INNOVATION SCOUT · IMPULSPROFIL

Reality Capture, Scan-to-BIM und As-built-Daten

Reality Capture erfasst sichtbare Bestands- und Bauzustände mit Bildern und räumlichen Messungen. Scan-to-BIM überführt diese Daten in Bauteilmodelle. Deren Geometrie, Eigenschaften und Vollständigkeit müssen für den vorgesehenen Planungs-, Bau- oder Betriebszweck geprüft werden.

Um was geht es bei Reality Capture, Scan-to-BIM und As-built-Daten?

Auf dem Weg zum nutzbaren Modell werden Aufnahmen räumlich aufeinander abgestimmt (Registrierung), Flächen rekonstruiert und Bauteile erkannt. Einzelne Bauteile werden voneinander getrennt (Instanztrennung) und durch Parameter beschrieben. Gelernte Verfahren übernehmen je nach System unterschiedliche Schritte. Fehlende Ansichten, verdeckte Eigenschaften und spätere bauliche Veränderungen müssen bei der Übergabe erkennbar bleiben.

Quelle 1: Automated Scan-to-BIM for Construction Digital Transformation: Conceptual Framework, Processing Methods and Best-Practice Guidelines, Fundstelle(n): Methodenframework Quelle 4: Cloud2BIM: An open-source automatic pipeline for efficient conversion of large-scale point clouds into IFC format, Fundstelle(n): Methodik Quelle 6: Evaluating confidence in geometric matching between 3D point clouds and BIM models by integrating coverage, distance, and distribution metrics, Fundstelle(n): Prüfmethodik

Einordnung im Impulsradar

Reality Capture liefert konkrete Grundlagen für Bestandsplanung, Bauzustandsprüfung und Rückbauinventare. KI unterstützt Erkennung und Modellierung zusammen mit geometrischen Verfahren und Facharbeit. Aktuelle Forschung verbessert Teilstufen; kommerzielle Erfassung und Modellierung sind belegt. Eine schnell erzeugte Darstellung bestätigt jedoch weder vollständige Bauteilinformationen noch geprüfte Maßhaltigkeit.

Quelle 1: Automated Scan-to-BIM for Construction Digital Transformation: Conceptual Framework, Processing Methods and Best-Practice Guidelines, Fundstelle(n): Methodenframework Quelle 4: Cloud2BIM: An open-source automatic pipeline for efficient conversion of large-scale point clouds into IFC format, Fundstelle(n): Methodik Quelle 13: 3-D-BIM-Modelle – Neubad Luzern, Fundstelle(n): Neubad · Neubad-Fall

Welche Bestandsinformation wird tatsächlich geliefert?

Ein Foto, eine Punktwolke, eine räumliche Darstellung und ein parametrisches BIM erfüllen verschiedene Zwecke. Ein räumlich verorteter Rundgang kann die Baustellendokumentation unterstützen, während die Planung Wanddicken und Anschlüsse benötigt. Entscheidend ist daher der geforderte Informationsumfang, nicht allein das Aufnahmegerät oder die Bezeichnung Scan-to-BIM.

Quelle 12: Wessels Zeist Deploys OpenSpace for Greater Visibility, Quality Assurance, and Objective Progress Tracking, Fundstelle(n): Meldung, usage/quality assurance und future progress tracking Quelle 13: 3-D-BIM-Modelle – Neubad Luzern, Fundstelle(n): Referenz Neubad Luzern, Datengrundlagen und BIM@SLU Quelle 1: Automated Scan-to-BIM for Construction Digital Transformation: Conceptual Framework, Processing Methods and Best-Practice Guidelines, Fundstelle(n): Methodenframework

Für eine belastbare Übergabe sind Aufnahmezeitpunkt, Koordinatenbezug, Abdeckung und Modellumfang gemeinsam zu dokumentieren. Bauteilgeometrie und Klassen können automatisch erzeugt werden; fehlende Attribute und unsichtbare Eigenschaften bleiben eigene Aufgaben. Ein plausibles Modell darf nicht als Messung verborgener Verhältnisse behandelt werden.

Quelle 4: Cloud2BIM: An open-source automatic pipeline for efficient conversion of large-scale point clouds into IFC format, Fundstelle(n): Abschnitte 3.1/3.5, 4.2.2/4.2.3, Tabelle 8 · Methodik Quelle 1: Automated Scan-to-BIM for Construction Digital Transformation: Conceptual Framework, Processing Methods and Best-Practice Guidelines, Fundstelle(n): Methodenframework Quelle 6: Evaluating confidence in geometric matching between 3D point clouds and BIM models by integrating coverage, distance, and distribution metrics, Fundstelle(n): Prüfmethodik

Der wirtschaftliche Vergleich muss bis zur benötigten Endqualität reichen. Aufnahmezeit und Rechenzeit allein erfassen weder Modellkorrektur noch Attributergänzung, Abnahme und spätere Pflege. Die vorliegenden Studien zeigen konkrete Zielkonflikte, liefern aber keinen allgemeinen Nettovorteil für jedes Gebäude.

Worauf es bei Reality Capture, Scan-to-BIM und As-built-Daten fachlich ankommt

BIMStruct3D verbindet Lernen mit Geometrie und Topologie

Studien-/Praxisbefund

Das Verfahren BIMStruct3D kombiniert das lernende Modell Point Transformer V3 mit geometrischer Rekonstruktion und regelgestützter Korrektur von Bauteilbeziehungen. Nach Training mit S3DIS, Structured3D und ScanNet testet die Arbeit sechs CV4AEC-Scans sowie vier Scans aus drei deutschen Krankenhausgebäuden. Der IFC-Umfang konzentriert sich auf Wände, Türen und Stützen. Die mittlere volumetrische IoU beträgt 27,3 Prozent beziehungsweise 35,2 Prozent auf den beiden Testbeständen.

Fachliche Einordnung

IoU misst die räumliche Überlappung mit der Referenz. Diese Werte sind kein Anteil eines vollständig verwendbaren BIM; das 5-cm-Voxelraster ist keine allgemeine Vermessungstoleranz. Kleine Testbestände, geometrische Annahmen und nicht erkannte Türen in einem Parkhausfall begrenzen den Gültigkeitsbereich.

