Die Mobile-Laser-Scanning-Technologie ermöglicht die schnelle Erfassung hochdetaillierter 3D-Darstellungen von Straßenumgebungen in einer einzigen Befahrung bei üblichen Fahrgeschwindigkeiten. Die Effizienz dieses Datenerfassungsprozesses hat die Vermessungsabläufe in zahlreichen Ingenieurprojekten grundlegend verändert. Trotz dieser Fortschritte stellt die Merkmalsextraktion, insbesondere die Erzeugung CAD- und GIS-kompatibler Ergebnisse, weiterhin eine erhebliche Herausforderung dar. Dies gilt insbesondere für lineare Straßenobjekte wie Bordsteine und Fahrbahnmarkierungen. Die Extraktion dieser Merkmale aus mobilen LiDAR-Punktwolken ist nach wie vor ein äußerst zeitaufwändiger und arbeitsintensiver Prozess. Zwar haben halbautomatisierte Verfahren die Effizienz verbessert, sie erfordern jedoch weiterhin einen erheblichen Benutzereingriff sowie viele Stunden manueller Nachbearbeitung. Zur Überwindung dieser Einschränkungen stellt dieser Vortrag Reflektars neuartiges KI-Framework zur vollautomatischen, netzwerkweiten Extraktion von Bordsteinen und Fahrbahnmarkierungen aus mobilen LiDAR-Punktwolken vor. Das Framework kombiniert überwachtes Deep Learning zur Merkmalserkennung mit einer unüberwachten Machine-Learning-Pipeline, die auf Basis der Erkennungsergebnisse geometrische und semantische Attribute vektorisiert. Die erzeugten Ergebnisse umfassen CAD- und GIS-kompatible Darstellungen von Straßenmerkmalen wie Ober- und Unterkante des Bordsteins, Fahrstreifenmarkierungen, gestrichelten Linien, Richtungspfeilen sowie weiteren Fahrbahnmarkierungssymbolen. Durch den vollständigen Verzicht auf manuelle Eingriffe ermöglicht das vorgestellte Framework einen skalierbaren Einsatz über Hunderte von Kilometern Straßennetz. Der Vortrag erläutert die zugrunde liegende Methodik und präsentiert die Ergebnisse einer stadtweiten Implementierung des neuartigen Reflektar-Frameworks. Darüber hinaus werden anspruchsvolle Grenzfälle sowie Ergebnisse aus Tests in unterschiedlichen Umgebungen und mit verschiedenen mobilen Kartierungssystemen vorgestellt.