Künstliche Intelligenz Mobilität
© Universität Passau

Forschungsprojekt

Wie Künstliche Intelligenz die Mobilität verbessert

14. November 2020
Die Universität Passau erforscht zwei Jahre lang, wie sich Mobilität im ländlichen Raum mit Hilfe von künstlicher Intelligenz gestalten lässt. Zwei Forscher erläutern das wissenschaftliche Konzept im KOMMUNAL-Gastbeitrag.

von Tomas Sauer und Michael Granitzer

Die Zukunft der Mobilität umfasst weit mehr als selbstfahrende Autos und Elektromobilität. Sie verlangt eine ganzheitliche Herangehensweise an die Frage, wie Menschen und Güter vom Ausgangs- an den Zielort gebracht werden können. Dazu müssen knappe Ressourcen wie die Kapazitäten der Verkehrswege – Straßen, Schienen, Wasser, Luft und Energie möglichst optimal genutzt werden, um die Transportanforderungen innerhalb einer gewissen Zeit erfüllen zu können. Das Ziel: Menschen wie Güter sollten rechtzeitig und unter vertretbarem Zeitaufwand ihr Ziel erreichen und persönliche Präferenzen berücksichtigt werden, wie etwa gewünschte Abfahrts- und Ankunftszeiten, bevorzugte Verkehrsmittel oder wie oft man umsteigen möchte.

Mobilität an der Schnittstelle zur Stadt optimieren

Die Mobilitätsmuster und die Verteilung und Verfügbarkeit verschiedener Mobilitätstypen unterscheiden sich deutlich in städtischen und ländlichen Regionen. Der öffentliche Nahverkehr, aber auch der Gütertransport ist auf dem Land anders strukturiert als in der Stadt.

In dem vom Bundesministerium für Verkehr und digitale Infrastruktur geförderten Forschungsprojekt „KIMoNo“ (KI-basierte, typübergreifende Mobilitätsoptimierung in non-urbanen Regionen) widmen wir uns an der Universität Passau derzeit der Frage, wie der Einsatz künstlicher Intelligenz dazu beitragen kann, Mobilität an der Schnittstelle zu den urbanen Regionen zu optimieren und den Bedürfnissen der Menschen anzupassen. Verbessert werden könnten mit dem Einsatz künstlicher Intelligenz der Ablauf von Logistikketten. Außerdem könnte die Sicherheit erhöht werden.  Sie hilft bei der Erfassung von Mobilitätsdaten und der Koordinierung der Mobilität.

Mithilfe von Sensorik werden Optimierungsdaten gesammelt

So werden in unserem Forschungsprojekt per kognitiver Sensorik für Logistik und Sicherheit Frachtgüter dahingehend überprüft, ob sie korrekt und intakt sind. Das reicht von der Frage, ob ein Seefrachtcontainer Schmuggelware wie Waffen oder Drogen enthält, ob in einem Paket auch das enthalten ist, was der Versender angegeben hat, oder ob die enthaltene Ware beschädigt ist. Das alles natürlich, ohne den Container oder das Paket öffnen zu müssen.

Also kommt eine große Bandbreite an Sensorik von der Waage bis zur Röntgentomographie zum Einsatz. Die Interpretation der Sensordaten und Ermittlung der benötigten Information, also ob die Sendung korrekt ist oder nicht, ist dann Aufgabe der KI. Diese muss die Muster und Zusammenhänge aus bekannten Objekten erlernen. Konkret geht es um den Aufbau einer technischen Plattform, mit deren Hilfe relevante Informationen über Warensendungen gesammelt werden. Dafür werden multimodale Sensordaten gesammelt. Diese Sensordaten stellen die Grundlage für nachfolgende Optimierungsalgorithmen dar.

Künstliche Intelligenz könnte dabei helfen, die Privatsphäre zu erhalten

Im Bereich der dezentralen KI-Infrastruktur und Optimierung stellen wir uns die Frage, wie relevante Mobilitätsdaten von einzelnen Verkehrsteilnehmern erfasst und dezentral verarbeitet werden können. Vor allem auf dem Land liegen aufgrund der rein räumlichen Ausdehnung meist wenig Mobilitätsdaten vor. Andererseits stehen über Verkehrsteilnehmer eine Menge an Sensoren zur Verfügung, beispielsweise in Neuwagen oder über das Smartphone. Durch KI-basierte Ansätze können diese Daten direkt am jeweiligen Gerät analysiert und so aufbereitet werden, dass die Privatsphäre erhalten bleibt.

Durch die Verknüpfung und Analyse der Daten – auch mit anderen Branchen – entsteht ein enormes Optimierungspotential, etwa zur Reduktion von Leerfahrten im Transportwesen oder zur Empfehlung von idealen Fahrtzeiten und -wegen für den Individualverkehr. Die dezentrale KI-Infrastruktur für lokale Mobilitätsanwendungen beschäftigt sich also mit der Frage, wie KI-Anwendungen für die Mobilitätsoptimierungen verteilt werden können, um einerseits eine stärkere Beteiligung von Bürgern zu erreichen und andererseits eine die Privatsphäre berücksichtigende Sammlung von Daten zu ermöglichen.

Durch KI-Anwendungen könnten Leerfahrten vermieden werden

Ein weiteres Forschungsfeld sind KI-basierte Methoden zur Optimierung von Mobilitätsbewegungen. Dabei befassen wir uns mit der Optimierung von Mobilitätsmustern vor allem im Güterverkehr unter Nutzung branchenübergreifender Daten. Durch die Optimierung können zum Beispiel Leerfahrten vermieden und somit sowohl ökologische als auch ökonomische Aspekte optimiert werden.

Diese Anwendungen mögen zwar sehr unterschiedlich klingen, aber sie haben doch eine starke methodische Gemeinsamkeit: Auf der Basis gesammelter Daten werden Muster erkannt und Zusammenhänge gelernt, die letztlich die relevante Information aus den Daten extrahieren, auf deren Basis optimale Entscheidungen getroffen werden, beispielsweise ein Paket auszusondern oder eine Transportroute festzulegen. Das problembezogene Konfigurieren und Trainieren dieser lernenden Maschinen ist die zentrale gemeinsame wissenschaftliche Herausforderung unseres Projekts.

Und selbst wenn die erzielten konkreten Ergebnisse unseres Projekts in vielen Fällen spezifisch für non-urbane Regionen und auch nur dort nutzbar sind, so sollte sich doch vieles von der entwickelten Methodik auch auf andere Regionen und ähnliche Fragestellungen übertragen lassen.

Tomas Sauer

Tomas Sauer lehrt Mathematik mit Schwerpunkt Digitale Bildverarbeitung an der Universität Passau. Der Professor leitet das Institut FORWISS sowie die Fraunhofer-Forschergruppe „Wissensbasierte Bildverarbeitung“.

Michael Granitzer

Michael Granitzer ist Inhaber des Lehrstuhls für Data Science an der Universität Passau. Der Professor forscht unter anderem zu maschinellen Lerntechniken und der Analyse heterogener Daten.