KI-gestützte Inventarisierung erfasst Verkehrszeichen und Fahrbahnmarkierungen aus Kamera-, GNSS- und bei Bedarf LiDAR-Daten, ordnet sie einem Einsatzort zu und macht Abweichungen zum Verkehrszeichenplan sichtbar. Für Verkehrssicherungsunternehmen entsteht daraus ein fortschreibbarer digitaler Bestand statt verteilter Fotos und Listen. Besonders wertvoll wird das Verfahren, wenn Erfassung, Kontrollfahrt, Mängelbearbeitung und Dokumentation in einem Prozess zusammenlaufen.
Wer heute Verkehrszeichen inventarisieren möchte, steht in der Verkehrssicherung vor einem Problem, das zunächst erstaunlich banal wirkt: Man muss wissen, was draußen tatsächlich steht. In der Praxis reicht diese Frage jedoch von einzelnen VZ und Zusatzzeichen über temporäre Haltverbote, Leitbaken und Vorwarntafeln bis zu gelben Baustellenmarkierungen, Haltlinien, Pfeilen, Sperrflächen und vorhandenen weißen Markierungen.
Genau hier wird KI interessant. Eine Kamera am Kontrollfahrzeug oder Smartphone kann große Teile des Straßenraums aufnehmen, während GNSS die Position liefert. Computer Vision erkennt anschließend Objekte und Markierungen, ordnet Klassen zu und speichert zusammen mit Zeitstempel, Bildausschnitt und Koordinaten einen digitalen Befund. Bei höheren Anforderungen können 360-Grad-Kameras, präzisere GNSS-Systeme und LiDAR hinzukommen.
Das eigentliche Potenzial liegt allerdings nicht darin, dass eine Software auf einem Foto ein Verkehrszeichen erkennt. Entscheidend ist, was danach mit dieser Information geschieht.
Verkehrssicherungsanfragen strukturierter vorbereiten
KrambergAI unterstützt Unternehmen der Verkehrssicherung dabei, Anfragen, Einsatzorte, Pläne, Auflagen, Fotos und Abstimmungen mit KI besser zu erfassen und für das Team nutzbar zu machen.
Praxisnah eingeführt · Branchenspezifisch angepasst · Made in Germany
Warum wird die Inventarisierung für Verkehrssicherungsunternehmen zunehmend wichtiger?
Bei einer langfristigen Arbeitsstelle kann zwischen Verkehrsrechtlicher Anordnung, Verkehrszeichenplan, Aufbau und laufendem Betrieb einiges passieren. Ein Schild wird versetzt, eine Bake nach einem Anstoß neu aufgestellt, eine mobile Haltverbotsbeschilderung verändert sich, eine provisorische Markierung wird beschädigt oder ein vorhandenes Verkehrszeichen bleibt sichtbar, obwohl es für die aktuelle Verkehrsführung eigentlich abgedeckt sein müsste.
Wer solche Veränderungen ausschließlich über einzelne Fotos, Messenger-Nachrichten und handschriftliche Kontrolllisten verfolgt, erzeugt schnell mehrere Informationsstände.
Eine digitale Inventarisierung setzt dagegen beim Objekt an. Ein Verkehrszeichen besitzt beispielsweise eine Position, einen VZ-Typ, gegebenenfalls Zusatzzeichen, eine Ausrichtung, einen Projektbezug, einen Status, einen Erfassungszeitpunkt und eine Bilddokumentation. Für eine Markierung kommen Geometrie, Markierungsart, Farbe, Lage, sichtbarer Zustand und gegebenenfalls ein Bezug zur temporären Verkehrsführung hinzu.
Das ist auch fachlich relevant: Nach § 39 Abs. 5 StVO sind Markierungen Verkehrszeichen. Vorübergehend gültige Markierungen werden gelb ausgeführt und heben die entsprechenden weißen Markierungen auf.
Damit gehört die Erfassung von Markierungen nicht in eine getrennte digitale Nebenwelt. Beschilderung und Markierung bilden gemeinsam die Verkehrsführung, die im Feld vorhanden ist.
Welche Daten sollte ein digitaler Bestand tatsächlich enthalten?
Ein gutes Inventar besteht nicht aus einer Bildergalerie. Fotos sind Nachweise, aber noch kein brauchbares Datenmodell.