Cloud2BIM: automatische Ausgabe durch geometrische Verfahren

Studien-/Praxisbefund

Cloud2BIM nutzt Geometrie, Histogramme und Heuristiken. Für ein ehemaliges Prager Hotel berichtet die Arbeit rund 40,15 Millionen Punkte, 9.348 Quadratmeter und 621 modellierte Elemente bei 30 Minuten CPU-Verarbeitung auf einem Core Ultra 165H mit 32 GB RAM.

Quelle 4: Cloud2BIM: An open-source automatic pipeline for efficient conversion of large-scale point clouds into IFC format, Fundstelle(n): Abschnitte 3.1/3.5, 4.2.2/4.2.3, Tabelle 8

Fachliche Einordnung

Automatisierung ist hier nicht gleichbedeutend mit gelernter Semantik. Die Rechenzeit umfasst keine vollständige Aufnahme, Parametersetzung und Korrektur. Fehlende Außenansichten erfordern Annahmen zur Wanddicke; Materialeigenschaften kommen als zusätzliche Eingaben hinzu.

Quelle 4: Cloud2BIM: An open-source automatic pipeline for efficient conversion of large-scale point clouds into IFC format, Fundstelle(n): Abschnitte 3.1/3.5, 4.2.2/4.2.3, Tabelle 8

Gaussian Splatting mit geometrischem Vorwissen

Studien-/Praxisbefund

GS4Buildings verwendet das Darstellungsverfahren Gaussian Splatting und verbindet dafür bildbasierte Rekonstruktion mit vorhandenen Gebäudegeometrien der Detailstufe LoD2. Neun Gebäudegruppen aus dem Münchner TUM2TWIN-Datensatz werden gegen terrestrische Laserscans und eine Referenz der Detailstufe LoD3 bewertet. Die geometrischen Verbesserungen unterscheiden sich zwischen den Szenen.

Quelle 5: GS4Buildings: Prior-Guided Gaussian Splatting for 3D Building Reconstruction, Fundstelle(n): Autorenfassung Abschnitte 3–4, Tabellen 2–3

Fachliche Einordnung

Vorwissen, Referenzmodell und Bewertungsgrenzen beeinflussen das Resultat. Eine visuell überzeugende Darstellung ist weder ein Blindtest der Vermessungsleistung noch ein vollständiges IFC mit Bauteilobjekten und Attributen. Geometrische Qualität muss unabhängig vom Bildeindruck geprüft werden.

Quelle 5: GS4Buildings: Prior-Guided Gaussian Splatting for 3D Building Reconstruction, Fundstelle(n): Autorenfassung Abschnitte 3–4, Tabellen 2–3

Geometrische Konfidenz macht Prüfbedarf sichtbar

Studien-/Praxisbefund

Ersöz und Bosché verbinden Abstand, Punktabdeckung und räumliche Verteilung zur Modellprüfung. Die Studie untersucht 46 Punktwolken-Modell-Paare mit mehr als 4.000 Elementen. Bei identischer Grundlage aus terrestrischen Laserscans (TLS) liegen in einem Gegenvergleich acht manuell modellierte und 18 automatisch modellierte Wände unter der gewählten Indexschwelle 0,25.

Fachliche Einordnung

Der Index hilft, prüfbedürftige Elemente zu erkennen. Er ist keine kalibrierte Fehlerwahrscheinlichkeit und misst nicht die benötigte Korrekturzeit. Auch eine geometrisch plausible Wand sagt ohne weitere Erhebung wenig über verdeckte Schichten oder Materialeigenschaften aus.

Zeitgewinn und Endqualität müssen zusammen betrachtet werden

Studien-/Praxisbefund

Ein ISARC-Vergleich von 2026 untersucht eine Wohnung und zwei Bürogeschosse mit insgesamt etwa 350 Quadratmetern. Die Aufnahme mit dem Laserscanner Leica BLK360 und manuelle Modellierung in der BIM-Software Revit benötigen 20 Stunden: vier für Aufnahme, sechs für Verarbeitung und zehn für Modellierung. Die integrierte mobile Erzeugung mit iPad Pro M4 und Metaroom 7.2.1 dauert 32 Minuten. Ihre Wand-IoU liegt bei 0,20–0,32, die Raum-IoU bei 0,84–0,93.

Quelle 14: A Comparative Study of Mobile Device and Terrestrial Laser Scanning-Based Scan-to-BIM Workflows, Fundstelle(n): Abschnitte 3.1–3.6, Tabellen 3–6, Conclusion

Fachliche Einordnung

Die mobile Variante liefert schnell ein Raumlayout, erreicht aber eine andere geometrische Qualität. Geschossübergreifendes Scannen scheiterte an Lagefehlern. Der Aufwand bis zu gleicher korrigierter und abgenommener Qualität wurde nicht verglichen.

Quelle 14: A Comparative Study of Mobile Device and Terrestrial Laser Scanning-Based Scan-to-BIM Workflows, Fundstelle(n): Abschnitte 3.1–3.6, Tabellen 3–6, Conclusion

Demonstratoren und neue Bild-Sprach-Ketten

Studien-/Praxisbefund

Fraunhofer IPA und Scantec3D beschreiben einen zweiwöchigen Quick Check: Lernende Segmentierung, die Auswertungsverfahren RANSAC/DBSCAN und geometrische Grundformen führen zu einem IFC-Demonstrator. Ein Originalabstract aus dem Cambridge-Repositorium beschreibt ergänzend eine Verarbeitungskette von Bildern zum BIM-Modell mit Bild-Sprach-Erkennung, dem Segmentierungsmodell SAM, neuralen Strahlungsfeldern (NeRF) und der BIM-Software Revit.

Quelle 7: KI-gestützte Umwandlung von Punktwolken in BIM-Modelle (Scan-to-BIM), Fundstelle(n): Projektbeschreibung: Herausforderung, Vorgehen, Ergebnis Quelle 8: Automated Image-to-BIM Using Neural Radiance Fields and Vision-Language Semantic Modeling, Fundstelle(n): Abstract im Cambridge-Repositorium

Fachliche Einordnung

Die Verfahren verbinden gelernte Erkennung mit weiteren Schritten zur Modellbildung. Beim Quick Check entsteht ein IFC-Demonstrator; numerische Leistung und benannte Testgebäude sind nicht veröffentlicht. Zur Image-to-BIM-Arbeit liegt als Grundlage das institutionelle Abstract vor. Es beschreibt Komponenten und Zielausgabe, lässt Testtrennung und Übertragung auf unbekannte Gebäude jedoch offen.

