AI4CycleMaps - KI-gestützte Erkennung, Segmentierung, Lokalisierung und geometrische Interpretation für die Kartierung zukünftiger Fahrradinfrastruktur

Projektübersicht

AI4CycleMaps ist eine Forschungsinitiative, die sich auf den Einsatz künstlicher Intelligenz zur Analyse von Fahrradinfrastruktur anhand bildbasierter Datenquellen konzentriert. Das Projekt untersucht, wie Luftbilder, Straßenbilder, öffentlich zugängliche Open-Data-Quellen und ergänzende Daten, die mittels mobiler Kartierung erfasst wurden, mithilfe von Erkennungs-, Segmentierungs- und visuellen Sprachmodellen verarbeitet werden können, um relevante Infrastrukturelemente zu identifizieren und die Automatisierung von Arbeitsabläufen zur Interpretation der Infrastruktur zu verbessern.

Derzeit konzentriert sich das Projekt auf das Testen von KI-Modellen und die Entwicklung erster Arbeitsabläufe zur Erkennung, Lokalisierung und geometrischen Charakterisierung von Objekten und Oberflächenelementen wie Radwegen, roten Radwegen, Straßenmarkierungen, Verkehrszeichen, Radfahrern und damit verbundenen Merkmalen der städtischen Mobilität. Ein zentrales Ziel ist es, den manuellen Aufwand zu reduzieren und zu stärker automatisierten, reproduzierbaren und skalierbaren Arbeitsabläufen für die Analyse der Fahrradinfrastruktur überzugehen.

Warum AI4CycleMaps?

Bewältigung der Herausforderungen bei der manuellen und fragmentierten Erfassung von Daten zur Fahrradinfrastruktur: Ausgangspunkt für das Projekt waren die aktuellen Herausforderungen bei der Erfassung, Pflege und Harmonisierung von Daten zur Fahrradinfrastruktur. In vielen Fällen werden diese Informationen nach wie vor durch Vor-Ort-Begehungen, manuelle Auswertungen und institutionsspezifische Dokumentationsabläufe erhoben.
Hoher manueller Aufwand: Infrastrukturbestandsaufnahmen erfordern oft zeitaufwändige Begehungen, manuelle Auswertungen und wiederholte Überprüfungen vor Ort.
Unterschiedliche Datenstrukturen: Kommunen und Institutionen verwenden unter Umständen unterschiedliche Formate, Schemata und Dokumentationspraktiken, was die Integration erschwert.
Begrenzte Aktualität: Die Fahrradinfrastruktur verändert sich im Laufe der Zeit, doch manuelle Aktualisierungszyklen können dazu führen, dass Datensätze schnell veralten.
Schwierige Zusammenarbeit: Inkonsistente und fragmentierte Daten können die Zusammenarbeit zwischen Kommunen, Forschern, Planern und öffentlichen Stellen erschweren.

Projektziel

Lokalisierung und Charakterisierung: Entwicklung von Arbeitsabläufen zur Lokalisierung erkannter Elemente und zur Schätzung relevanter geometrischer Eigenschaften wie Position, Ausdehnung und räumliche Struktur

Vorbereitung für die Kartierung: Schaffung der Grundlage für zukünftige GIS-kompatible Ergebnisse durch Strategien zur georäumlichen Nachbearbeitung, Validierung und Vektorisierung.
Erkennen: Bewertung von KI-Modellen zur Erkennung von fahrradbezogener Infrastruktur und Objekten der urbanen Mobilität in verschiedenen Bildquellen.

Methodik

Erfassung von Bilddaten: Das Projekt untersucht die Nutzung von Luftbildern, Straßenbildern, öffentlichen Bildquellen und ergänzenden mobilen Kartierungsdaten.
KI-basierte Auswertung: Zur Erkennung von Elementen der Fahrradinfrastruktur werden Erkennungs-, Segmentierungs- und Bild-Sprache-Modelle evaluiert.
Geodatenverarbeitung: Die erkannten Elemente sollen mit räumlichen Informationen verknüpft werden, um ihre Lokalisierung, geometrische Charakterisierung und GIS-Integration zu ermöglichen.

Validierung und Kartierung: Zukünftige Projektphasen werden sich auf die Validierung, den strukturierten Datenexport und GIS-kompatible Darstellungen der Fahrradinfrastruktur konzentrieren.

Datenquellen

Straßenebenenbilder: Straßenebenenbilder liefern Kontextinformationen zu Schildern, Markierungen, Fahrspurstruktur und Straßenumgebung.
Offene Geodaten: Öffentlich zugängliche Geodatensätze können die Auswahl von Kandidaten, die räumliche Referenzierung und den Vergleich unterstützen.

Mobile Kartierungsdaten: Ergänzende mobile Kartierungsdaten können für zusätzliche visuelle und räumliche Informationen in ausgewählten Testgebieten herangezogen werden.
Luftbilder: Luftbilder können die Analyse der Fahrradinfrastruktur aus der Vogelperspektive unterstützen.

Projektmitglieder

Juniorprofessur für Geosensorsysteme, TU Dresden
Prof. apl. Dr. Anette Eltner
Dr.-Ing. Ahmad El-Alailyi
Dr.-Ing. Pedro Alberto Pereira Zamboni
Dr. Lida Asgharian Pournodrati

Lehrstuhl für Mobilitätssystemplanung, TU Dresden
Prof. Dr.-Ing. Regine Gerike
Dr.-Ing. Sebastian Hantschel
Dr.-Ing. Armin Kollascheck

Förderung

Das Projekt läuft vom 01.12.2025 bis zum 30.11.2028.