Für Beschilderung bietet sich beispielsweise eine Kombination aus Objekt-ID, StVO-Zeichen, Zusatzzeichen, Standort, Fahrtrichtung, Orientierung, temporär oder dauerhaft, Projekt, Verkehrszeichenplan, Zeitpunkt der letzten Erfassung, sichtbarem Zustand, Foto und Bearbeitungsstatus an.
Bei Fahrbahnmarkierungen ist die Struktur anders. Eine Leitlinie ist kein punktförmiges Objekt wie ein einzelnes Verkehrszeichen. Sie besitzt eine Geometrie. Pfeile, Haltlinien, Sperrflächen oder temporäre gelbe Linien benötigen deshalb andere Objektmodelle. Neben Typ und Lage können Eigenschaften wie Farbe, Verlauf, sichtbare Unterbrechungen, Überdeckung oder Abnutzungsmerkmale gespeichert werden.
Für mittelständische Verkehrssicherungsunternehmen ist dabei eine Frage wichtiger als maximale technische Detailtiefe: Welche Information wird später tatsächlich für Disposition, Aufbau, Kontrollfahrt, Mängelbeseitigung oder Nachweis benötigt?
Ein Datenmodell, das niemand im Tagesgeschäft pflegt, wird auch mit KI nicht besser.
Wie funktioniert die KI-gestützte Erfassung während einer Kontrollfahrt?
Das praktikable Modell beginnt häufig nicht mit einem Spezialfahrzeug, sondern mit vorhandenen Prozessen. Ein Kontrollfahrzeug fährt die Arbeitsstellen ohnehin an. Wird dabei eine geeignete Kamera oder ein Smartphone verwendet, kann Bildmaterial kontinuierlich mit Positions- und Zeitinformationen verbunden werden.
Die KI sucht anschließend nach relevanten Objektklassen. Sie erkennt beispielsweise ein Geschwindigkeitszeichen, eine Fahrtrichtungstafel oder ein Zusatzzeichen und versucht, Position und Objektklasse zu bestimmen. Markierungen können mit Segmentierungsverfahren als Linien, Flächen oder Symbole aus dem Straßenbild extrahiert werden.
Dass dieser Ansatz technisch realistisch ist, zeigen Forschungsarbeiten. Bei einem Mobile-Mapping-Verfahren wurden 97,5 Prozent der erkannten Verkehrszeichen mit einer Positionsabweichung von weniger als 0,5 Metern lokalisiert. Das Ergebnis stammt aus einem definierten Versuchsaufbau und ist deshalb nicht als allgemeine Genauigkeitszusage für beliebige Straßen, Kameras oder Wetterbedingungen zu verstehen.
Interessant ist außerdem die Entwicklung kostengünstiger Verfahren. Eine Untersuchung zur Erkennung verschlissener Fahrbahnmarkierungen kombinierte Smartphone-Video und Positionsdaten und erreichte im untersuchten Aufbau einen mittleren Positionsfehler von 0,27 Metern.
Für die Praxis bedeutet das nicht, dass jedes Unternehmen sofort LiDAR benötigt. Es zeigt vielmehr, dass sich unterschiedliche technische Stufen aufbauen lassen.
Welches Erfassungsverfahren passt zu welchem Einsatz?
