der resultierenden digitalen Zwillinge erhöht werden. Um den Prozess zu vereinfachen und die Ergebnisse zu verbessern, machen wir umfassenden Gebrauch von informiertem maschinellem Lernen, indem wir explizites Wissen über das Design und die Konstruktion von Gebäuden nutzen. Ziel des Projekts ist es nicht, einen einzigen monolithischen digitalen Zwilling zu schaffen, sondern ein System von miteinander verknüpften Zwillingen in verschiedenen Maßstäben, das die Möglichkeit bietet, Stadt-, Stadtteil- und Gebäudemodelle nahtlos zu integrieren sowie diese aktuell und konsistent zu halten. Als Test- und Demonstrationsszenario dient die Münchner Innenstadt, ein Gebiet rund um den zentralen TUM-Campus, in dem bereits große Datensätze von verschiedenen Sensoren verfügbar sind.