Die Mobilität von morgen ist geprägt von Lernenden Systemen: Verkehrsträger werden automatisierter und stärker miteinander sowie mit der Infrastruktur vernetzt. Das macht den Verkehr sicherer und flüssiger. Schon heute gibt es Autopilotfunktionen und Fahrassistenzsysteme sowie Plattformen, die Echtzeitdaten nutzen – etwa für Carsharing, Buchungsportale oder Verspätungsinformationen. Vernetzung erfasst Verkehrsströme und Nutzerverhalten und fördert die Weiterentwicklung Lernender Systeme. KI kann u. a. die Umfeldwahrnehmung vernetzter Fahrzeuge verbessern, Staus durch Echtzeitanalysen verringern und Emissionen durch effizientere Fahrweisen reduzieren.
Themen und Organisation der Arbeitsgruppe
Die Arbeitsgruppe „Mobilität und intelligente Verkehrssysteme“ erarbeitet Gestaltungsoptionen für intelligente Mobilitätssysteme, beispielsweise zu technologischen Lösungen und Infrastrukturen, Sicherheitsfragen und rechtlichen Rahmenbedingungen.
Claus Bahlmann
Siemens Mobility
Dr. Claus Bahlmann ist Head of Artificial Intelligence und Principal für Künstliche Intelligenz und Computer Vision bei Siemens Mobility. In diesen Funktionen entwickeln und führen er und sein Team strategische F&E-Programme an der Schnittstelle von KI und Schienenverkehr durch, die in das Siemens-Produktportfolio übertragen werden. Bevor er 2012 zu Siemens Mobility kam, arbeitete er als Research Scientist für Siemens Corporate Technology in Princeton (USA), wo er Technologien für maschinelles Lernen und Computer Vision für Anwendungen in den Bereichen Mobilität, Gesundheitswesen und Sicherheit entwickelte. Claus Bahlmann schloss sein Studium an der Universität Freiburg mit einer Promotion im Bereich maschinelles Lernen ab.
Tobias Hesse
Deutsches Zentrum für Luft- und Raumfahrt (DLR)
Dr.-Ing. Tobias Hesse hat Mechatronik in Paderborn und als Fulbright Stipendiat an der Virginia Tech (USA) studiert. Im Rahmen seiner Promotion an der International Graduate School in Paderborn und der TU Ilmenau entwickelte er zwischen 2006 und 2009 ein autonom fahrendes Versuchsfahrzeug. Seit 2009 erforscht er am DLR neue kooperative Automatisierungsfunktionen sowie deren Interaktion mit Nutzern und Verkehrsteilnehmern und die Vernetzung von Fahrzeugen und der Verkehrsinfrastruktur. Seit 2015 ist er Abteilungsleiter am DLR und verantwortet dort die Entwicklung eines systemischen Ansatzes für einen koordinierten, kooperativen Straßenverkehr mit realer und virtueller Infrastruktur. Herr Hesse koordiniert für das DLR zudem das Projekt „Verkehr 5.0“ für domänenübergreifende, selbstorganisierte Mobilitätsanwendungen, das 12 DLR-Institute umfasst.
Mitglieder der Arbeitsgruppe
Prof. Dr.-Ing. Albert Albers
Karlsruher Institut für Technologie (KIT) - IPEK
Prof. Dr.-Ing. Fabian Behrendt
Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF, Hochschule Magdeburg-Stendal
Paul Beyer
FSD Fahrzeugsystemdaten GmbH
Prof. Dr.-Ing. Stefanos Fasoulas
Universität Stuttgart
Prof. Dr.-Ing. Axel Hahn
Deutsches Zentrum für Luft- und Raumfahrt e.V. (DLR) , Institut Systems Engineering für zukünftige Mobilität
Prof. Dr.-Ing. Silja Hoffmann
Universität der Bundeswehr München
N. N.
Fraunhofer-Institut für Materialfluss und Logistik IML
Dr. Michael Pfeiffer
Bosch Center for Artificial Intelligence
Dr.-Ing. Ilja Radusch
Fraunhofer FOKUS / Daimler Center for Automotive IT Innovations
Dr. Peter Schlicht
CARIAD SE
Prof. Dr. Anita Schöbel
Fraunhofer ITWM , TU Kaiserslautern
N. N.
Bundesinstitut für Bau-, Stadt- und Raumforschung
Dr. Anatoly Sherman
SICK AG
Prof. Dr.-Ing. Philipp Slusallek
Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI)
Prof. Dr.-Ing. J. Marius Zöllner
Karlsruher Institut für Technologie (KIT)
Von den aufgeführten Personen liegt uns ein schriftliches Einverständnis zur Veröffentlichung ihrer Daten gemäß DSGVO vor. Diese Mitgliederliste stellt einen Auszug dar und wird laufend vervollständigt.
