GeoPointTransformer

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

• Een open-source prototype voor automatische segmentatie en geometrie-extractie uit mobile-mapping point clouds. De code wordt beschikbaar gesteld via GitHub en de getrainde modelgewichten via Hugging Face.  
• Een nauwkeurig AI-model dat op de KITTI-360-dataset een semantic mIoU van meer dan 70% behaalt. Voor palen wijken de berekende straal, hoogte en as maximaal 10% af van de ground truth.  
• Validatie op minimaal één nog niet eerder gezien Nederlands traject uit de 360Geo-dataset. Hai Performance beoordeelt de resultaten kwalitatief.  
• Een nieuwe Nederlandse MLS-dataset die beschikbaar komt voor de geospatial-AI-community en verder onderzoek naar AI voor de openbare ruimte mogelijk maakt.  
• Kennisdeling met de praktijk en wetenschap, onder meer via een presentatie tijdens GeoBuzz en een peer-reviewed wetenschappelijke 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

• Hai Performance BV - expertise op het gebied van MLS en kwalitatieve validatie
• 360Geo BV - Nederlandse MLS-data en demonstratietraject

Financiering

Regieorgaan SIA - KIEM HighTech 2025

• Projectpagina: GeoPointTransformer

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:

• Robert, Raguet & Landrieu (2023). Efficient 3D Semantic Segmentation with Superpoint Transformer. ICCV. 
• Behley et al. (2019). SemanticKITTI: A Dataset for Semantic Scene Understanding of LiDAR Sequences

Figuur: De GeoPointTransformer-pipeline: Een ruwe mobile-mapping point cloud (links) wordt door het AI-model verwerkt (midden) en omgezet in een semantisch gelabelde 3D-scène (rechts), waarin onder meer een lantaarnpaal automatisch wordt herkend en geometrisch gemodelleerd.