KI-Projekt AIAMO für modernes Mobilitätsmanagement

Im vom Bund geförderten Projekt AIAMO (Artificial Intelligence And Mobility) entwickeln derzeit 13 Partner aus Forschung und Wirtschaft die Grundlagen für ein KI-basiertes Umwelt- und Mobilitätsmanagement. Es geht darum, riesige, schon heute verfügbare Datenmengen aus unterschiedlichen Quellen zentral zugänglich zu machen, „um Mobilität effizienter, ressourcenschonender, sicherer und bedarfsgerecht zu gestalten“, wie es auf der Website des Projekts, aiamo.de, heißt. Die Potenziale für KI-gestützte Verkehrs- und Mobilitätsplanung scheinen riesig.

Das kann KI wirklich gut

bfp FUHRPARK & MANAGEMENT hat mit Dipl.-Ing. Christian Roszak gesprochen, dem Vizepräsidenten des Verbands ITS Germany, der das Konsortium hinter Aiamo anführt. Er erklärt, dass es nicht nur um das Zugänglichmachen von Daten geht, „sondern an vielen Stellen der prognostische Ansatz. In der klassischen Prognose beispielsweise von Verkehrsfluss ist die Vorhersage für eine Straße mit algorithmischen Ansätzen eine überschaubare Herausforderung. Wenn ich aber den Verkehr insgesamt betrachte, ist das viel komplexer“, erläutert Roszak. Verständlich, betrachtet man die Komplexität aller schon heute theoretisch verfügbaren Daten, die Fahrzeuge selbst über ihre modernen Sensoren erheben, die Infrastruktur-Anlagen wie Verkehrs- oder Umwelt-Messstellen liefern oder die über den ÖPNV verfügbar sein könnten. „Das ist, was KI wirklich gut kann. Große Datenmengen schnell beurteilen, Mustererkennung betreiben und dann aus dieser Positionsbestimmung heraus, eine Entwicklung mit einer deutlich höheren Voraussagequalität treffen zu können“, sagt Roszak. Und der Verkehrsfluss sein nur ein Beispiel von vielen, auf die das Konsortium hinter Aiamo schaut.

Management von Systemen verbessern

Man ist mit dem Projekt also gar nicht angetreten, um das eine konkrete Problem zu lösen. Als Überschrift steht ein umweltsensitives Verkehrsmanagement über Aiamo. Das bildet den Rahmen. „Wir adressieren das kollektive Mobilitätsmanagement, also dass wir das Management von Systemen besser, einfacher, kostengünstiger und effizienter handhaben können“, fasst Roszak zusammen.

Eine weitere Zielebene, die Aiamo adressiert, ist die Datenqualität und Datenverfügbarkeit. Die waren laut Roszak in der Vergangenheit in der Erwartungshaltung und den Versprechen oft besser angelegt, als tatsächlich geliefert werden konnte. Roszak erklärt es an einem praktischen Beispiel: „Es gibt auf Autobahnen die Dauerzählstellen, die den Verkehr messen und bewerten. Wenn man die Daten dieser Dauerzählstellen genauer betrachtet, gibt es ganz oft Aussetzer aus technischen Gründen. Das sind Qualitätsmängel“, sagt der Ingenieur. Eigentlich müsse man viele Datenquellen wie Messsysteme mit einem kontinuierlichen Service unterlegen, um stets bewerten zu können, wie wirksam diese Anlage ist. „Denn Mobilität und Verkehr verändern sich. Ich muss also beispielsweise die Programme, die auf diesen Messstellen laufen, ständig beobachten und gegebenenfalls nachschärfen“, erklärt Roszak. Das passiere zwar auch, einige Betreiber seien hier sehr gut aufgestellt. Andere jedoch nicht. „Und da liefern Ansätze, wie unser Projekt, die Grundlagen, dass diese notwendigen Service-Optimierungen zukünftig automatisierbarer werden.“

Riesige Mengen unsortierter Daten

Schaut man sich grundlegende öffentliche Informationen zum Aiamo-Projekt an, das über ein Volumen von 22,3 Millionen Euro verfügt, oder lauscht man einem Fachvortrag von Roszak, so stößt man schnell auf den Data Lake, den Datensee. Also die Vorstellung von einer riesengroßen, unsortierten Menge an Daten. Woher stammen all diese Daten?