Industrielle Daten brauchen viel Facharbeit für die Kennzeichnung

Studien-/Praxisbefund

Industrial3D untersucht industrielle Laserscans einer Wasseraufbereitungsumgebung in Hongkong mit zwölf semantischen Klassen. Die Autoren nennen 754 Personenstunden für die fachliche Kennzeichnung der Daten (Annotation) durch fünf Fachleute sowie zehn Trainings- und zwei Testbereiche. Die Angaben zu Einrichtungen und Bereichen sind jedoch nicht durchgängig konsistent.

Quelle 9: Industrial3D: A Terrestrial LiDAR Point Cloud Dataset and Cross-Paradigm Benchmark for Industrial Infrastructure, Fundstelle(n): Dataset construction; Abschnitt 4.1; Tabelle 6

Fachliche Einordnung

Ob die Testdaten aus unabhängigen Standorten stammen, bleibt wegen der uneinheitlichen Einrichtungs- und Bereichsangaben unklar. Semantische Punktklassen sind außerdem noch keine parametrischen Bauteile. Seltener vorkommende Elemente und abweichende Anlagen bleiben wichtige Prüfbereiche; ein kleiner Punktabstand garantiert keine entsprechende Messgenauigkeit.

Quelle 9: Industrial3D: A Terrestrial LiDAR Point Cloud Dataset and Cross-Paradigm Benchmark for Industrial Infrastructure, Fundstelle(n): Dataset construction; Abschnitt 4.1; Tabelle 6

Konkrete Bestandsmodelle und regelmäßige Baustellendokumentation

Studien-/Praxisbefund

Der Anbieter VDE beschreibt für Neubad beziehungsweise Hallenbad Biregg in Luzern ein Modell für die städtische Immobilienverwaltung. Laserscans, 360-Grad-Bilder und historische Pläne dienen als Grundlage für IFC und DWG. Wessels Zeist nutzt laut einem Bericht des Anbieters OpenSpace von Februar 2026 wiederkehrende 360-Grad-Aufnahmen und räumlich zugeordnete Notizen zur Baustellendokumentation.

Fachliche Einordnung

Das Luzerner Modell bereitet Bestandsgeometrie aus Aufnahmen und historischen Unterlagen für die Immobilienverwaltung auf. Lernende Automation und unabhängig vermessene Toleranzen sind dabei nicht ausgewiesen. Wessels nutzt die räumlich zugeordneten Aufnahmen und Notizen zur wiederkehrenden Dokumentation. Eine weiterführende prozentuale Fortschrittsauswertung wird dort erst erkundet; der dokumentierte Ablauf umfasst kein geprüftes vollständiges BIM.

BAM: vorhandene Nutzung und neuer Ausbauvertrag

Studien-/Praxisbefund

OpenSpace berichtet im Februar 2026 über mehrjährige Anwendung bei BAM Netherlands in verschiedenen Projekten. Ein neuer Dreijahresvertrag sieht die schrittweise Einführung in weiteren Geschäftsbereichen sowie bei BAM UK & Ireland vor. Die Verbindung visueller Baustellendaten mit Modellen und Dokumenten gehört zum beschriebenen Ablauf.

Quelle 11: BAM baut Zusammenarbeit mit OpenSpace konzernweit aus, Fundstelle(n): Meldung 04.02.2026, bisherige Zusammenarbeit und konzernweiter Rollout

Fachliche Einordnung

Die visuelle Dokumentation verbindet den erfassten Baustellenzustand mit zugehörigen Modellen und Dokumenten. BAM nutzt diesen Ablauf seit mehreren Jahren in verschiedenen niederländischen Projekten. Der neue Vertrag sieht die Erweiterung auf weitere Geschäftsbereiche und Länder vor; wie weit dieser internationale Ausbau bereits umgesetzt ist, bleibt offen.

Quelle 11: BAM baut Zusammenarbeit mit OpenSpace konzernweit aus, Fundstelle(n): Meldung 04.02.2026, bisherige Zusammenarbeit und konzernweiter Rollout · 2026, Nutzung und Ausbauvertrag

Räumliche Daten für Fugenprüfung und Rückbauplanung

Studien-/Praxisbefund

Ein kontrollierter Außenraumversuch vergleicht Laserscanning und drohnengestützte Photogrammetrie an zehn Beton-Musterfugen gegen eine Totalstationsreferenz. Nach Registrierung werden Werte des Fehlermaßes RMSE an den Knoten von 2,02 beziehungsweise 2,15 mm berichtet. Eine SINTEF-Arbeit beschreibt im Originalabstract eine Rückbausequenzplanung mit Scan-to-BIM-Geometrie und zusätzlichen physikalischen Informationen; geprüft wurden zwei synthetische Tragwerke und ein realer Eingabefall.

Quelle 10: Automated robotic deconstruction sequence planning from scan-to-BIM data for reinforced concrete structure reuse, Fundstelle(n): Originalabstract, method and validation Quelle 15: Evaluating reality capture technologies for structural joint verification in prefabricated concrete assemblies, Fundstelle(n): Experimental setup, registration; Tabelle 5

Fachliche Einordnung

Die Millimeterwerte gelten für den Fugenversuch. Die Rückbauarbeit belegt einen Planungsbaustein und keinen ausgeführten robotischen Rückbau. Geometrie unterstützt Inventar und Planung; Schadstoffe, Tragfähigkeit, Verbindungen und Wiederverwendungseignung erfordern zusätzliche fachliche Untersuchungen.

Quelle 10: Automated robotic deconstruction sequence planning from scan-to-BIM data for reinforced concrete structure reuse, Fundstelle(n): Originalabstract, method and validation · Rückbausequenzmethodik Quelle 15: Evaluating reality capture technologies for structural joint verification in prefabricated concrete assemblies, Fundstelle(n): Experimental setup, registration; Tabelle 5

BUILDSPACE: Gebäudedaten in digitalen Zwillingen erproben

Studien-/Praxisbefund

Der erste Bericht des Forschungsprojekts BUILDSPACE umfasst Februar 2023 bis Juli 2024 und beschreibt fünf Gebäude in vier Pilotvorhaben sowie digitale Zwillinge. Der Bericht des Projektpartners SingularLogic über 2025 nennt weitere Prototypverfeinerung und Tests.