Leitfragen der Arbeitsgruppe
Wie verändern Lernende Systeme unsere Mobilitätsstrukturen?
Welche Eigenschaften müssen sie haben, um den größten Nutzen für Individuum und Gesellschaft zu erzielen (z.B. Antizipierbarkeit vs. Adaptivität)?
Wie müssen Infrastrukturen und Systemarchitekturen im Mobilitätssektor weiterentwickelt werden, um Lernende Systeme sinnvoll zu integrieren?
Wie gestaltet sich das optimale Verhältnis zwischen individueller oder lokaler Intelligenz und zentraler Steuerung?
Wie lassen sich Lernende Systeme im Mobilitätssektor absichern und testen?
Welche Wissensrepräsentationen sind nötig (z.B. für Wissensaustausch und -kontrolle)?
Ergebnisse und Beiträge der Arbeitsgruppe
Publikationen
Umfeldszenario
Expertise
Videos und Shorts
KI-basierte Verkehrs und Mobilitaetssteuerung
Vertrauen in KI-basierte Mobilität
Mit KI sicher reisen
Potenziale für industrieübergreifendes Flottenlernen
KI-Geschäftsmodelle für Reisen und Transport
Auf dem Weg zum intelligenten Mobilitätsraum: Handlungsfelder, Chancen und Herausforderungen
Künstliche Intelligenz (KI) wird für Kommunen immer wichtiger. In der Verkehrs- und Mobilitätssteuerung eröffnet sie neue Möglichkeiten, Staus, Emissionen und ineffiziente Verkehrsflüsse zu reduzieren. Doch ihr Nutzen entscheidet sich nicht an der Technologie allein. Ohne klar definierte kommunale Ziele und messbare Kriterien bleibt KI wirkungslos. Zu diesem Ergebnis kommt ein aktuelles Impulspapier der Plattform Lernende Systeme. Im Mittelpunkt steht ein ganzheitliches Zielbild der KI-basierten Verkehrssteuerung für Mobilitätssysteme, das von den Bedürfnissen der Kommunen ausgeht. Das Papier bietet eine strategische Orientierung dafür, wie KI als lernendes Steuerungsinstrument eingesetzt werden kann, um Mobilität gemeinwohlorientiert zu gestalten.
Bei dem Ziel, Mobilität möglichst nutzerfreundlich, ressourceneffizient und individuell zu gestalten, spielt Künstliche Intelligenz (KI) eine wichtige Rolle. Mit Hilfe der Technologie lassen sich etwa Fahrerassistenzsysteme personalisieren oder die Routenplanung im öffentlichen Nahverkehr vereinfachen. Die erfolgreiche Einführung von KI-gestützten Systemen im Mobilitätssektor erfordert eine breite Akzeptanz und Vertrauen in die Systeme. Wie letzteres aufgebaut und gefördert werden kann, zeigt das aktuelle Whitepaper der Plattform Lernende Systeme.
Der Trend ist klar erkennbar. Die Mobilität der Zukunft wird digital vernetzt sein und individuelle,
passgenaue Mobilitätsserviceangebote liefern. Künstliche Intelligenz (KI) kann
hier einen wichtigen Beitrag leisten, indem sie einerseits Infrastrukturen, die Umwelt
sowie Ressourcen nachhaltig und effizient entlasten kann sowie andererseits Reisende
zeitsparend und flexibel ans Ziel geleitet. Dies bequem mit dem intelligenten Reiseassistenten
als Reiseterminal am Smartphone oder auf dem Laptop: verschiedene Verkehrsmittel
miteinander kombinieren, optimal planen und, wenn gewünscht, auch gleich buchen.
Und als weiterer Vorteil: Der intelligente Reiseassistent lernt mit jedem Male dazu, sodass
persönliche Präferenzen auf Wunsch bei der nächsten Reiseplanung automatisch berücksichtigt
werden. Entscheidend für den Einsatz eines solchen Reiseassistenten ist jedoch,
wie der Umgang mit den anfallenden Daten entlang der Mobilitätsdienstleistungskette im
Hinblick auf IT-Sicherheit und Datenschutz geregelt und gewährleistet ist.
Potenziale für industrieübergreifendes Flottenlernen
Erscheinungsjahr: 2021
Ob in Transport, Logistik, im Individualverkehr oder im öffentlichen Nahverkehr – Verkehrsträger erreichen dank KI immer höhere Automatisierungsgrade. Durch immer leistungsfähigere Verfahren der KI und des Maschinellen Lernens wird die Technologie des automatisierten Fahrens zunehmend verbessert, sodass sie in mehr als 99 Prozent der Situationen in Real-Tests funktioniert. Ein Restrisiko für mögliches Fehlverhalten tritt im Zusammenhang mit sogenannten Edge und Corner Cases (Grenz- und Übergangsfälle) auf. Für diese selten auftretenden Sonderfälle sind KI-Systeme unter Umständen nicht ausreichend trainiert und getestet. Das zentrale Ziel des Papiers ist es, die Bedeutung von Corner Cases für die Risikominimierung des autonomen Fahrens zu beschreiben und die Relevanz einer industrieübergreifenden Plattform zum Austausch von Mobilitätsdaten aufzuzeigen.
