Künstliche Intelligenz in der Mobilität

Die Zukunft der Mobilität ist heute eines der meistdiskutierten Themen. Das Verkehrsaufkommen nimmt zu, der Raum in städtischen Gebieten ist begrenzt und verkehrsbedingter Lärm und Umweltverschmutzung müssen reduziert werden. Vor diesem Hintergrund besteht kein Zweifel daran, dass sich die Art und Weise enorm verändern muss, wie sich Menschen und Güter bewegen. Künstliche Intelligenz ist eine Schlüsseltechnologie, um den Übergang zu hochgradig individualisierten, umweltfreundlichen und autonomen Mobilitätssystemen zu meistern.

appliedAI ist Teil des von der Regierung geförderten Digital Hub Mobility in Deutschland. Wir schauen uns Mobilität im Detail an und betrachten sie als ein Feld, das sich durch KI stark verändern wird. Das liegt daran, dass viele Anwendungen der modernen Mobilität auf sehr grundlegenden Annahmen beruhen – nämlich, dass Computersysteme nicht in der Lage sind, bestimmte Probleme und Aufgaben (gut) zu bewältigen. Die KI stellt dies infrage. Das hat nichts mit „Intelligenz“ oder „Automatisierung“ zu tun, sondern damit, wozu maschinelles Lernen und sein großer Bruder (ro goal), Künstliche Intelligenz, Maschinen befähigt: Sehen, Hören, Interpretieren und Verstehen, Entdecken, Vorhersagen und vieles mehr. Dies alles bildet den Kern der Markthypothese moderner Mobilitätsunternehmen bzw. der Idee, dass Maschinen diese Fähigkeiten nicht haben.

Nachfolgend finden Sie einen Überblick über die Anwendungsmöglichkeiten von KI-Technologien in der Mobilität. Er zeigt Ihnen, wie KI zukünftige Mobilität unterstützt. Dies ist keine vollständige Liste, sondern zeigt die offensichtlichsten Beispiele und Anwendungsbereiche. Sprechen Sie uns an, um mehr zum Thema „KI in der Mobilität“ zu erfahren.

Personentransport

Fahrerassistenzsysteme: Autopiloten, die mit Künstlicher Intelligenz betrieben werden, können den Fahrer unterstützen. Sie übernehmen Aufgaben und passen z. B. die Geschwindigkeit an die der umliegenden Fahrzeuge an, erkennen Hindernisse, lenken oder bremsen (Level 2 – teilautomatisiertes Fahren).

Management der Nachfrage – Carsharing: Mithilfe von Floating Car Data (FCD)-Verfahren erhalten Carsharing-Anbieter Daten, die sie mit ML-Algorithmen analysieren. So erkennen sie Bewegungsmuster und können die Nachfrage vorhersagen. Dies optimiert die Bereitstellung der Autos und erhöht deren Auslastung.

Öffentliche On-Demand-Verkehrsmittel: Öffentliche On-Demand-Verkehrsmittel werden mit Künstlicher Intelligenz betrieben: Anhand von in Echtzeit gesammelten Daten über Verkehrsbedingungen und Kundenwünsche kann die Route des Fahrzeugs optimal berechnet werden.

Autonome Straßenbahnen: Autonome Straßenbahnen navigieren ohne Fahrer durch die Stadt. Mehrere Sensoren erfassen Daten vom Verkehr und der Umgebung, die dann analysiert werden. Die Ergebnisse werden verwendet, um die Straßenbahn in einer unbekannten städtischen Situation sicher zu betreiben.

Automatisierter Parkservice: Hierfür kommuniziert das Parkhaus mit dem Fahrzeug. Kameras und Sensoren finden und vermessen freie Parkplätze. Das Auto navigiert dann autonom dorthin und parkt in der vorgesehenen Parklücke ein.

eVTOL-Flugtaxis (Lilium): Das vollelektrische, senkrecht startende Flugtaxi von Lilium transportiert 5 Passagiere und fliegt mithilfe von KI autonom. Damit sollen in Zukunft autonome On-Demand-Flüge in städtischen Gebieten angeboten werden.

