Zur Darstellung der Daten und Modelle sollen in Abhängigkeit vom jeweiligen Anwendungskontext verschiedene Methoden des Mixed-Reality Kontinuums, wie z.B. „Augmented-Reality“, „Augmented Virtuality“ und „Virtual Reality“, verwendet werden. Dabei sollen existierende Modelle mit zusätzlichen Informationen zur Analyse und neuen Informationen zur Planung ergänzt werden, womit Planungsprozesse aktiv unterstützt werden. Wichtige Vorteile sind hierbei die interaktive Auswahl der zusätzlichen Informationen, die Interaktion mit den Darstellungen im Allgemeinen, sowie die Interoperabilität mit allen Datensätzen auf visueller und damit anschaulicher Basis.
Ein konkretes Anwendungsgebiet für den Einsatz von KI-Methoden ist die Merkmalsextraktion (feature extraction) aus Laserscandaten für eine automatisierte Objekterkennung (z.B. von Kluftstrukturen). Für die Merkmalsextraktion in Laserscans planen wir den Einsatz von geeigneten Verfahren, z.B. Support Vector Machines (SVM) oder konvolutionalen neuronalen Netzen (CNN). Wir werden auch die Nutzung von skalen- und rotationsinvarianten Detektoren auf Basis statistischer Momente untersuchen und dazu eine Kooperation mit Dr. Roxana Bujack vom Los Alamos National Laboratory nutzen.
Ein weiteres Anwendungsgebiet für den Einsatz von KI-Methoden ist die geologische, geomechanische und mineralogische Charakterisierung des die Hohlräume umgebenden Gebirgsverbandes aus hyperspektralaugmentierten 3D Laserscandaten. Hierbei liefern die Laserdaten Informationen zur Geometrie. Die hyperspektralen Daten geben Auskunft über spektrale Eigenschaften des anstehenden Gebirgsverbandes zur Charakterisierung dessen mineralogischen Eigenschaften. Von großem Interesse ist das automatisierte Monitoring und die Quantifizierung des zeitlichen Ablaufes von Deformationen zur datengetriebenen Beschreibung des geomechanischen Verhaltens des Gebirges (Strain-Stress-Beziehung) sowie zum Früherkennen möglicher Gefahren, die automatisierte Charakterisierung des Gebirgsverbandes (Klüfte, deren Orientierung und Häufigkeiten), die automatisierte Erfassung geologischer und tektonischer Strukturen sowie deren zeitlicher Änderungen hinsichtlich Mineralogie. Letzteres kann Ausdruck möglicher Laugungs- oder Oxidationsvorgänge sein und indiziert eine mögliche Änderung in der stofflichen Beschaffenheit. Hier wollen wir neben klassischen neuronalen Netzen auch Ansätze des Few Shot Learnings und des Active Learnings unter Einbeziehen menschlicher Expertise in der Trainingsphase des Netzwerks untersuchen, um die Menge an erforderlichen Trainingsdaten erheblich zu reduzieren. Ferner wird eine Nutzung der Betrachtungsdaten aus der Mixed Reality Präsentation für die KI als Maß für die Bedeutung von Veränderungen erprobt werden.