Quelle 2: BUILDSPACE – Periodic reporting, period 1, Fundstelle(n): Reporting, Work performed and main achievements Quelle 16: SingularLogic R&D Annual Report 2025 – BUILDSPACE, Fundstelle(n): PDF S. 7, BUILDSPACE

Fachliche Einordnung

BUILDSPACE führt räumliche Gebäudedaten in digitalen Zwillingen zusammen und arbeitet an deren Nutzung in Pilotvorhaben. Die weitere Verfeinerung und Erprobung der Prototypen beschreibt einen Entwicklungsstand. Wie vollständig die daraus erzeugten Modelle sind und welcher Nettoaufwand bis zur nutzbaren Übergabe entsteht, ist noch nicht gemessen.

Warum Reality Capture, Scan-to-BIM und As-built-Daten relevant ist

ReifegradPilotierung bis wachsender Praxiseinsatz

Die Spanne von Pilotierung bis wachsendem Praxiseinsatz betrifft die Erfassung und Aufbereitung räumlicher Daten für weitere Bauaufgaben. Reale Forschungsfälle stehen neben kommerzieller Modellierung und mehrjähriger Nutzung in verschiedenen BAM-Projekten. Für die obere Stufe ist die zeitliche Ausweitung derselben Nutzung unzureichend dokumentiert; sie bleibt insofern mit einem fachlichen Vorbehalt verbunden. Vollständige semantische BIM-Automation ist weniger weit abgesichert als diese Erfassungs- und Informationsabläufe.

Quelle 11: BAM baut Zusammenarbeit mit OpenSpace konzernweit aus, Fundstelle(n): Meldung 04.02.2026, bisherige Zusammenarbeit und konzernweiter Rollout Quelle 3: BIMStruct3D: A Fully Automated Hybrid Learning Scan-to-BIM Pipeline with Integrated Topology Refinement, Fundstelle(n): Reale Testfälle Quelle 12: Wessels Zeist Deploys OpenSpace for Greater Visibility, Quality Assurance, and Objective Progress Tracking, Fundstelle(n): Nutzungsbericht Quelle 13: 3-D-BIM-Modelle – Neubad Luzern, Fundstelle(n): Neubad

Evidenzbelastbare Praxis- oder Forschungsbelege

Forschungsarbeiten liefern nachvollziehbare Ergebnisse zu begrenzter Geometrie, Modellbildung und Qualitätsprüfung. Vergleichsreferenzen und Messgrößen sind dokumentiert. Der Forschungsüberblick von You, Chen und Xue ordnet 58 Scan-to-BIM-Fälle aus einer Literatursuche bis August 2025 ein. Er unterscheidet regelbasierte, klassische lernende und Deep-Learning-Verfahren über unterschiedliche Aufgaben. Die heterogenen Literaturfälle helfen bei der Methodenauswahl; sie bilden keine einheitliche Stichprobe vollständig autonomer BIM-Übergaben oder vergleichbarer Leistungstests. Konkrete Leistungszusagen benötigen passende Einzeluntersuchungen. Kleine Objektbestände und unterschiedliche Ergebnisqualität begrenzen die Übertragung. Zur Image-to-BIM- und zur Rückbausequenzarbeit bilden institutionelle Abstracts die Grundlage. Die beiden BUILDSPACE-Berichte stammen aus derselben Projektkette; eine unabhängige Prüfung vollständiger automatisch erzeugter Modelle oder des Nettoaufwands fehlt. Eine allgemeine Nettoersparnis ist nicht belegt.

Quelle 6: Evaluating confidence in geometric matching between 3D point clouds and BIM models by integrating coverage, distance, and distribution metrics, Fundstelle(n): Abschnitt 4.1, S. 9–10; Dataset/evaluation · Vergleichsfälle Quelle 14: A Comparative Study of Mobile Device and Terrestrial Laser Scanning-Based Scan-to-BIM Workflows, Fundstelle(n): Abschnitte 3.1–3.6, Tabellen 3–6, Conclusion Quelle 1: Automated Scan-to-BIM for Construction Digital Transformation: Conceptual Framework, Processing Methods and Best-Practice Guidelines, Fundstelle(n): Abschnitt 2.2, Tabellen 1–2, Autoren-PDF S. 6–8 Quelle 8: Automated Image-to-BIM Using Neural Radiance Fields and Vision-Language Semantic Modeling, Fundstelle(n): Abstract im Cambridge-Repositorium Quelle 10: Automated robotic deconstruction sequence planning from scan-to-BIM data for reinforced concrete structure reuse, Fundstelle(n): Originalabstract, method and validation Quelle 2: BUILDSPACE – Periodic reporting, period 1, Fundstelle(n): Reporting, Work performed and main achievements Quelle 16: SingularLogic R&D Annual Report 2025 – BUILDSPACE, Fundstelle(n): PDF S. 7, BUILDSPACE

EntwicklungsdynamikAktive Weiterentwicklung

Hybride Modellbildung, räumliche Rekonstruktion, Bild-Sprach-Verfahren und neue Datensätze werden konkret weiterentwickelt.

Aktuelle Arbeiten verbinden Lernen und Geometrie in IFC-Verarbeitungsketten, erschließen Bildsemantik und schaffen industrielle Trainingsdaten. Sie entwickeln unterschiedliche Teile der Modellbildung weiter. Ablationen und Methodenvergleiche innerhalb einzelner Studien liefern keine zeitliche Messreihe für eine beschleunigte Entwicklung des gesamten Feldes.

Quelle 3: BIMStruct3D: A Fully Automated Hybrid Learning Scan-to-BIM Pipeline with Integrated Topology Refinement, Fundstelle(n): 2026, hybride IFC-Pipeline Quelle 8: Automated Image-to-BIM Using Neural Radiance Fields and Vision-Language Semantic Modeling, Fundstelle(n): 2025, Abstract Quelle 9: Industrial3D: A Terrestrial LiDAR Point Cloud Dataset and Cross-Paradigm Benchmark for Industrial Infrastructure, Fundstelle(n): 2026, Datensatz

MarktdynamikBegrenzte Marktbewegung

Fortgesetzte Erfassungsnutzung ist belegt; angekündigte Erweiterungen sind noch kein Nachweis abgeschlossener Funktionsausweitung.

BAM und Wessels Zeist nutzen die Erfassung fortgesetzt in konkreten Arbeitsabläufen. Bei BAM ist eine weitere Einführung vertraglich vereinbart, bei Wessels werden zusätzliche Funktionen erkundet. Der tatsächliche Nutzungsverlauf dieser Erweiterungen ist noch nicht hinreichend dokumentiert.

