GeoPointTransformer

Hoe kunnen 3D-scans van de openbare ruimte worden ingezet voor onderhoud aan infrastructuur? GeoPointTransformer herkent objecten in point clouds en haalt daar de geometrische informatie uit die engineers nodig hebben.

Centre of Expertise Digital Operations & Finance

openbare ruimte

Gelijktijdige segmentatie en geometrie-extractie uit mobile-mapping point clouds

Nederlandse infrastructuurbeheerders, waaronder Rijkswaterstaat, ProRail en gemeenten, maken steeds vaker gebruik van 3D digital twins, opgebouwd uit Mobile Laser Scanning (MLS) point clouds, voor onderhoud en inspectie. Moderne AI kan objecten in deze point clouds herkennen, maar levert niet direct de geometrische informatie die engineers nodig hebben, zoals de assen en stralen van cilinders of polylijnen van stoepranden.

Tot 90% van de verwerkingstijd van MLS-data kan daardoor nog opgaan in handmatige digitalisering. GeoPointTransformer wil deze stap efficiënter maken met één transformer-model dat punten tegelijkertijd classificeert én hun geometrie extraheert.

Doel

Het ontwikkelen en valideren van een AI-model dat in ruwe MLS point clouds automatisch objecten herkent én hun vorm en afmetingen bepaalt. 

Doelgroepen

  • Nederlandse landmeetkundige mkb-bedrijven en ingenieursbureaus die MLS-verwerkingsprocessen uitvoeren.
  • Publieke infrastructuurbeheerders, waaronder Rijkswaterstaat, ProRail, gemeenten en waterschappen.
  • Smart city- en BIM-GIS-integratoren die geautomatiseerde inspectietools ontwikkelen op basis van LiDAR.
  • De open-source community op het gebied van geospatial AI.

Beoogde resultaten

  • Open-source prototype (PyTorch + Hydra, Docker-ready), met de code op GitHub en modelgewichten op Hugging Face.
  • Gezamenlijk model met een semantic mIoU van >70% op KITTI-360 en afwijkingen in straal, hoogte en as van palen van maximaal 10% ten opzichte van de ground truth.
  • Validatie op minimaal één nog niet eerder gezien Nederlands traject (360Geo), met kwalitatieve beoordeling door Hai Performance.
  • Nederlandse MLS-dataset voor de geospatial-AI-community.
  • Kennisdeling via een presentatie bij GeoBuzz en een peer-reviewed publicatie.

Duur

Januari 2026 - december 2026

Team

De Haagse Hogeschool - projectleider
Lectoraat Smart Sensor Systems, faculteit TIS:

  • dr. Ir. Amey Vasulkar - onderzoeksleider, ontwikkeling van het AI-model
  • dr. John Bolte - lector Smart Sensor Systems, technisch adviseur
  • Jassar Hasiba - student, modelontwikkeling en experimenten (ADS&AI)

Hai Performance BV - kennispartner op het gebied van MLS:

  • dr. Ir. Tobias Witwer - inhoudelijk lead, MLS-workflows en annotatie van assets

360Geo BV - datapartners op het gebied van MLS:

  • Jacob Muilwijk - inhoudelijk lead, MLS-data en visualisatie
  • George Boot - technisch lead, MLS-data

Partners

Financiering

Regieorgaan SIA - KIEM HighTech 2025

Betrokken opleidingen

  • Bachelor Applied Data Science & AI 
  • Bachelor Applied Mathematics 
  • Master Next Level Engineering 

Contact

dr. Ir. Amey Vasulkar - [email protected]

Links en publicaties

Achtergrondbronnen: