KI im Transportwesen: 8 Anwendungsfälle, Beispiele aus der Praxis, Technologien und Herausforderungen

20. Dezember 2023

Home
Künstliche Intelligenz
KI im Transportwesen

ML-Ingenieur

Künstliche Intelligenz im Verkehrswesen kann das Fahrerlebnis verbessern, Logistikabläufe optimieren und ein besseres Management von Fahrzeugen, Straßen und Infrastrukturen gewährleisten.

Finden Sie heraus, wie AI-Experten Transportunternehmen dabei helfen können, spezifische Ausprägungen dieser Technologie auf eine Vielzahl von Anwendungsfällen anzuwenden und potenzielle Herausforderungen bei der Einführung zu bewältigen.

KI im Transportwesen: Markttrends und -statistiken

CAGR des Marktes für intelligente Verkehrssysteme von 2023 bis 2028

MärkteundMärkte

den Wert, den das autonome Fahren bis 2035 voraussichtlich schaffen wird

McKinsey

der jährliche wirtschaftliche Wert, den KI im Transportwesen allein in China bis 2030 generieren kann

McKinsey

KI-Anwendungsfälle in der Transportbranche

Transportunternehmen können künstliche Intelligenz in einer Vielzahl von Tools, Unternehmensfunktionen und Geschäftsszenarien einsetzen. Hier sind einige wichtige Anwendungen von KI und die damit verbundenen Vorteile.

Fortschrittliche Fahrerassistenzsysteme

Viele Automobilhersteller haben längst damit begonnen, teilautonome Fahrfunktionen in ihre Fahrzeuge einzubauen, z. B. fortschrittliche Fahrerassistenzsysteme (ADAS), die beim Einparken helfen, die Kontrolle über das Fahrzeug bei schlechten Wetterbedingungen gewährleisten und Kollisionen vermeiden. ADAS-Lösungen stützen sich auf KI-gestützte Kameras und Sensoren, die Fahrzeuge, Hindernisse, Fußgänger oder die Mimik der Insassen mit Hilfe von Computer Vision erkennen, den Fahrer warnen und sogar autonome Aktionen auslösen, um menschliche Fehler zu vermeiden.

Vorteile

KI-basierte ADAS wie adaptiver Tempomat, Vorwärtskollisionswarnung (FCW), Nachtsichtgeräte und Verkehrszeichenerkennung erhöhen die Sicherheit für Fahrer und Fußgänger in der Umgebung.

Persönliche Assistenten

Eine andere, interaktivere Möglichkeit, Fahrern KI-gestützte Unterstützung zu bieten, ist der Einsatz von sprachbasierten Geräten. Diese Geräte nutzen die Verarbeitung natürlicher Sprache, um die Anfragen der Nutzer zu verstehen und eine Vielzahl von Aufgaben zu erfüllen, wie z. B. das Einleiten eines Anrufs, das Umschalten von Radiosendern oder die Bereitstellung von Informationen über den Fahrzeugzustand.

Vorteile

Persönliche Assistenten helfen dabei, ablenkende manuelle Interaktionen mit Infotainment-Systemen im Fahrzeug zu minimieren, was das Fahrerlebnis verbessert und die Sicherheit erhöht.

Selbstfahrende Fahrzeuge

Autonome Fahrzeuge stellen die Zukunft der ADAS-Systeme dar, da sie sich auf KI stützen, um das Fahrerlebnis vollständig zu automatisieren. Die meisten Ausprägungen dieser Technologie befinden sich noch im Bereich der Prototypenerstellung und Erprobung. Unternehmen wie Tesla haben jedoch mit selbstfahrenden Autos und anderen autonomen Fahrzeugen in verschiedenen Szenarien Pionierarbeit geleistet und vielversprechende Ergebnisse erzielt. In diesem Zusammenhang sind auch selbstfahrende Taxis, Lkw-Platooning-Systeme (die koordinierte Bewegung mehrerer Lkw im Nahbereich) und die autonome Navigation von Containerschiffen mittels Video-Objekterkennung und Lidar-Technologie zu nennen.