Quelle 11: BAM baut Zusammenarbeit mit OpenSpace konzernweit aus, Fundstelle(n): 2026, Nutzung und Ausbauvertrag Quelle 12: Wessels Zeist Deploys OpenSpace for Greater Visibility, Quality Assurance, and Objective Progress Tracking, Fundstelle(n): 2026, wiederkehrende Nutzung

Für welche Bauprozesse Reality Capture, Scan-to-BIM und As-built-Daten relevant ist

Strategie & Projektentwicklung

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Bestands- und Zustandsdaten unterstützen frühe Projektannahmen. Auftraggeber müssen den Informationsbedarf, Aufnahmeumfang und Gültigkeitszeitpunkt bestimmen. Damit wird festgelegt, welche räumlichen Informationen für die weitere Planung bereitgestellt werden sollen.

Planung & Design

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Registrierte Aufnahmen und geprüfte Bauteilmodelle liefern direkte Grundlagen der Bestandsplanung. Koordinaten, Wandgeometrie, Modellumfang und fehlende Attribute müssen vor der planerischen Nutzung geprüft werden.

Quelle 13: 3-D-BIM-Modelle – Neubad Luzern, Fundstelle(n): Referenz Neubad Luzern, Datengrundlagen und BIM@SLU · Neubad-Fall

Ausschreibung & Vergabe

Relevanz: 0 von 3 Punkten, Keine unmittelbare Relevanz

Bestandsdaten können vorgelagerte Unterlagen für Ausschreibung und Vergabe verbessern. Die beschriebenen Erfassungs- und Modellierungsverfahren liefern jedoch keine unmittelbare KI-Funktion für den Vergabeablauf.

Bauausführung & Baustellenmanagement

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Datierte und räumlich zugeordnete Aufnahmen unterstützen Bauzustands- und Qualitätsprüfung. Bauleitung und Fachprüfung benötigen aktuelle Referenzstände und müssen Abweichungen vor daraus folgenden Maßnahmen bewerten.

Betrieb & Instandhaltung

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Geprüfte Daten des erfassten Bauzustands (As-built-Daten) ergänzen das Wissen über Räume und Anlagen. Ihr Nutzen im Betrieb hängt von eindeutiger Zuordnung, dokumentierten Änderungen und fortgesetzter Pflege ab; ein einmaliger Scan bildet spätere Umbauten nicht ab.

Quelle 13: 3-D-BIM-Modelle – Neubad Luzern, Fundstelle(n): Referenz Neubad Luzern, Datengrundlagen und BIM@SLU · Neubad-Fall Quelle 1: Automated Scan-to-BIM for Construction Digital Transformation: Conceptual Framework, Processing Methods and Best-Practice Guidelines, Fundstelle(n): Methodenframework

Rückbau & Kreislaufwirtschaft

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Erfasste Geometrie unterstützt unmittelbar Rückbauinventare und Bauteilzuordnung. Materialien, Schadstoffe und Wiederverwendungseignung müssen gesondert untersucht werden; die Inventargrundlage ist keine Freigabe zur Wiederverwendung.

Für wen Reality Capture, Scan-to-BIM und As-built-Daten relevant ist

Bauherren und Auftraggeber

Auftraggeber können Planungsbeteiligten eine gemeinsame räumliche Grundlage bereitstellen. Vor der Beauftragung müssen sie Modellumfang, Toleranzen und Abnahmekriterien festlegen; mehr erfasste Punkte sind kein Ersatz für passende Information.

Quelle 13: 3-D-BIM-Modelle – Neubad Luzern, Fundstelle(n): Referenz Neubad Luzern, Datengrundlagen und BIM@SLU Quelle 6: Evaluating confidence in geometric matching between 3D point clouds and BIM models by integrating coverage, distance, and distribution metrics, Fundstelle(n): Prüfmethodik

Architektur-, Ingenieur- und Planungsbüros

Planungsbüros können vorhandene Geometrie übernehmen und gezielt ergänzen. Sie verantworten Bauteilkorrektur, fehlende Eigenschaften und die Eignung für den Planungszweck; diese Arbeit ist im Zeitvergleich zu berücksichtigen.

Quelle 14: A Comparative Study of Mobile Device and Terrestrial Laser Scanning-Based Scan-to-BIM Workflows, Fundstelle(n): Abschnitte 3.1–3.6, Tabellen 3–6, Conclusion · Zeitvergleich/Conclusion

Bauunternehmen und Generalunternehmer

Bauunternehmen können einen datierten Zustand gemeinsam beurteilen. Dafür organisieren sie Aufnahmezugang und Wiederholungen, prüfen Referenzstände und bewerten dokumentierte Befunde. Die räumliche Zuordnung hilft, Beobachtungen mit der passenden Stelle und dem aktuellen Referenzstand abzugleichen.

Betreiber, Facility- und Asset-Management

Betreiber gewinnen räumlich zugeordnetes Bestandswissen. Sie müssen Übergabeumfang, Zuständigkeiten und Aktualisierung sichern; historische Aufnahmen dürfen nicht ohne Prüfung als gegenwärtiger Zustand verwendet werden.

Quelle 13: 3-D-BIM-Modelle – Neubad Luzern, Fundstelle(n): Referenz Neubad Luzern, Datengrundlagen und BIM@SLU Quelle 1: Automated Scan-to-BIM for Construction Digital Transformation: Conceptual Framework, Processing Methods and Best-Practice Guidelines, Fundstelle(n): Methodenframework

Technologieanbieter und Systemintegratoren

Integratoren verbinden Erfassung, Klassifikation und Modellübergabe. Sie müssen unterstützte Klassen, geometrische Annahmen, Versionen und Fehlerfälle offenlegen und das Ergebnis am erforderlichen Modellumfang prüfen.

Quelle 3: BIMStruct3D: A Fully Automated Hybrid Learning Scan-to-BIM Pipeline with Integrated Topology Refinement, Fundstelle(n): Methodology; Experiments, Dataset description; Conclusion Quelle 6: Evaluating confidence in geometric matching between 3D point clouds and BIM models by integrating coverage, distance, and distribution metrics, Fundstelle(n): Prüfmethodik

Rückbau-, Entsorgungs- und Recyclingunternehmen

Rückbau- und Recyclingunternehmen können sichtbare Bauteile systematisch inventarisieren. Zusätzlich nötig bleiben Material- und Schadstoffinformationen sowie Prüfungen der Verbindungen und Eignung; ein automatisch erzeugtes Modell ersetzt diese Nachweise nicht.