Roszak nennt Beispiele: „Das sind FCD, also Floating Car Data, die aus Flottenbeständen stammen. Da gibt es mehrere Dienstleister, die sie aus Flotten-, Mobilfunkdaten und ähnliches erheben, aber wir erschließen in dem Projekt nun auch Flottendaten mit einem hohen OEM-Anteil. Wir haben Datenquellen, die viele Daten sowieso schon gesammelt haben und sie bereitstellen, wie den MDS zum Beispiel, den Mobility Data Space.“ Und dann gebe es weitere Datenquellen, die ohnehin schon frei verfügbar seien, wie die aus dem National Access Point, bei dem alle Baulastträger verpflichtet sind, Mobilitätsdaten, die aus intelligenten Systemen kommen, nach und nach öffentlich bereitzustellen.

13 Projektpartner sind Teil von Aiamo

Und dann sind da natürlich noch die 13 Projektpartner, die selbst Daten erheben. Zu ihnen gehören neben dem IST Germany unter anderem das Deutsche Zentrum für Luft- und Raumfahrttechnik (DLR), das Forschungsinstitut für Kraftfahrwesen und Fahrzeugmotoren Stuttgart (FKFS), das Fraunhofer-Institut für Materialfluss und Logistik (IML), Bosch oder T-Systems, um nur die bekanntesten zu nennen. „Wir haben im Portfolio unserer Partner auch die RMS, eine Tochtergesellschaft des Rhein-Main-Verkehrsverbunds. Die sind sehr aktiv und federführend in einem Standardisierungsprozess von ÖPNV-Daten und deren Bereitstellung im DELFI-Projekt. Der Standard sorgt dafür, dass man annehmen kann, dass diese Daten überall in Deutschland gleichermaßen gut verfügbar sein werden“, sagt Roszak zu den Daten rund um die „Öffis“ und deren Passagiere. Und letztlich spreche man mit den gesamten Regionen, mit Verkehrsbetrieben, Verkehrs- und Umweltämtern.

Beim KI-Ansatz, den Aiamo vertritt, ist die Herangehensweise an die Daten eine andere als im klassischen Ansatz. In der Vergangenheit habe man häufig ausgehend von einer Aufgabenstellung angesehen, welche Datensilos man dafür benötige, erklärt Roszak. Das habe man dann zusammegeführt, „mit der Schwirerigkeit, die richtigen Daten in der richtigen Qualität zur richtigen Zeit zur Verfügung zu haben. Bei AI ist der Ansatz ein bisschen platter: Ich nehme erst einmal so viel wie ich bekommen kann und schaue, ob die Daten – egal wo sie herkommen – mir für den Sachverhalt Muster liefern, die Zusammenhänge erkennen lassen.“ So gehe man viel Breiter an die Aufgabe heran und könne auch in Daten erkennen, die nicht in direktem Zusammenhang damit stehen, aber zu einem bestimmten Verhalten im Verkehr passen. „Das ist ein Fall, in dem KI viel mehr leisten kann, als klassische Algorithmen das bisher konnten“, sagt Roszak. Eine Künstliche Intelligenz muss jedoch zuerst trainiert werden, um solche Muster in Daten überhaupt erkennen zu können. Das übernehmen die Experten im Projekt. Eine Mammutaufgabe. „Um ehrlich und fair damit umzugehen:“, sagt Roszak, „Wir haben jetzt nicht die ganze Welt der Mobilität im Blick, sondern ein spezifisches Set an Use Cases, das wir untersuchen. Die Spezialisten aus den Partnerunternehmen und -institutionen arbeiten daran, die besonderen Merkmale erkennbar zu machen.“ Mit Aiamo gehe man den ersten Schritt von vielen, die noch notwendig seien, sagt Roszak.

KI beherrschbar machen

Das übergreifende Ziel: Neben dem Framework, um Daten schnell und einfach integrierbar zu haben, schafft Aiamo mit dem KI-Prozessmodell, das zusätzlich realisiert wird, um von den Rohdaten in die trainierte KI zu kommen, ganz neue Möglichkeiten. „Wir versuchen, das nicht nur die Forscher jetzt, sondern in Zukunft auch die Ingenieure davon profitieren. Wir versuchen also von der Komplexität des Themas mindestens mal eine Ebene tiefer, von der abstrakten Schicht in die beherrschbare ingenieursmäßige Kunst herunterzukommen“, sagt Roszak. Es soll also irgendwann nicht mehr den höchstspezialisierten KI-Forscher benötigen, um ein zuverlässiges Modell zu entwickeln, sondern, dass es auf eine Ingenieurstätigkeit hinausläuft, die KI anzupassen und zu nutzen.