| Verfahren | Typische Ausstattung | Stärken | Grenzen | Geeignet für |
|---|---|---|---|---|
| Manuelle Aufnahme | Smartphone, Formular, Foto | Einfacher Einstieg, menschliche Bewertung direkt vor Ort | Hoher Zeitbedarf, Medienbrüche, uneinheitliche Datensätze | Einzelne kleine Arbeitsstellen |
| KI mit Fahrzeugkamera | Kamera oder Smartphone, GNSS, Software | Erfassung während vorhandener Fahrten, niedrige Einstiegshürde | Abhängig von Sicht, Kameraposition und GNSS | Regelmäßige Kontrollfahrten und größere Projektbestände |
| 360-Grad-Mobile-Mapping | Rundumkamera, präziseres GNSS | Straßenraum kann nachträglich aus mehreren Blickrichtungen ausgewertet werden | Größere Datenmengen und höherer technischer Aufwand | Kommunale Netze, größere Baustellenprogramme |
| LiDAR plus Bilddaten | LiDAR, Kameras, GNSS/IMU | Geometrisch hochwertige Punktwolken und Kombination mit visueller Klassifikation | Kosten, Datenverarbeitung und Spezialwissen | Infrastrukturinventur, GIS und umfangreiche Bestandsmodelle |
| Hybrides KI-Verfahren | Automatische Erkennung plus menschliche Prüfung | Hohe Automatisierung bei kontrollierter Freigabe | Prüfschritte müssen organisatorisch vorgesehen werden | Produktiver Einsatz in Verkehrssicherungsbetrieben |
Eine kommunale Umsetzung zeigt, wie weit solche Datenmodelle bereits gehen können: Bei einer Straßenbefahrung der Stadt Aachen wurden 360-Grad-Aufnahmen und 3D-Punktwolken genutzt. Verkehrszeichen und Fahrbahnmarkierungen werden dort mit strukturierten Eigenschaften für Verkehrsmanagementsysteme geführt.
Wie lassen sich Beschilderung und Markierung gemeinsam erfassen?
In vielen Softwaresystemen werden Verkehrszeichen als Punkte auf einer Karte dargestellt. Für eine vollständige Arbeitsstelle reicht das nicht.
Eine KI-gestützte Bestandsaufnahme sollte deshalb mehrere Geometrietypen unterstützen. Ein Verkehrszeichen oder Leitbakenstandort kann als Punkt gespeichert werden. Eine Leitlinie wird als Linienobjekt geführt. Eine Sperrfläche benötigt eine Fläche beziehungsweise ein Polygon. Zusätzlich muss dokumentiert werden können, welche Objekte zusammengehören.
Dadurch entsteht aus einzelnen erkannten Objekten ein räumliches Modell der Arbeitsstelle.
Noch wichtiger wird die zeitliche Dimension. Ein Schild kann heute vorhanden und morgen versetzt sein. Eine Markierung kann zunächst vollständig sichtbar sein und nach mehreren Wochen Beanspruchung eine auffällige Stelle zeigen. Die Datenbank sollte daher nicht einfach den bisherigen Datensatz überschreiben, sondern Veränderungen als Ereignisse speichern.
Erst damit wird aus Inventarisierung eine belastbare Verlaufshistorie.
Wie erkennt KI Abweichungen vom Verkehrszeichenplan?
Das ist einer der interessantesten Anwendungsfälle für Verkehrssicherungsunternehmen.
Wenn ein Verkehrszeichenplan bereits digital strukturiert vorliegt, besitzt das System einen Soll-Bestand. Die Kontrollfahrt erzeugt einen Ist-Bestand. Beide Datenbestände lassen sich gegeneinander prüfen.
Die Software könnte beispielsweise feststellen, dass an einer erwarteten Position kein passendes VZ erkannt wurde, ein zusätzliches Schild vorhanden ist, ein Schild an einer deutlich anderen Position erfasst wurde oder eine geplante temporäre Markierung im aktuellen Bildmaterial nicht erkannt werden konnte.
Bei solchen Meldungen darf das System nicht automatisch unterstellen, dass die Arbeitsstelle fehlerhaft eingerichtet wurde. Ein Objekt kann verdeckt sein, die Kamera kann eine ungünstige Perspektive gehabt haben oder die Verkehrsführung wurde zulässig geändert.
Deshalb sollte das Ergebnis lauten: prüfbedürftige Abweichung.
Ein Bauleiter, Projektleiter oder Mitarbeiter der Kontrollfahrt entscheidet anschließend, ob tatsächlich eine Maßnahme erforderlich ist.
Wo liegt der Unterschied zwischen Inventur, Kontrollfahrt und Abnahme?
Diese Begriffe sollten in einer digitalen Lösung nicht miteinander vermischt werden.
Die Inventarisierung beantwortet zunächst die Frage, welche Objekte zu welchem Zeitpunkt erkannt und dokumentiert wurden. Die Kontrollfahrt umfasst dagegen den betrieblichen Prüfprozess einer Arbeitsstelle mit den dafür vorgesehenen Kriterien. Eine Abnahme oder fachliche Freigabe ist nochmals ein anderer Vorgang.