Mit welchen Technologie- und Anwendungsfeldern Reality Capture, Scan-to-BIM und As-built-Daten verknüpft ist

Hauptbezug

BIM & Digitaler Zwilling

Räumliche Daten werden zu Bauteilobjekten, Parametern und verwendbaren Bestandsmodellen. Ein IFC-Export ist auf den benötigten Inhalt zu prüfen. Soll das Modell später als digitaler Zwilling fortgeführt werden, müssen neue Zustände und bauliche Änderungen mit den vorhandenen Objekten verbunden werden.

Quelle 3: BIMStruct3D: A Fully Automated Hybrid Learning Scan-to-BIM Pipeline with Integrated Topology Refinement, Fundstelle(n): Methodology; Experiments, Dataset description; Conclusion · IFC-Rekonstruktion Quelle 4: Cloud2BIM: An open-source automatic pipeline for efficient conversion of large-scale point clouds into IFC format, Fundstelle(n): Abschnitte 3.1/3.5, 4.2.2/4.2.3, Tabelle 8

Verknüpftes Feld

Robotik, Automatisierung & Physical AI

Mobile oder robotische Systeme können räumliche Daten erfassen und weiterverwenden. Geometrie unterstützt die nachgelagerte Rückbauplanung. Für eine ausgeführte Handlung müssen zusätzlich Verbindungen, physikalische Eigenschaften und sichere Abläufe am tatsächlichen Objekt geprüft werden.

Quelle 10: Automated robotic deconstruction sequence planning from scan-to-BIM data for reinforced concrete structure reuse, Fundstelle(n): Originalabstract, method and validation · Rückbauplanung

Verknüpftes Feld

Datenplattformen & KI-Infrastruktur

Koordinaten, Formate und Versionsstände verbinden Aufnahmen mit Modellen und Arbeitsabläufen. Die Plattform macht diese Informationen gemeinsam verfügbar. Eine Beobachtung muss dabei dem richtigen Projekt, Ort und Modellstand zugeordnet bleiben.

Quelle 11: BAM baut Zusammenarbeit mit OpenSpace konzernweit aus, Fundstelle(n): Meldung 04.02.2026, bisherige Zusammenarbeit und konzernweiter Rollout · Plattformintegration

Verknüpftes Feld

Predictive Analytics & Entscheidungen

Der Abgleich von Messung und Modell liefert Hinweise für Qualitätsprüfung und Entscheidungen. Geometrische Konfidenz kann Nachprüfung lenken, bestätigt aber weder verdeckte Eigenschaften noch die fachliche Richtigkeit der anschließenden Entscheidung.

Verknüpfte Fachbegriffe und Detailthemen

360-Grad-Erfassung: 360-Grad-Aufnahmen ermöglichen räumlich zugeordnete Rundgänge für die Dokumentation sichtbarer Bauzustände.
Drohne: Drohnen tragen Aufnahmegeräte und erschließen Bauwerksbereiche für die bild- oder laserbasierte Zustandserfassung.
Laserscanning: Laserscanning erfasst Oberflächen als räumliche Messpunkte, aus denen ein nutzbares Bestandsmodell entwickelt werden kann.
LiDAR: LiDAR liefert räumliche Abstandsmessungen zur Erfassung sichtbarer Bauwerks- und Bestandsgeometrie.
Neurales Strahlungsfeld: Neurale Strahlungsfelder sind Bestandteil einer vorgestellten Forschungskette, die Bilddaten für die Entwicklung von BIM-Modellen erschließt.
Photogrammetrie: Photogrammetrie gewinnt räumliche Informationen aus überlappenden Bildern und ergänzt die messtechnische Bestandserfassung.
Punktwolke: Punktwolken dokumentieren erfasste Oberflächen und bilden eine Ausgangsbasis für die Modellierung von Bauteilen.
Scan-to-BIM: Scan-to-BIM überführt erfasste Geometrie in Bauteilmodelle, deren Informationsumfang zum vorgesehenen Planungs- oder Betriebszweck passen muss.
Semantische Segmentierung: Die Segmentierung gliedert Bild- oder Scandaten in fachlich unterscheidbare Bereiche für die anschließende Bauteilmodellierung.

Quellen und Evidenz zu Reality Capture, Scan-to-BIM und As-built-Daten

Die Quellenangaben dokumentieren die fachliche Grundlage des Impulsprofils. Öffnen Sie bei Bedarf die Verwendung im Profil, um zu den belegten Textstellen zurückzukehren.

