Erster Förderaufruf
BML Ecosys – Bauhaus.MobilityLab Erfurt
Intelligentes KI-Quartier
Im Bauhaus.MobilityLab dient der Erfurter Stadtteil Brühl als Reallabor für die Entwicklung und Erprobung einer Vielzahl KI-basierter Anwendungen: Ampeln werden entsprechend des Verkehrsaufkommens bedarfsgerecht geschaltet, Lieferungen kundenorientierter zugestellt, lokale Energieerzeugung reduziert die Stromkosten und intelligente Tarifsysteme bestimmen den Ladepreis für E-Autos. Entwickelt und bereitgestellt werden die Anwendungen auf einer Cloud-Plattform, die Daten aus unterschiedlichen Bereichen wie Verkehr, Logistik und Energie zusammenführt.
Partner
Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V. mit den Instituten IOSB-AST(Konsortialführer), IOSB, ITWM, ISST, Bauhaus-Universität Weimar, Robert Bosch GmbH, BPV Consult GmbH, Siemens Digital Logistics GmbH, Landeshauptstadt Erfurt, Ernst-Abbe-Hochschule Jena University of Applied Sciences, highQ Computerlösungen GmbH, INNOMAN GmbH, NT Neue Technologien AG
Herausforderung
Neue technische Entwicklungen müssen grundsätzlich umfangreich getestet werden, bevor sie in die Anwendung gehen können. Bei einer Maschine oder einem Fahrzeug ist dies relativ einfach möglich: Für den Test der Funktionalitäten sind nicht zwingend verschiedene Personen, Unternehmen oder deren Zusammenwirken erforderlich. Bei intelligenten, plattformbasierten Systemlösungen, etwa zur Verkehrssteuerung oder Energieversorgung, ist dies nicht so einfach. Auch hierfür müssen unterschiedliche Belastungsszenarien getestet werden, um Schwächen, Grenzen und Überarbeitungsbedarf ermitteln zu können und Probleme im echten Betrieb zu vermeiden. Eine besondere Herausforderung stellt in diesem Zusammenhang die Kombination verschiedener neuer technischer Systeme dar. Simulationen helfen dann insbesondere im Bereich Mobilität nur bedingt weiter, da das Fahrerverhalten von Personen, Tageszeit, Wetter und anderen Faktoren abhängt. Für das Testen derartiger Systeme ist eine geschützte Umgebung erforderlich, die nicht die Gefahr birgt, beispielsweise das gesamte Verkehrs- oder Energiesystem nachhaltig zu beeinflussen. Diese Herausforderung löst das Bauhaus.MobilityLab als erstes Reallabor in Deutschland.
Umsetzung
Zentraler Bestandteil im BML Ecosys ist die im Projekt entwickelte, offene Cloud-Plattform. Auf dieser werden bislang separat erhobene und verarbeitete Daten aus den Bereichen Mobilität, Energie und Logistik zugänglich gemacht, zusammengeführt, ausgewertet und miteinander in Bezug gesetzt. Für den Datenzugriff als auch für die Datenbereitstellung innerhalb der Plattform wird auf offene Standards, wie beispielsweise die OGC SensorThings API sowie Technologien (International Data Spaces), zurückgegriffen. Erste Daten (Luftqualitätsmessungen, Teilaspekte des Verkehrsaufkommens) aus den Systemen des Erfurter Verkehrs- und Umweltmanagements sind bereits auf der Plattform verfügbar. Weiterhin werden umfangreiche Daten aus den Bereichen Energie, Logistik und Mobilität sowie lokale Kalender-, Event- und Ereignisinformationen auf der Plattform verfügbar gemacht. Für die Auswertung dieser heterogenen Informationen stellt die Cloud-Plattform KI-Algorithmen zur Verfügung, die trainiert und schrittweise so lange optimiert werden können, bis auf Basis der analysierten Daten neue, intelligente Dienstleistungen für den urbanen Raum entwickelt werden können. Zum aktuellen Zeitpunkt bietet die Plattform die Möglichkeit auf Basis der verfügbaren Daten eine Vorhersage für die NO2-Belastung in Erfurt zu treffen.
Der Erfurter Stadtteil Brühl fungiert dabei als Reallabor, in dem diese Anwendungen dann auch von Bewohnern getestet werden. Die Testergebnisse werden wiederrum auf der KI-Plattform des Projekts ausgewertet und die entwickelten Services damit noch weiter optimiert. Es wird eine Infrastruktur (z.B. Mobilitätsstationen, Smart-Meter) zur Realisierung von den drei Dauerexperimenten Energie, Mobilität und Logistik aufgebaut. Diese Infrastruktur und die aus den Dauerexperimenten gewonnenen Daten bilden die Grundlage für die domänenspezifischen und domänenübergreifenden Experimente.
Als besonders öffentlichkeitswirksame Veröffentlichung ist der Beitrag im BMWK Schlaglichter der Wirtschaftspolitik (August 2021, S.22ff), zu erwähnen.