KI kann die Datengrundlage dieser Prozesse verbessern. Sie ersetzt dadurch aber nicht automatisch die verantwortliche Person.
Gerade in der Verkehrssicherung wäre es problematisch, aus einem hohen Erkennungswert unmittelbar eine fachliche Freigabe abzuleiten. Computer Vision kann beispielsweise erkennen, dass ein rundes Verkehrszeichen vorhanden ist und dessen Inhalt klassifizieren. Ob dessen Aufstellung der konkreten Verkehrsrechtlichen Anordnung und allen Randbedingungen entspricht, benötigt zusätzlichen Kontext.
Die technische Architektur sollte diese Rollen deshalb bewusst trennen.
Was zeigt ein typischer Anwendungsfall aus der Praxis?
Nehmen wir eine innerstädtische Tiefbaumaßnahme mit wechselnden Bauabschnitten. Für die Verkehrsführung existieren Verkehrszeichenplan und Anordnung. Temporäre Beschilderung, Haltverbote, Leitbaken und gelbe Markierungen ändern sich im Projektverlauf.
Nach dem Aufbau wird eine Referenzbefahrung durchgeführt. Die Software erzeugt daraus den initialen digitalen Ist-Bestand. Bei späteren Kontrollfahrten werden erneut Aufnahmen erzeugt.
Am nächsten Morgen wird an einem Abschnitt ein Verkehrszeichen nicht mehr erkannt. Gleichzeitig erscheint eine temporäre Markierung in der Bildanalyse unterbrochen. Statt dass jemand zunächst mehrere hundert Fotos durchsieht, werden die betreffenden Positionen automatisch für die Nachkontrolle vorgeschlagen.
Der Mitarbeiter prüft die Stellen. Beim Schild stellt sich heraus, dass ein Lieferfahrzeug die Sicht während der Aufnahme verdeckt hatte. Bei der Markierung liegt tatsächlich eine Beschädigung vor. Der Befund wird bestätigt, eine Aufgabe erzeugt und nach Beseitigung mit neuer Aufnahme abgeschlossen.
Damit wird KI nicht zum Entscheider, sondern zum Filter für eine große Menge operativer Daten.
Was läuft bei KI-Inventarisierung in der Praxis häufig falsch?
Ein häufiger Fehler besteht darin, mit der Bilderkennung zu beginnen, bevor festgelegt wurde, wie die Daten später genutzt werden sollen.
Dann erkennt ein Modell zwar zahlreiche Schilder, aber niemand hat definiert, wie doppelte Erkennungen behandelt werden, welche Standortabweichung akzeptabel ist, wie Zusatzzeichen zugeordnet werden, wie verdeckte Objekte behandelt werden oder welche Rolle eine Meldung bestätigen darf.
Ein zweites Problem sind Umgebungsbedingungen. Regen, Dunkelheit, Gegenlicht, verschmutzte Schilder, Baustellenfahrzeuge, Vegetation und Verdeckungen verändern das Bildmaterial erheblich. Auch provisorisch aufgestellte oder teilweise gedrehte Schilder unterscheiden sich von idealisierten Trainingsdaten.
Für deutsche Verkehrszeichen existieren inzwischen umfangreiche Trainingsressourcen. Ein über GovData bereitgestellter synthetischer Datensatz umfasst 211.000 erzeugte Bilder deutscher Verkehrszeichen und berücksichtigt unter anderem Abbildungsartefakte sowie Erscheinungsvarianten.
Trotzdem bleibt die eigene Betriebsrealität entscheidend. Ein Modell, das auf normalen Stadtstraßen gut funktioniert, muss nicht automatisch dieselbe Leistung in einer komplexen Arbeitsstelle mit dicht stehenden temporären Elementen erreichen.
Zufahrtsschutzprojekte strukturierter vorbereiten
KrambergAI unterstützt Anbieter im Zufahrtsschutz dabei, Kundenanfragen, Einsatzorte, Sicherheitsanforderungen, Pläne, Fotos und Abstimmungen mit KI besser zu erfassen und für das Team nutzbar zu machen.
Praxisnah eingeführt · Branchenspezifisch angepasst · Made in Germany
Wie lässt sich der Zustand von Fahrbahnmarkierungen sinnvoll bewerten?