Vorteile

Selbstfahrende Fahrzeuge in der Logistik können zur Senkung der Transportkosten beitragen. McKinsey beispielsweise schätzt, dass die Betriebskosten um 45 % sinken und Einsparungen von bis zu 125 Mrd. USD erzielt werden können, wenn autonome Lkw in den Vereinigten Staaten in großem Maßstab eingesetzt werden.

Flottenmanagement und Routenoptimierung

KI-basierte Lösungen können Logistikunternehmen bei der Optimierung der Lieferkette helfen, indem sie Fahrzeug-, Schiffs- und Flugzeugflotten rationalisieren und koordinieren. Ihr Betrieb basiert auf einer Mischung aus GPS, Sensoren, Computer-Vision-gestützten Kameras und anderen vernetzten IoT-Geräten, die eingesetzt werden, um Daten über Wetter, Verkehr, Blockaden oder Unfälle zu sammeln. Diese Tools werden dann mit KI-basierten Analysesystemen kombiniert, um solche Informationen zu verarbeiten, wiederkehrende Verkehrsmuster mit Hilfe von Algorithmen des maschinellen Lernens zu erkennen und die Daten in wertvolle Routenempfehlungen oder Prognosen für potenzielle Verkehrsüberlastungen umzuwandeln.

Vorteile

Optimierte Routenplanung und Flottenmanagement sorgen für schnellere Lieferungen und geringeren Kraftstoffverbrauch, was zu Kosteneinsparungen und nachhaltigeren Transporten führt.

Verkehrsmanagement und Straßenüberwachung

Die Funktionsweise eines Verkehrsmanagementsystems kann mit der von Flottenmanagementlösungen verglichen werden. Die Idee ist, ein weit verzweigtes Netz von Sensoren und Kameras einzusetzen, um die Straßen- und Verkehrsbedingungen zu überwachen, Autounfälle mit Hilfe von Computer Vision zu erkennen und Verkehrsvorhersagen zu treffen. Auf diese Weise können die Behörden bei Verkehrsunfällen sofort eingreifen, Straßenreparaturen und -wartungen beschleunigen und Ampelschaltungen je nach Fahrzeugdichte optimieren.

Vorteile

KI-gestützte Lösungen können dazu beitragen, Staus, Wartezeiten und Kohlendioxidemissionen zu verringern und gleichzeitig die Sicherheit und Instandhaltung der Straßen zu verbessern.

Automatische Nummernschilderkennung

Diese Lösungen umfassen HD-Kameras, die an Straßenmasten montiert sind, Infrarotsensoren für eine 24/7-Überwachung und Bildverarbeitungssoftware zur Identifizierung von Kfz-Kennzeichen mittels OCR (optische Zeichenerkennung). ANPR-Systeme sind für eine Vielzahl von Verwaltungs- und Sicherheitsaufgaben nützlich, darunter die Fahrzeitanalyse zur Verbesserung der Straßenplanung, die Identifizierung von Fahrzeugen, die gegen die Straßenverkehrsordnung verstoßen, und elektronische Zahlungen für bargeldlose Mautspuren.

Vorteile

Die ANPR-Technologie erleichtert die Verkehrsüberwachung, die Strafverfolgung und das Mautmanagement und erweist sich als unverzichtbares Instrument für die Verkehrspolizei und andere Behörden.

Intelligentes Parken

Künstliche Intelligenz erleichtert die Suche nach Parkplätzen mit Hilfe von Kameras und Computer Vision, die sowohl in Parkhäusern als auch in städtischen Außenbereichen eingesetzt werden können. Diese Lösungen können in mehrfacher Hinsicht hilfreich sein, z. B. bei der Zählung von Fahrzeugen und der Erkennung freier Plätze in Verbindung mit Indikatoren für die Verfügbarkeit von Parkplätzen, beim Kennzeichenabgleich zur Erkennung unbefugten Parkens und bei der Zeiterfassung zur einfacheren Abrechnung und Bezahlung von Tickets. KI-gesteuerte Kameras werden auch eingesetzt, um verdächtige Aktivitäten für die Sicherheit von Parkplätzen zu erkennen.