Technologischer Fortschritt formt und gestaltet den Mobilitätssektor – Künstliche Intelligenz (KI) kann hier einen wichtigen Beitrag zur Mobilität der Zukunft leisten. In den letzten Jahren wurden bereits entscheidende Fortschritte in Richtung einer autonomen Mobilität erzielt. KI kann helfen, Verkehrssysteme intelligenter und zukunftsfähig zu machen. Gleichzeitig ermöglichen KI-basierte Mobilitätskonzepte völlig neue Geschäftsmodelle, etwa für digitale Plattformen, über die künftig zahlreiche Unternehmen aller Größen und Branchen kooperieren werden. Das Whitepaper zeigt auf, wie Unternehmen ihr Geschäft an das digitale Zeitalter anpassen können und welche Gestaltungsoptionen für die Rahmenbedingungen als Basis für gute und erfolgreiche KI-Geschäftsmodelle nötig
sind. Es richtet sich neben unternehmerischen Akteuren im Mobilitäts- und Logistikbereich auch an politische Akteure.
Auf dem Weg zum intelligenten Mobilitätsraum: Handlungsfelder, Chancen und Herausforderungen
Erscheinungsjahr: 2019
Künstliche Intelligenz (KI) kann einen wichtigen Beitrag zur Verkehrswende leisten. In einer intelligent vernetzten Mobilität werden sich Menschen ressourcenschonend von einem Ort zum anderen bewegen oder Güter transportieren. Wie ein sichereres, flexibleres und kostengünstigeres Fortbewegen auf Straße, Schiene, im Wasser oder in der Luft aussehen kann, beschreiben Expertinnen und Experten der Plattform Systeme im vorliegenden Bericht.
Carla Fuchs ist unterwegs zu einem Termin nach Berlin als sie bemerkt, dass sie das Ladegerät für ihren Laptop vergessen hat. Sie bestellt kurzerhand ein neues – im Vertrauen darauf, dass es in wenigen Stunden an ihren Wunschort geliefert wird. Möglich machen dies Lernende Systeme, die für einen schnellen, effizienten und umweltfreundlichen Warentransport sorgen. Grundlage ist eine KI-basierte multimodale Transportplanung, die den Logistik- und Transportprozess von Waren mit prädiktiven und taktischen Verfahren steuert und optimiert. Ein vollautomatisierter Güterumschlag sowie hochautomatisierte LKW bringen Carlas Ladegerät zu einem zentralen Logistikhub am Berliner Stadtrand. Mit einem E-Transporter gelangt das Ladegerät zu einem kleinen Sammellager in der Innenstadt, wo ein Lieferroboter übernimmt – und Carla das Ladegerät in einem Café zustellt.
Carla Fuchs wohnt in einem Dorf in Brandenburg und hat einen Termin in Berlin-Mitte. An den meisten Tagen wäre sie mit dem Auto am schnellsten dort. Heute nicht, es droht Stau. Ein intelligenter Reiseassistent empfiehlt Carla, einen Teil der Strecke mit der Bahn zu fahren. Für den Weg zum Bahnhof vermittelt er Carla auf ihren Wunsch kurzfristig eine kostenpflichtige Mitfahrgelegenheit. Auf der Fahrt kommt es beinahe zu einem Unfall, den Carlas automatisiertes Fahrzeug dank vernetzter Sensorik gerade noch verhindert. Am Bahnhof sucht das Fahrzeug selbständig eine Parkbucht. Carla erreicht mit dem Zug, der heute aufgrund der höheren Auslastung länger ist als sonst, pünktlich Berlin.
An dieser Stelle finden Sie einen externen Inhalt von YouTube, der den Artikel ergänzt. Sie können ihn sich mit einem Klick anzeigen lassen und wieder ausblenden.
Empfohlener redaktioneller Inhalt
An dieser Stelle finden Sie einen externen Inhalt von YouTube, der den Artikel ergänzt. Sie können ihn sich mit einem Klick anzeigen lassen und wieder ausblenden.
Empfohlener redaktioneller Inhalt
An dieser Stelle finden Sie einen externen Inhalt von YouTube, der den Artikel ergänzt. Sie können ihn sich mit einem Klick anzeigen lassen und wieder ausblenden.
Koordination der Arbeitsgruppe in der Geschäftsstelle der Plattform Lernende Systeme: Thomas Steiner