Die reine Existenz einer Markierung ist nur ein Teil der Aufgabe.
Computer Vision kann visuelle Veränderungen erkennen: fehlende Abschnitte, starke Abnutzung, Überdeckungen oder auffällige Unterschiede gegenüber früheren Aufnahmen. Dadurch lassen sich Stellen für eine technische Nachprüfung priorisieren.
Für normativ oder vertraglich relevante Messwerte darf eine normale Kameraaufnahme jedoch nicht einfach mit einem kalibrierten Messverfahren gleichgesetzt werden. Insbesondere bei Retroreflexion müssen die jeweils vorgesehenen technischen Messmethoden und Anforderungen berücksichtigt werden.
KI eignet sich deshalb besonders gut als Screening-System: Sie findet potenziell relevante Stellen im Netz, dokumentiert deren Position und hilft, knappe Prüfkapazitäten gezielter einzusetzen.
Dass solche Verfahren auch in größeren Netzen erprobt werden, zeigt ein Projekt des US-Verkehrsministeriums: Dort wurden LiDAR-Daten auf rund 210 Meilen Radverkehrsanlagen zur automatisierten Erkennung und Zustandsbewertung von Fahrbahnmarkierungen eingesetzt.
Wie wird aus der Bilderkennung ein produktiver Prozess?
Der eigentliche Mehrwert entsteht erst durch die Verbindung mit den anderen Betriebsdaten.
Ein erkanntes Schild sollte nicht nur auf einer Karte erscheinen. Es sollte einem Auftrag, Projekt oder Bauabschnitt zugeordnet werden können. Eine festgestellte Abweichung kann daraus eine Aufgabe für eine Kolonne erzeugen. Nach der Korrektur wird das Objekt erneut fotografiert und der Vorgang abgeschlossen.
Damit entsteht eine durchgängige Kette:
Erfassung → KI-Auswertung → Zuordnung → Prüfung → Aufgabe → Beseitigung → Nachweis → Historie.
Besonders interessant wird diese Struktur für Unternehmen mit zahlreichen parallelen Arbeitsstellen. Statt morgens mehrere Ordner, Chatverläufe und Fotostrecken zusammenzuführen, kann das System nach Projekten, Objekttypen, offenen Abweichungen oder Kontrollstatus filtern.
Auch Auftraggeber profitieren davon. Aus demselben Datenbestand lassen sich projektbezogene Nachweise und strukturierte Statusinformationen erzeugen, ohne dass die Dokumentation am Projektende erneut aus Einzelinformationen zusammengesucht werden muss.
Welche Rolle spielen Datenschutz und Datenhoheit?
Straßenbilder können Personen, Kennzeichen, Grundstücke und weitere nicht benötigte Informationen enthalten. Deshalb sollte bereits bei der Konzeption entschieden werden, welche Daten tatsächlich gespeichert werden müssen.
Eine zweckmäßige Lösung kann Gesichter und Kennzeichen automatisiert unkenntlich machen, Rohmaterial nur begrenzt aufbewahren und für den dauerhaften Bestand vorzugsweise die benötigten Objektdaten und Nachweisbilder speichern. Zugriffe sollten rollenbasiert erfolgen; Änderungen und Freigaben gehören in eine nachvollziehbare Historie.
Für mittelständische Unternehmen ist außerdem relevant, wo Bilddaten, Projektinformationen und Kundendaten verarbeitet werden. EU-Hosting, Auftragsverarbeitung, Löschkonzepte und Mandantentrennung sollten Bestandteil der Systemarchitektur sein und nicht erst nach der Pilotphase ergänzt werden.
Wie kann ein mittelständischer Verkehrssicherungsbetrieb sinnvoll starten?
Ein Pilot muss nicht mit einem vollständigen digitalen Straßenzwilling beginnen.
Sinnvoller ist ein begrenzter Anwendungsfall: beispielsweise die automatisierte Erfassung temporärer Beschilderung auf ausgewählten Kontrollfahrten. Zunächst wird geprüft, welche VZ-Klassen zuverlässig erkannt werden, wie Standortdaten verarbeitet werden und welche Fehlmeldungen im tatsächlichen Betrieb entstehen.