Vorteile

Intelligente Parksysteme tragen dazu bei, den Verkehrsfluss in Stadtzentren zu optimieren, Warteschlangen zu vermeiden und die Sicherheit im öffentlichen Raum zu erhöhen.

Vorausschauende Wartung

Dieser Ansatz stützt sich auf auf maschinelles Lernen gestützte Anomalie-Erkennung, um Ausfälle vorherzusagen, bevor sie tatsächlich auftreten. Ein maschinelles Lernsystem kann darauf trainiert werden, den normalen Betrieb von Fahrzeugen und Infrastrukturen zu verstehen, indem es mit Daten "gefüttert" wird, die sich auf deren normale Leistung beziehen und über Sensoren gesammelt werden. Sobald das System gelernt hat, die idealen Betriebsmuster der mechanischen und elektronischen Komponenten zu erkennen, die ein Fahrzeug oder eine ganze Station antreiben, kann es auch Ausreißer erkennen, die ein Zeichen für einen bevorstehenden Ausfall sein könnten.

Vorteile

Private und öffentliche Verkehrsbetriebe, die die vorausschauende Wartung nutzen, können die Zuverlässigkeit ihrer Fahrzeuge verbessern, die Wartungskosten senken, die Reparaturverfahren beschleunigen und die Flottenreserven verringern, die zur Vermeidung von Betriebsunterbrechungen eingesetzt werden.

Haben Sie ein KI-Projekt im Sinn?

Zu Itransition wechseln

Beispiele aus der Praxis für KI im Transportwesen

Das Subaru-Fahrerüberwachungssystem

Wie viele andere automotive companies adopting AI, Subaru stattet seine Fahrzeuge mit einem computergesteuerten Fahrerüberwachungssystem aus, das eine Vielzahl von Funktionen zur Verbesserung von Sicherheit und Komfort bietet. Die Lösung kann das Gesicht des Fahrers scannen und erkennen und ihn warnen, wenn er Anzeichen von Müdigkeit oder Ablenkung erkennt. Außerdem kann es die Sitzposition und die Schnittstelleneinstellungen autonom an den aktuellen Fahrer anpassen.

Waymos Robotertaxi

Das in Kalifornien ansässige Entwicklungsunternehmen Waymo eröffnete 2019 seinen Robotaxi-Ride-Hailing-Dienst für US-Kunden und ist damit der erste kommerzielle Dienst, der ohne einen Ersatzfahrer an Bord arbeitet. Das selbstfahrende System wurde in 10 Millionen Simulationskilometern getestet, die auch komplexe und schwierige Szenarien umfassten. Der Dienst befindet sich jedoch noch in einem frühen Programmstadium, da die fahrerlosen Fahrten nur in einer kontrollierten, eingezäunten Umgebung stattfinden.

Die Überwachungslösung des Flughafens Heathrow

Um die Flugverkehrskontrolle zu verbessern und mit dem berüchtigten Londoner Wetter fertig zu werden, hat der Flughafen Heathrow Aimee eingeführt, eine KI-Lösung, die auf neuronalen Netzen basiert. Dieses für die Luftverkehrsbranche konzipierte System kann Daten verarbeiten, die von hochauflösenden Kameras erfasst werden, und den Fluglotsen bei der Überwachung von An- und Abflügen in Szenarien mit schlechter Sicht helfen. Außerdem erleichtert es die Kommunikation zwischen Fluglotsen und Piloten, indem es Abflugfreigabeanfragen über natürliche Sprachverarbeitung bearbeitet. Bei voller Auslastung dürfte dieses Tool die Landekapazität des Flughafens um 20 % erhöhen und das Risiko von Flugverspätungen verringern.