Quelle 1
Automated Scan-to-BIM for Construction Digital Transformation: Conceptual Framework, Processing Methods and Best-Practice Guidelines
Herausgeber
You, Chen, Xue; Automation in Construction / Autorenfassung
Publiziert
Februar 2026
Quellentyp
Systematischer Review / Autorenfassung
Geltungsbereich
Vollständige Autorenfassung; nachvollziehbare Literaturauswahl. Sekundäre Synthese heterogener Arbeiten, kein eigener Praxisversuch. Februar2026 bezeichnet das Heftdatum; kein verifiziertes Online-first-Datum.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (10 Textstellen)
- MethodenframeworkTextstelle 1 Textstelle 2 Textstelle 3 Textstelle 4 Textstelle 5 Textstelle 33 Textstelle 35 Textstelle 37 Textstelle 42
- Abschnitt 2.2, Tabellen 1–2, Autoren-PDF S. 6–8Textstelle 30
Quelle 2
BUILDSPACE – Periodic reporting, period 1
Herausgeber
Europäische Kommission / CORDIS
Publiziert
undatiert
Quellentyp
Offizieller Projektbericht
Geltungsbereich
Offizielle Projektberichterstattung, aber Selbstbericht und älterer Berichtszeitraum; Ziele und Ergebniszahlen ohne unabhängige Leistungsprüfung. Seitenupdate17.02.2025, kein gesichertes Publikationsdatum.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Reporting, Work performed and main achievementsTextstelle 27 Textstelle 28 Textstelle 30
Quelle 3
BIMStruct3D: A Fully Automated Hybrid Learning Scan-to-BIM Pipeline with Integrated Topology Refinement
Herausgeber
Chamseddine et al.; DFKI/RPTU; arXiv v2
Publiziert
05.05.2026
Quellentyp
Wissenschaftliche Originalarbeit
Geltungsbereich
Offener Methoden- und Ergebnisteil, externe Datensätze und Ablation; begrenzte Gebäude- und Klassenabdeckung, keine unabhängige Replikation.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- Methodology; Experiments, Dataset description; ConclusionTextstelle 7 Textstelle 8 Textstelle 43 Textstelle 45
- Experiments, Tabellen 1–3 und Ablation studyTextstelle 7 Textstelle 8
- Reale TestfälleTextstelle 29
- 2026, hybride IFC-PipelineTextstelle 31
- IFC-RekonstruktionTextstelle 45
Quelle 4
Cloud2BIM: An open-source automatic pipeline for efficient conversion of large-scale point clouds into IFC format
Herausgeber
Autoren / Czech Technical University in Prague; arXiv v1
Publiziert
14.03.2025
Quellentyp
Wissenschaftliche Originalarbeit
Geltungsbereich
Vollständiger Methoden-/Fallbericht mit IFC und Parametern; geometrische Heuristiken und begrenzte Vergleichsfälle, keine kontrollierte Gesamtkostenstudie.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- MethodikTextstelle 1 Textstelle 2 Textstelle 3 Textstelle 5
- Abschnitte 3.1/3.5, 4.2.2/4.2.3, Tabelle 8Textstelle 5 Textstelle 9 Textstelle 10 Textstelle 45
Quelle 5
GS4Buildings: Prior-Guided Gaussian Splatting for 3D Building Reconstruction
Herausgeber
Zhang, Wysocki, Jutzi; TUM / ISPRS Annals
Publiziert
18.09.2025
Quellentyp
Wissenschaftliche Originalarbeit
Geltungsbereich
Begutachteter offener Geometrievergleich; ergänzend vollständige Autorenfassung https://arxiv.org/html/2508.07355v1. Test mit vorhandenen geometrischen Priors, kein vollständiges BIM.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Autorenfassung Abschnitte 3–4, Tabellen 2–3Textstelle 11 Textstelle 12
Quelle 6
Evaluating confidence in geometric matching between 3D point clouds and BIM models by integrating coverage, distance, and distribution metrics
Herausgeber
Ersöz, Bosché; Automation in Construction / METU-Repositorium
Publiziert
31.10.2025
Quellentyp
Wissenschaftliche Originalarbeit
Geltungsbereich
Vollständiger Fachartikel mit Vergleichsfällen und Messdefinitionen; geometrische Indizes, keine kalibrierten Material- oder Sicherheitswahrscheinlichkeiten.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (9 Textstellen)
- PrüfmethodikTextstelle 2 Textstelle 5 Textstelle 14 Textstelle 39 Textstelle 43
- Abschnitt 4.1, S. 9–10; Dataset/evaluationTextstelle 6 Textstelle 13 Textstelle 14 Textstelle 30 Textstelle 48
- VergleichsfälleTextstelle 30
Quelle 7
KI-gestützte Umwandlung von Punktwolken in BIM-Modelle (Scan-to-BIM)
Herausgeber
S-TEC / Fraunhofer IPA und Scantec3D
Publiziert
undatiert
Quellentyp
Institutioneller Projektbericht
Geltungsbereich
Institutionelle Projektbeschreibung eines Quick Checks; überprüfbares Vorgehen, aber keine veröffentlichten numerischen Leistungsdaten oder benannten Testgebäude.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Projektbeschreibung: Herausforderung, Vorgehen, ErgebnisTextstelle 17 Textstelle 18
Quelle 8
Automated Image-to-BIM Using Neural Radiance Fields and Vision-Language Semantic Modeling
Herausgeber
Mehraban et al.; Buildings / University of Cambridge Repository
Publiziert
16.12.2025
Quellentyp
Institutioneller Originalabstract
Geltungsbereich
Institutionelles Originalabstract als Grundlage der Funktionsbeschreibung; Publikationsdatum aus Verlagsmetadaten. Testtrennung und Generalisierung sind nicht ausreichend beschrieben.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- Abstract im Cambridge-RepositoriumTextstelle 17 Textstelle 18 Textstelle 30
- 2025, AbstractTextstelle 31
Quelle 9
Industrial3D: A Terrestrial LiDAR Point Cloud Dataset and Cross-Paradigm Benchmark for Industrial Infrastructure
Herausgeber
Yin et al.; arXiv v1
Publiziert
30.03.2026
Quellentyp
Wissenschaftliche Originalarbeit
Geltungsbereich
Offener Datensatz-/Benchmarkbericht; Preprint mit uneinheitlichen Angaben zu 13 Einrichtungen/Bereichen und 12 Bereichen in Tabelle/Split. Keine unabhängige Replikation.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Dataset construction; Abschnitt 4.1; Tabelle 6Textstelle 19 Textstelle 20
- 2026, DatensatzTextstelle 31
Quelle 10
Automated robotic deconstruction sequence planning from scan-to-BIM data for reinforced concrete structure reuse
Herausgeber
Ostapska et al.; SINTEF / Automation in Construction
Publiziert
03.10.2025
Quellentyp
Institutioneller Originalabstract
Geltungsbereich
Institutionelles Originalabstract als Grundlage für Funktions- und Testumfang; kein praktischer Rückbaunachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- Originalabstract, method and validationTextstelle 25 Textstelle 26 Textstelle 30 Textstelle 38 Textstelle 44 Textstelle 46
- RückbausequenzmethodikTextstelle 26 Textstelle 38
- Informationsbedarf der RückbauplanungTextstelle 44
- RückbauplanungTextstelle 46
Quelle 11
BAM baut Zusammenarbeit mit OpenSpace konzernweit aus
Herausgeber
OpenSpace
Publiziert
04.02.2026
Quellentyp
Anbieterbericht
Geltungsbereich
Datierter Anbieterbericht mit benanntem Kunden, mehrjähriger Nutzung und vereinbartem künftigem Rollout; kein unabhängiger Wirkungsnachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- Meldung 04.02.2026, bisherige Zusammenarbeit und konzernweiter RolloutTextstelle 23 Textstelle 24 Textstelle 29 Textstelle 47
- 2026, Nutzung und AusbauvertragTextstelle 24 Textstelle 32
- PlattformintegrationTextstelle 47
Quelle 12
Wessels Zeist Deploys OpenSpace for Greater Visibility, Quality Assurance, and Objective Progress Tracking
Herausgeber
OpenSpace
Publiziert
17.02.2026
Quellentyp
Anbieterbericht
Geltungsbereich
Benannter niederländischer Anwender und konkreter Ablauf; Bericht von OpenSpace wie der BAM-Fall, keine gemessene Nettoersparnis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- Meldung, usage/quality assurance und future progress trackingTextstelle 4 Textstelle 21 Textstelle 22 Textstelle 36 Textstelle 41
- NutzungsberichtTextstelle 29
- 2026, wiederkehrende NutzungTextstelle 32
- QualitätsdokumentationTextstelle 36
- PraxisablaufTextstelle 41
Quelle 13
3-D-BIM-Modelle – Neubad Luzern
Herausgeber
VDE
Publiziert
undatiert
Quellentyp
Anbieterbericht
Geltungsbereich
Konkretes Objekt, Auftraggeber, Eingaben und Formate; undatierter kommerzieller Projektbericht ohne belegte KI-Funktion oder unabhängige Toleranzmessung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (11 Textstellen)
- NeubadTextstelle 3 Textstelle 29
- Neubad-FallTextstelle 3 Textstelle 33 Textstelle 34 Textstelle 35 Textstelle 37
- Referenz Neubad Luzern, Datengrundlagen und BIM@SLUTextstelle 4 Textstelle 21 Textstelle 22 Textstelle 34 Textstelle 37 Textstelle 39 Textstelle 42
Quelle 14
A Comparative Study of Mobile Device and Terrestrial Laser Scanning-Based Scan-to-BIM Workflows
Herausgeber
Ersöz, Bosché; IAARC / ISARC 2026
Publiziert
2026
Quellentyp
Wissenschaftliche Originalarbeit
Geltungsbereich
Konferenzartikel der ISARC vom Juni 2026 mit Geräten, Version, Referenz und Stufenzeiten; zwei Gebäudetypen und ungleiche Ergebnisqualität.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- Abschnitte 3.1–3.6, Tabellen 3–6, ConclusionTextstelle 6 Textstelle 15 Textstelle 16 Textstelle 30 Textstelle 40
- Zeitvergleich/ConclusionTextstelle 6 Textstelle 40
Quelle 15
Evaluating reality capture technologies for structural joint verification in prefabricated concrete assemblies
Herausgeber
Huang, Wang; Matéria / SciELO
Publiziert
27.04.2026
Quellentyp
Wissenschaftliche Originalarbeit
Geltungsbereich
Offener Versuchsbericht mit Totalstationsreferenz; zehn Außenraum-Musterfugen und enges Messszenario, keine semantische BIM-Automation.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Experimental setup, registration; Tabelle 5Textstelle 25 Textstelle 26
Quelle 16
SingularLogic R&D Annual Report 2025 – BUILDSPACE
Herausgeber
SingularLogic
Publiziert
undatiert
Quellentyp
Projektpartnerbericht
Geltungsbereich
Originalbericht, Berichtsjahr 2025 ist kein nachgewiesenes Publikationsdatum; beteiligter Projektpartner, keine unabhängige Validierung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- PDF S. 7, BUILDSPACETextstelle 27 Textstelle 28 Textstelle 30