Im nächsten Schritt können Vergleich mit Verkehrszeichenplan, automatische Änderungslisten und Aufgabenbearbeitung hinzukommen. Markierungen lassen sich anschließend integrieren.
Diese Reihenfolge reduziert Projektrisiken, weil nicht die Technologie, sondern der betriebliche Nutzen den Ausbau bestimmt.
Für Verkehrssicherungsunternehmen liegt der größte Wert am Ende weniger in einem spektakulären KI-Modell als in einer simplen betrieblichen Fähigkeit: jederzeit nachvollziehen zu können, welche Beschilderung und Markierung an einer Arbeitsstelle vorhanden war, was sich verändert hat, wer eine Abweichung geprüft hat und wie darauf reagiert wurde.
Quellen der verwendeten Kennzahlen
Synset Signset Germany – synthetischer Bilddatensatz für Verkehrszeichenerkennung, GovData:
https://www.govdata.de/suche/daten/synset-signset-germany-synthetischer-bilddatensatz-fur-verkehrszeichenerkennung
Novel Approach to Automatic Traffic Sign Inventory Based on Mobile Mapping System Data and Deep Learning, Remote Sensing:
https://www.mdpi.com/2072-4292/12/3/442
Identification and Geolocation of Pavement Marking Issues Based on Artificial Intelligence and Mobile Phone, Penn State:
https://pure.psu.edu/en/publications/identification-and-geolocation-of-pavement-marking-issues-based-o/
Complete Pavement Markings for Safe and Complete Streets, U.S. Department of Transportation:
https://www.its.dot.gov/research-areas/artificial-intelligence/transportation-planning-design/projects/complete-pavement-markings
Interessante Links
Straßenverkehrs-Ordnung, § 39 Verkehrszeichen – Bundesministerium der Justiz:
https://www.gesetze-im-internet.de/stvo_2013/__39.html
Straßenbefahrungsdaten Stadt Aachen – Verkehrszeichen und Straßenmarkierungen:
https://offenedaten.aachen.de/dataset/strassenbefahrungsdaten-stadt-aachen
RSA 21 – Richtlinien für die verkehrsrechtliche Sicherung von Arbeitsstellen an Straßen, Verkehrsblatt:
https://www.verkehrsblatt.de/docs/rsa
Häufige Fragen
Was bedeutet KI-gestützte Inventarisierung von Verkehrszeichen?
KI-gestützte Inventarisierung kombiniert Bildaufnahmen mit Verfahren der Computer Vision und Positionsdaten. Verkehrszeichen werden erkannt, klassifiziert, georeferenziert und als strukturierte Objekte gespeichert. Dadurch entsteht aus einzelnen Fotos ein fortschreibbarer Bestand. Für Verkehrssicherungsunternehmen kann dieser Bestand mit Projekten, Verkehrszeichenplänen, Kontrollfahrten, Aufgaben und einer Dokumentationshistorie verbunden werden.
Kann KI Verkehrszeichen während einer normalen Kontrollfahrt erfassen?
Ja, grundsätzlich kann bereits eine geeignete Fahrzeugkamera oder ein Smartphone Bildmaterial während einer Kontrollfahrt aufnehmen. Die tatsächliche Erkennungsqualität hängt jedoch von Kameraposition, Geschwindigkeit, Licht, Wetter, Verdeckungen und verwendeter Software ab. Deshalb sollte das Verfahren zunächst anhand eigener Arbeitsstellen getestet und die automatische Erkennung mit einem definierten menschlichen Prüfprozess kombiniert werden.
Können auch Zusatzzeichen automatisch erkannt werden?
Zusatzzeichen lassen sich grundsätzlich durch Bildanalyse erfassen, sind jedoch anspruchsvoller als große Hauptzeichen. Texte, kleine Symbole, Verschmutzungen, ungünstige Blickwinkel und die Zuordnung zum richtigen Hauptzeichen erhöhen die Komplexität. Ein praxistaugliches System sollte deshalb nicht nur das Zusatzzeichen erkennen, sondern auch dessen räumliche Beziehung zum jeweiligen Verkehrszeichen dokumentieren und Zweifelsfälle zur Prüfung vorlegen.
Kann KI gelbe Baustellenmarkierungen von weißen Markierungen unterscheiden?