Bildtitel: Aimee's fortschrittliche Objekterkennung
Bildquelle: searidgetech.com - Aimee: KI-Framework

Verkehrsmanagementsystem Surtrac

Ein von Rapid Flow Technologies entwickeltes KI-basiertes Überwachungssystem Surtrac wurde in Pittsburgh, USA, eingesetzt, um mit intelligenten Kameras Daten zu sammeln, Ampeln in Echtzeit zu steuern und so den Verkehrsfluss zu erleichtern. Die Überwachungsgeräte an jeder Kreuzung arbeiten unabhängig voneinander, regeln ihren eigenen lokalen Verkehr und planen jede Sekunde neu. Die Lösung hat zu einer Verkürzung der Fahrzeiten um 25 %, einer Verringerung der Anzahl der Haltestellen um 30 % und einer Verringerung der Emissionen um 20 % geführt.

Das vorausschauende Wartungssystem der SNCF

Die französische Eisenbahngesellschaft SNCF hat eine Predictive-Analytics-Lösung eingeführt, um potenzielle Störungen von Anlagen (einschließlich verschleißgefährdeter Stromabnehmer) zu erkennen, den Wartungsbedarf vorherzusehen und so die Stromversorgung ihrer Züge auf einem 32.000 km langen Netz sicherzustellen. Nach Angaben des Unternehmens wird die vorausschauende Wartung auch zu einer 30-prozentigen Verringerung der Unfälle im Zusammenhang mit Zugweichen führen und eine bessere wirtschaftliche Leistung, Zuverlässigkeit der Dienste und Sicherheit der Fahrgäste gewährleisten.

Herausforderungen und Tipps für den Einsatz von KI im Transportwesen

Trotz der zahlreichen Vorteile, die der Einsatz von KI im Transportsektor mit sich bringt, stehen Unternehmen, die diese Technologie einsetzen wollen, vor einer Reihe technischer Herausforderungen.

Ausgabe

Empfehlung

Integration

Die vielschichtige, vernetzte Architektur einer typischen KI-Lösung für das Verkehrswesen impliziert, dass ihre Komponenten, einschließlich IoT-Geräte und Datenanalysesoftware, in der Lage sein sollten, Daten auszutauschen. Diese Elemente können jedoch unterschiedliche Kommunikationsprotokolle oder -technologien verwenden und verschiedene Datenformate verarbeiten, einschließlich Echtzeitdatenströme. Wenn sie also schlecht integriert sind, werden KI-Systeme ihre Analysen auf fragmentierte Quellen und inkonsistente oder veraltete Daten stützen und ungenaue Vorhersagen liefern.

Sichern Sie die Kommunikation zwischen den Komponenten Ihrer KI-Lösung durch die Konfiguration von Anwendungsprogrammierschnittstellen (APIs). Sie können Tools der großen Cloud-Anbieter wie Amazon API Gateway oder Azure API Management nutzen, um diese Aufgabe zu rationalisieren. In manchen Situationen ist jedoch eine Middleware-Architektur erforderlich, wie z. B. ein ESB, um verschiedene Protokolle zu konvertieren. Mit Hilfe von Cloud-Datenintegrations-Tools wie AWS Glue oder Azure Data Factory können Sie auch heterogene Daten aus mehreren Quellen über ETL-Prozesse integrieren und in einem einheitlichen Datenspeicher konsolidieren. Dies kann zum Beispiel eine Zeitseriendatenbank, eine NoSQL-Datenbank oder ein Data Lake sein.

Konnektivität

Der Betrieb von verkehrsorientierten KI-Systemen ist naturgemäß geografisch über große Entfernungen verteilt. Das bedeutet, dass die IoT-Sensoren, die Echtzeitinformationen sammeln und an eine Datenanalyseplattform übertragen, auf stabile Netzwerke angewiesen sein sollten, auch bei potenziellen Lastspitzen. Andernfalls können Verbindungsabbrüche und hohe Latenzzeiten zu ungenauen Analysen führen.

