Nachhaltige Mobilität neu gedacht: Mit Künstlicher Intelligenz schneller und umweltfreundlicher ans Ziel
Karlsruhe – Das Auto bleibt in Deutschland trotz hoher CO₂-Emissionen das meistgenutzte Verkehrsmittel. Um dies zu ändern, arbeiten Forschende am Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB im Projekt DAKIMO an einer zukunftsweisenden Lösung: Eine KI-basierte Technologie soll den Wechsel zwischen Bus, Bahn, Leihfahrrad und E-Scooter so einfach machen, dass der eigene Pkw überflüssig wird – und das bei maximaler Flexibilität und Planbarkeit.
Intermodale Mobilität mit Weitblick
Umweltfreundlich unterwegs sein geht auch ohne eigenes Auto – theoretisch. In der Praxis scheitert der Umstieg auf den öffentlichen Nahverkehr und Sharing-Angebote oft an der Komplexität: Unklar, ob am Zielort ein E-Scooter verfügbar ist, ungewiss, ob es sich lohnt, eine Haltestelle weiterzufahren. Herkömmliche Routing-Apps bieten hier kaum Hilfe.
Genau hier setzt DAKIMO an. Gemeinsam mit dem Mobilitätspartner raumobil GmbH entwickeln die Fraunhofer-Forschenden eine KI, die Verfügbarkeiten von Sharing-Fahrzeugen nicht nur in Echtzeit abbildet, sondern auch prognostiziert – und diese intelligenten Vorhersagen in die intermodale Routenplanung integriert.
„Damit Mobilität umweltfreundlicher wird, muss sie so flexibel und zuverlässig sein wie der Griff zum Autoschlüssel“, sagt Jens Ziehn, Projektleiter am Fraunhofer IOSB. „Unsere KI schlägt für jede Teilstrecke die beste Verkehrsmittelkombination vor – inklusive Sharing-Angeboten und Carsharing-Fahrzeugen – und bleibt dabei für die Nutzerinnen und Nutzer stets übersichtlich.“
KI trifft Alltag: Die regiomove-App denkt mit
Bereits integriert ist das neue System in eine Testversion der regiomove-App des Karlsruher Verkehrsverbunds (KVV). Die App berücksichtigt nicht nur aktuelle Verkehrsdaten, sondern auch Prognosen: Wie hoch ist die Wahrscheinlichkeit, dass in 20 Minuten ein Leihfahrrad an Haltestelle X verfügbar ist? Gibt es in der Nähe ein freies Carsharing-Auto?
Die KI verarbeitet dazu historische Daten wie die Standorte von Sharing-Fahrzeugen, Echtzeitdaten des ÖPNV und Informationen zur Verkehrslage. Daraus werden kurz- und langfristige Verfügbarkeiten für lokale Verkehrsangebote berechnet – in feinen Zeitintervallen und spezifisch für einzelne Stadtbereiche.
Ein Datenstandard für die Verkehrswende
Damit diese Technologie weitflächig einsetzbar wird, setzen die Projektpartner auf internationale Standards. Die Prognosefunktion ist bereits Teil eines Erweiterungsentwurfs des weltweit anerkannten GBFS-Datenstandards (General Bikeshare Feed Specification), der von der gemeinnützigen Organisation MobilityData betreut wird.
„Unsere Vision ist es, dass künftig nicht nur der aktuelle Standort eines E-Scooters abrufbar ist, sondern auch die voraussichtliche Verfügbarkeit in einer halben Stunde“, erklärt Reinhard Herzog, Leiter der Gruppe Modellbildung und Vernetzung am Fraunhofer IOSB. Die Integration dieser Funktion in den GBFS-Standard ist ein wichtiger Meilenstein.
Große Zustimmung in der Bevölkerung
Dass die Technologie den Nerv der Zeit trifft, zeigt eine begleitende Umfrage mit über 1.500 Teilnehmenden: Rund 90 Prozent der Befragten halten eine KI-gestützte Verfügbarkeitsvorhersage für hilfreich oder sehr hilfreich. Jeder Fünfte könnte sich vorstellen, das Auto gelegentlich stehenzulassen.
„Unsere Forschung belegt: KI kann die Mobilitätswende beschleunigen und einen spürbaren Beitrag zum Klimaschutz leisten“, sagt Ziehn.
Im nächsten Schritt soll das Prognosemodell auf ganz Baden-Württemberg ausgeweitet werden. Der KI-Fusionsserver, der alle Daten zusammenführt, ist bereits im Einsatz – und bringt die Vision einer intelligent vernetzten, umweltfreundlichen Mobilität einen großen Schritt näher.
