Kaum ein Softwarehersteller für Scandaten verzichtet heute auf KI-Funktionen. Gemeint sind meist Verfahren des maschinellen Lernens, die anhand vieler Beispieldaten gelernt haben, Muster in Punktwolken zu erkennen. Dieser Beitrag ordnet für Planer und Auftraggeber ein, welche Arbeitsschritte solche Werkzeuge heute tatsächlich unterstützen, wo sie an Grenzen stoßen und was das für die Qualität eines Aufmaßes bedeutet.
Wo KI heute in der Auswertung eingesetzt wird
Klassifizierung von Punkten
Am weitesten verbreitet ist die automatische Klassifizierung: Die Software ordnet jedem Punkt eine Kategorie zu, etwa Boden, Wand, Decke, Vegetation, Fahrzeug oder Möblierung. Im Außenbereich trennt sie so Gelände von Bewuchs, im Gebäude lassen sich Einrichtungsgegenstände ausblenden, bevor Grundrisse gezeichnet werden. Solche Funktionen bieten inzwischen sowohl Desktop-Programme als auch Cloud-Plattformen wie Hexagon Reality Cloud Studio an.
Bereinigung von Störpunkten
Personen, die durch den Scanbereich gehen, Spiegelungen in Fenstern oder vereinzelte Fehlmessungen lassen sich mit lernenden Filtern schneller erkennen als von Hand. Klassische Filter nach Abstand oder Punktdichte werden dadurch ergänzt, nicht ersetzt.
Erkennen von Bauteilen und Segmentierung
Einige Programme gruppieren Punkte zu zusammenhängenden Flächen oder Objekten und erzeugen daraus segmentierte Oberflächenmodelle. Ein Beispiel ist die lokale Scan-to-Mesh-Funktion in Autodesk ReCap Pro, die eine Punktwolke in ein nach Bauteilarten unterteiltes Mesh umwandelt. Für regelmäßige Elemente wie gerade Wände, Decken, Stützen oder Rohrleitungen funktioniert das inzwischen brauchbar.
Unterstützung bei der Registrierung
Das automatische Verknüpfen von Scans ohne Zielmarken beruht überwiegend auf geometrischen Verfahren, die schon länger im Einsatz sind. Lernende Methoden helfen zunehmend bei der Vorausrichtung, also beim Finden der richtigen Nachbarscans. Die eigentliche Feinausrichtung und deren Kontrolle bleiben klassische Vermessungsarbeit.
Wo die Grenzen liegen
- Ungewöhnliche Geometrie: Modelle lernen aus Beispieldaten, meist aus Büro-, Industrie- und Neubauten. Gewölbe, schiefe Wände im Altbau, Fachwerk oder Stuck kommen darin selten vor und werden entsprechend unsicher erkannt.
- Wahrscheinlichkeiten statt Gewissheit: Eine Klassifizierung ist eine Einschätzung. Fehler fallen oft erst auf, wenn ein Bauteil in einem Schnitt fehlt oder eine Fläche falsch zugeordnet ist.
- Bedeutung bleibt Fachwissen: Ob eine Wand tragend ist, ob ein Versatz ein Bauschaden oder eine bauzeitliche Fuge ist, welche Raumhöhe für die Flächenberechnung maßgebend ist, erkennt keine Software aus der Punktwolke allein.
- Datenschutz bei Cloud-Diensten: Werden Scans zur Verarbeitung in eine Cloud geladen, sollten Speicherort und Vertragsbedingungen geklärt sein, besonders bei bewohnten Gebäuden oder sensiblen Anlagen.
Was das für die Qualität eines Aufmaßes bedeutet
KI-Werkzeuge verkürzen vor allem Routinearbeit: Vorsortieren, Ausblenden, erste Flächen- und Bauteilvorschläge. Sie verschieben den Aufwand von der reinen Zeichenarbeit hin zur Prüfung. Entscheidend ist deshalb ein Arbeitsablauf, in dem jedes automatisch erzeugte Ergebnis gegen die Punktwolke kontrolliert wird, bevor es in Pläne, Flächenberechnungen oder ein BIM-Modell eingeht. Die Genauigkeit eines Aufmaßes hängt weiterhin von Messung, Registrierung und sorgfältiger Auswertung ab, nicht vom Einsatz eines bestimmten Algorithmus.
Für Auftraggeber lohnt es sich daher, nicht nach dem Werkzeug zu fragen, sondern nach dem Ergebnis: Welche Genauigkeit ist zugesagt, wie wird sie nachgewiesen, und in welchen Formaten wird geliefert?
KI-Auswertung realistisch bewerten
Maschinelles Lernen unterstützt heute vor allem die Klassifizierung, Bereinigung und Segmentierung von Punktwolken. Es beschleunigt Routineschritte, ersetzt aber weder die Kontrolle noch die fachliche Interpretation, gerade im Altbau. Wie aus geprüften Scandaten Bestandsmodelle entstehen, beschreiben wir auf der Seite zu BIM-Bestandsmodellen.