Erwägen Sie den Einsatz von IoT-Sensoren, die auf der Grundlage eines Publish-Subscribe-Musters lose mit anderen Systemen gekoppelt sind, da sie Daten in Echtzeit austauschen, wenn eine stabile Verbindung verfügbar ist. Fährt das Fahrzeug in einen toten Winkel (z. B. einen Tunnel), speichern die Geräte neue Datenpunkte in einer Offline-Nachrichtenwarteschlange und übertragen sie, sobald die Verbindung wiederhergestellt ist. Sie können auch Edge Computing nutzen, um einen Teil der Rechenlast von zentralen Rechenzentren auf die Geräte zu verlagern und so die Netzwerkabhängigkeit und das Latenzrisiko zu minimieren. Schließlich können Sie bandbreiteneffiziente Kommunikationsprotokolle wie MQTT verwenden.

Analyse der Daten

Die Echtzeitanalyse riesiger Datenmengen, die von riesigen Verkehrsnetzen und Fahrzeugflotten gesammelt werden, erfordert erhebliche Rechenleistung. Darüber hinaus müssen die Algorithmen, die zur Verarbeitung dieser Daten verwendet werden, mit riesigen Datensätzen trainiert werden, um ein KI-Modell zu erstellen, das genaue Analysen und Prognosen liefert. Doch selbst nach dem Training kann das Modell weniger zuverlässig sein als erwartet. Dies kann durch Überanpassung geschehen, wenn das Modell auf einen bestimmten Datensatz übertrainiert wurde und bei anderen Daten schlecht abschneidet, oder durch eine Modelldrift, wenn seine Vorhersagekraft aufgrund fortschreitender Änderungen der Eingangsvariablen und ihrer Beziehungen nachlässt.

ML-Services von führenden Cloud-Anbietern, darunter Amazon SageMaker und Azure Machine Learning, liefern integrierte Algorithmen, vorab trainierte ML-Modelle und skalierbare Verarbeitungsleistung, um die Bereitstellung Ihrer Lösung zu beschleunigen und Ihre internen Rechenressourcen zu ergänzen. Sie können auch eine Masterless-Cluster-Architektur verwenden, die es Ihnen ermöglicht, die Verarbeitungsknoten, die Ihr Netzwerk von IoT-Geräten bedienen, je nach aktueller Arbeitslast zu vergrößern oder zu verkleinern. Was die Modellzuverlässigkeit betrifft, so ist es eine gängige Praxis, die Modellierung in Trainings-, Validierungs- und Testsätze aufzuteilen, um eine Überanpassung zu vermeiden. Die Modellabweichung können Sie durch regelmäßige Überwachung von Metriken wie dem Populationsstabilitätsindex im Auge behalten und mehrere Umschulungsiterationen zur Feinabstimmung des Modells mit neuen Daten durchführen.

Mit KI das Transportwesen neu erfinden

In den letzten Jahren gehörte das Transportwesen laut McKinsey zu den Branchen, die am meisten von der Einführung der KI-Technologie profitierten. Das sollte nicht überraschen, denn die Fortschritte der KI haben bewiesen, dass wir schneller, sicherer und sauberer reisen und Güter transportieren können als je zuvor. Bei der Umsetzung sollte jedoch stets die komplexe und manchmal undurchschaubare Natur der künstlichen Intelligenz berücksichtigt werden, insbesondere wenn sie in weitläufigen Ökosystemen wie Verkehrsnetzen eingesetzt wird. Um die Einführung von KI zu rationalisieren und gleichzeitig ihre potenziellen Nachteile zu überwinden, sollten Sie sich auf das Team erfahrener Entwickler und Berater von Itransition verlassen.