Alle Impulse im Radar entdecken

Reality Capture, Scan-to-BIM und As-built-Daten

Um was geht es bei Reality Capture, Scan-to-BIM und As-built-Daten?

Einordnung im Impulsradar

Welche Bestandsinformation wird tatsächlich geliefert?

Worauf es bei Reality Capture, Scan-to-BIM und As-built-Daten fachlich ankommt

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Warum Reality Capture, Scan-to-BIM und As-built-Daten relevant ist

Für welche Bauprozesse Reality Capture, Scan-to-BIM und As-built-Daten relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen Reality Capture, Scan-to-BIM und As-built-Daten relevant ist

Bauherren und Auftraggeber

Architektur-, Ingenieur- und Planungsbüros

Bauunternehmen und Generalunternehmer

Betreiber, Facility- und Asset-Management

Technologieanbieter und Systemintegratoren

Rückbau-, Entsorgungs- und Recyclingunternehmen

Mit welchen Technologie- und Anwendungsfeldern Reality Capture, Scan-to-BIM und As-built-Daten verknüpft ist

BIM & Digitaler Zwilling

Robotik, Automatisierung & Physical AI

Datenplattformen & KI-Infrastruktur

Predictive Analytics & Entscheidungen

Verknüpfte Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu Reality Capture, Scan-to-BIM und As-built-Daten

Quellen und Evidenz zu Reality Capture, Scan-to-BIM und As-built-Daten

Automated Scan-to-BIM for Construction Digital Transformation: Conceptual Framework, Processing Methods and Best-Practice Guidelines

BUILDSPACE – Periodic reporting, period 1

BIMStruct3D: A Fully Automated Hybrid Learning Scan-to-BIM Pipeline with Integrated Topology Refinement

Cloud2BIM: An open-source automatic pipeline for efficient conversion of large-scale point clouds into IFC format

GS4Buildings: Prior-Guided Gaussian Splatting for 3D Building Reconstruction

Evaluating confidence in geometric matching between 3D point clouds and BIM models by integrating coverage, distance, and distribution metrics

KI-gestützte Umwandlung von Punktwolken in BIM-Modelle (Scan-to-BIM)

Automated Image-to-BIM Using Neural Radiance Fields and Vision-Language Semantic Modeling

Industrial3D: A Terrestrial LiDAR Point Cloud Dataset and Cross-Paradigm Benchmark for Industrial Infrastructure

Automated robotic deconstruction sequence planning from scan-to-BIM data for reinforced concrete structure reuse

BAM baut Zusammenarbeit mit OpenSpace konzernweit aus

Wessels Zeist Deploys OpenSpace for Greater Visibility, Quality Assurance, and Objective Progress Tracking

3-D-BIM-Modelle – Neubad Luzern

A Comparative Study of Mobile Device and Terrestrial Laser Scanning-Based Scan-to-BIM Workflows

Evaluating reality capture technologies for structural joint verification in prefabricated concrete assemblies

SingularLogic R&D Annual Report 2025 – BUILDSPACE

Passende Deep Dives

KI-gestützte Qualitätskontrolle im Bau: Ausführung prüfen und Mängel früher erkennen