Vernetzte Dienste

Vorausschauende Wartung (Flugzeuge): Fluggesellschaften können Verspätungen und Flugausfälle durch die vorausschauende Wartung ihrer Flugzeugflotte deutlich reduzieren.

Treibstoffplanung und -optimierung: KI hilft Fluggesellschaften, Geld zu sparen und den CO2-Ausstoß durch optimal betankte Flugzeuge zu verringern. Basierend auf Streckendistanz, Wetterbedingungen, Flugzeugtyp, Flughöhe und weiteren Daten sagen ML-Modelle die optimale Treibstoffmenge für einen Flug voraus.

Vorhersage von Flugbewegungen: Fluglotsen können künftig durch Künstliche Intelligenz unterstützt werden. So wird ihre Arbeitsbelastung reduziert, während sie gleichzeitig mehr Flugverkehr bewältigen. Die KI wird dabei verwendet, um Flugbewegungen in einem vierdimensionalen Raum vorherzusagen.

Logistik vor Ort

Unbemannte Last-Mile-Lieferfahrzeuge: Unbemannte Fahrzeuge können mithilfe von Künstlicher Intelligenz autonom Pakete von Verteilzentren zum Endkunden liefern. Der Last-Mile-Lieferroboter übernimmt dann den letzten Schritt im Lieferprozess.

Autonome Lkw: Durch autonome Lkw können Kosten und Zeit gespart sowie die Verkehrssicherheit erhöht werden. Mithilfe von maschinellen Lerntechniken wird den Lkw beigebracht, autonom auf Autobahnen zu navigieren und so Waren sicher über Ländergrenzen hinweg zu liefern.

Routenoptimierung von Lkw: Neuronale Netze helfen Logistikunternehmen bei der optimalen Tourenplanung, sodass die Anzahl der Leerfahrten minimiert wird. Das spart Zeit, Geld und CO2-Emissionen und erhöht die Produktivität der Lkw.

Platooning von Lkw: Mehrere Lkw bilden eine Kolonne auf der Autobahn und nutzen dabei Fahrzeug-übergreifende Kommunikation, Sensoren zur Erfassung der Umgebung und autonome Fahrfunktionen. Das spart Kosten durch einen geringeren Treibstoffverbrauch ein und erhöht die Verkehrssicherheit.

Vorausschauende Bedarfsplanung: Mithilfe von maschinellem Lernen lässt sich der Bedarf an Waren vorhersagen. Dadurch können Lieferketten und Lkw-Belegungen optimiert und Kosten eingespart werden. Dies vermeidet eine Über- oder Unterversorgung mit Waren und passt die Bestände an den Bedarf an.

Autonome Züge: Autonome Züge werden in Güterzugnetzen eingesetzt, um die Sicherheit, Produktivität und Flexibilität zu erhöhen sowie Engpässe zu vermeiden.

Optimierung von Bahnsystemen in Echtzeit: Bahnsysteme können mittels Sensoren optimiert werden, die an den Weichen der Schienen angebracht sind und Echtzeitdaten sammeln. Die Daten werden von einer KI analysiert, die mögliche Ausfälle der Schienen vorhersagt. Dies spart Kosten und verringert Ausfallzeiten.

Logistik zu Wasser und in der Luft

Lieferung per Drohne: Unbemannte Drohnen nutzen KI, um in einer unbekannten Umgebung dreidimensional zu navigieren. Dadurch können sie Waren in städtischen Gebieten auf dem Luftweg liefern, ohne von z. B. Verzögerungen am Boden durch Verkehr oder menschliche Fehler behindert zu werden.

Ferngesteuerte Schiffe: Der Platz auf Frachtschiffen kann durch deren Fernsteuerung deutlich vergrößert werden. Das Schiff navigiert autonom, während es von einem Kontrollzentrum an Land überwacht wird. Das macht die Besatzung an Bord überflüssig. Für Inspektionen können bordeigene Drohnen eingesetzt werden.

Optimierung des Stauraums: Um Ladeeffizienz und Gesamtumschlag zu optimieren, kann der optimale Ladeplan für Frachtschiffe simuliert werden. Dabei werden schiffsbezogene Einschränkungen (Kapazität, Layout) und begrenzende Faktoren im Hafen (Kranintensität, Umschlag) berücksichtigt.