Während der Projektlaufzeit werden im Bauhaus.MobilityLab Anwendungsfälle vorwiegend in den folgenden drei Sektoren erprobt:
Mobilitätssektor
Mit dem Ziel Mobilität umwelt- und gemeinwohlorientiert zu gestalten, werden KI-basierte Dienstleistungen im Kontext von multimodalen Mobilitätsangeboten erprobt. Dazu gehört u.a. der Aufbau von Mobilitätsstationen im Reallabor, die automatisierte Erkennung der Verkehrsmittelwahl mittels maschinellen Lernens, die datenschutzkonforme Personalisierung von Belohnungssystemen (Incentivierung) auf Endgeräten der Nutzer und der Aufbau eines agentenbasierten, digitalen Zwillings des Mobilitätsverhaltens unter Einbindung von anonymisierten Mobilfunkdaten.
Zudem wird die moderne Verkehrstechnik in Erfurt für das Bauhaus.MobilityLab weiter mit KI-unterstützter Sensorik ausgerüstet. Damit wird u.a. die Erprobung stadtweiter Luftqualitätsmodelle und deren Verknüpfung mit umweltorientiertem Verkehrsmanagement möglich, es erfolgt ein Testbetrieb von KI-basierter Schaltzeitprognose an Verkehrsampeln in Hinblick auf Fragestellungen rund um das Thema hochautomatisiertes Fahren und für Fahrzeugerkennung einschließlich Fahrzeug-klassifizierung werden intelligente Kamerasysteme evaluiert.
Logistiksektor
Für Anwendungen im Logistiksektor werden mit Hilfe von KI einzelne Beteiligte der Lieferkette und unterschiedliche Lieferservices innerhalb eines Stadtteils besser miteinander vernetzt. Hierzu wird zunächst ein integriertes Verkehrs- und Logistikmodell unter Berücksichtigung der Verkehrsströme, Logistikprozesse, Ampelschaltungen etc. erstellt. Mit Hilfe von KI-Anwendungen (z.B. einem Verkehrslogistik-Manager) sollen anschließend die entsprechenden Prozesse verbessert werden. Unter anderem ist die Erprobung unterschiedlicher Konzepte für die Zustellung an Endkunden im Stadtquartier (sog. letzte Meile) geplant.
Diese basieren auf KI-basierter Optimierung von Paketzustellungen mittels elektrischer Fahrzeuge hinsichtlich Zeit, Kosten und Umweltwirkungen.
Energiesektor
In diesem Bereich wird mit Hilfe von KI-Analysen das Energiemanagement innerhalb von Stadtquartieren optimiert und der lokale Energiebedarf und die -erzeugung besser aufeinander abgestimmt. Dazu wird unter anderem getestet, wie in den Quartieren erzeugter Strom, etwa durch Solaranlagen auf Wohnhäusern, optimal mit dem lokalen Energiemanagement abgestimmt werden kann. Hierzu werden flexible Stromtarife zur Verfügung gestellt und Daten wie der Energiepreis und die CO2-Daten des Stromes dem Nutzer Verfügbar gemacht. Anhand dieser Daten können Nutzer entscheiden, wie sie Smart-Home-fähige Verbraucher einsetzen, Elektro Fahrzeuge laden oder die Wärmepumpe betreiben. Weiterhin ist die Entwicklung von Methoden und Algorithmen zur Automatisierung und selbstständigen Verbesserung des Energiemanagements bis hin zu einem kognitiven Energiemanagement geplant. Mit Hilfe von KI soll ein assistiertes Service-Engineering und ein Entscheidungshilfemanagementsystem umgesetzt werden.
| Ohne BML Ecosys | Mit BML Ecosys |
|---|
| Daten aus den Sektoren Energie, Logistik und Mobilität werden in Städten zwar erhoben, aber nicht zusammengeführt und miteinander in Bezug gesetzt. Vorhandenes Potenzial zur Entwicklung innovativer Dienstleistungen bleibt ungenutzt. | BML Ecosys führt die Daten aus den einzelnen Sektoren des Stadtlebens zentral auf der Projekt-Plattform zusammen und nutzt KI, um die heterogenen Daten automatisiert auszuwerten und innovative Anwendungen zu entwickeln. |
| Anbietern bzw. Entwicklern von intelligenten Dienstleistungen und Produkten fehlt die Möglichkeit, ihre Innovationen unter Realbedingungen zu erproben und auf dieser Basis weiter zu verbessern. | BML Ecosys nutzt den Stadtteil Brühl, um dort neu entwickelte Anwendungen und Dienstleistungen unter realen Bedingungen erproben zu können. Für die beteiligten Entwickler bietet sich so die Möglichkeit eines intensiven Nutzungsmonitorings, auf dessen Basis die entwickelten Anwendungen verbessert werden können. Die Integration der Services wird dabei erleichtert durch die offenen Schnittstellen der Plattform. |
| Bewohner von Stadtquartieren werden bei der Entwicklung innovativer Smart-City-Anwendung nicht mit einbezogen, unter anderem auch deshalb, weil den Entwicklern und Anbietern dieser Produkte die Möglichkeit einer entsprechend umfassenden Testanwendung in einem realen Umfeld fehlt. Der reelle Nutzen von innovativen Smart-City-Produkten und -Dienstleistungen bleibt den Menschen dadurch verschlossen. | Durch die gezielte Integration der Menschen des als Reallabor fungierenden Stadtteils werden sie in die Entwicklung smarter Anwendungen integriert. Dadurch wird die Akzeptanz für die Angebote erhöht und die Anwendungen anhand des Nutzerfeedbacks weiter optimiert. |