Bildbasierte Systeme können Farben, Linienverläufe und Markierungsformen unterscheiden und damit temporäre gelbe Markierungen separat erfassen. Das Ergebnis hängt von Beleuchtung, Fahrbahnzustand, Verschmutzung und Kameratechnik ab. Besonders wertvoll ist die Kombination mit einem Verkehrszeichenplan, weil dadurch geprüft werden kann, ob eine erwartete temporäre Markierung im aufgenommenen Straßenabschnitt erkannt wurde.
Ersetzt die KI eine Kontrollfahrt nach den betrieblichen Vorgaben?
Nein. Eine KI-gestützte Inventarisierung kann die Kontrollfahrt unterstützen, Daten vorsortieren und potenzielle Abweichungen hervorheben. Sie übernimmt damit jedoch nicht automatisch die fachliche Verantwortung der vorgesehenen Person. Sinnvoll ist eine Arbeitsteilung, bei der Software große Bildmengen analysiert und Mitarbeiter die sicherheitsrelevanten Befunde bewerten, bestätigen und gegebenenfalls Maßnahmen veranlassen.
Kann ein System automatisch mit dem Verkehrszeichenplan vergleichen?
Ja, sofern der Verkehrszeichenplan in einer geeigneten digitalen Struktur verfügbar ist oder daraus ein maschinenlesbarer Soll-Bestand erzeugt wird. Das System kann erwartete und tatsächlich erkannte Objekte räumlich vergleichen. Abweichungen sollten anschließend als Prüfvorgänge behandelt werden, weil Verdeckungen, geänderte Bauphasen oder Aufnahmebedingungen ebenfalls dazu führen können, dass ein erwartetes Objekt nicht erkannt wird.
Braucht ein Verkehrssicherungsunternehmen für den Einstieg LiDAR?
In vielen Fällen nicht. Für einen Pilot zur Erkennung und Dokumentation von Beschilderung können Kamera, Smartphone und GNSS bereits ausreichen. LiDAR wird interessant, wenn höhere geometrische Anforderungen, umfangreiche Straßenraummodelle oder präzisere räumliche Auswertungen erforderlich sind. Die Technologie sollte deshalb nach dem konkreten Einsatzzweck ausgewählt werden und nicht allein nach maximal möglicher technischer Ausstattung.
Kann KI den Zustand von Fahrbahnmarkierungen beurteilen?
KI kann visuell auffällige Markierungen erkennen und beispielsweise verschlissene, unterbrochene oder teilweise verdeckte Bereiche für eine Prüfung markieren. Für technisch vorgeschriebene Messgrößen wie die Retroreflexion ersetzt eine normale Kamera jedoch kein dafür vorgesehenes Messverfahren. Der sinnvolle Einsatz liegt daher in der automatisierten Vorselektion und Dokumentation von Stellen, die anschließend gezielt untersucht werden können.
Welche Fehler treten bei der automatischen Verkehrszeichenerkennung häufig auf?
Typische Ursachen sind Verdeckungen durch Fahrzeuge oder Vegetation, schlechte Beleuchtung, Reflexionen, verschmutzte Schilder, ungewöhnliche Perspektiven und dicht nebeneinander stehende temporäre Verkehrszeichen. Zusätzlich können mehrere Videobilder dasselbe Objekt erfassen und Dubletten erzeugen. Ein produktives System benötigt deshalb Regeln für Mehrfacherkennungen, Plausibilitätsprüfungen, Konfidenzwerte und eine menschliche Bearbeitung auffälliger Fälle.
Für welche Unternehmen lohnt sich eine KI-gestützte Inventarisierung besonders?
Der Nutzen steigt mit Anzahl, Laufzeit und Veränderungsdynamik der betreuten Arbeitsstellen. Besonders interessant ist die Technologie für Verkehrssicherungsunternehmen, Straßenbauunternehmen, kommunale Dienstleister und Betreiber mit regelmäßigen Kontrollfahrten. Wenn ohnehin Fahrzeuge im Netz unterwegs sind, kann die Datenerfassung in bestehende Abläufe integriert und für Dokumentation, Mängelmanagement, Planung und spätere Nachweise mehrfach genutzt werden.
