Vernetze Mobilität

Projektbeschreibung

Das grenzüberschreitende Projekt AI4GREEN zielt darauf ab, durch den Einsatz von KI nachhaltige Lösungen für Wirtschaft und Industrie zu entwickeln und Produktionsprozesse, Robotik sowie Mobilitätsinnovationen zu optimieren. Insbesondere werden in der Forst- und Landwirtschaft Drohnenschwärme als mobile Sensorplattformen eingesetzt, um ressourcenschonende Anwendungen durch automatisierte Koordination und effizientes Management zu fördern. Zudem wird ein Software-Werkzeug mit Reinforcement Learning entwickelt, um die Energieeffizienz in industriellen Anwendungen zu steigern. Durch die Integration von KI in bestehende Infrastrukturen sollen Unternehmen ihre Energieeinsparpotenziale nutzen und nachhaltige Lösungen implementieren, um eine lebenswerte Zukunft für kommende Generationen zu sichern.

Angestrebte Projektergebnisse:

Schwarm-basierte Optimierung von Aufgaben: Nutzung von Schwarmintelligenz zur Optimierung landwirtschaftlicher Aufgaben wie Pflanzenschutz, Bewässerung und Ernteplanung. Es werden Sensoren untersucht und Outdoor-Navigationssysteme optimiert, um die Effizienz und Genauigkeit der Systeme zu steigern.

Kooperation zwischen bodengebundenen und luftgebundenen Fahrzeugen: Entwicklung von Technologien für die nahtlose Zusammenarbeit von Drohnen und Traktoren. Dies umfasst Kommunikation, Koordination, gemeinsame Pfadplanung und Sicherheitsmanagement, um die Effizienz der landwirtschaftlichen Prozesse zu verbessern.

Optimierung von Energiemodellen für mobile Einheiten: Verbesserung der Energieeffizienz von mobilen Geräten durch Optimierung von Bewegungsmustern, Routenplanung und Energieverbrauch in verschiedenen Szenarien. Ziel ist die Maximierung der Ausdauer und Reduzierung des Energieverbrauchs.

Projektbeschreibung

Gegenwärtig ist eine umfassende Erfassung von Flugzielen im unteren Luftraum nicht möglich. Eine zuverlässige Darstellung des Luftlagebildes ist jedoch unerlässlich, um Flugaktivitäten sicher parallel zu Drohnenflügen zu ermöglichen. Derzeit sind lückenlose Luftlagebilder noch nicht Stand der Technik. Kleinere Einrichtungen, die den lokalen Luftinformationsservice bereitstellen, nutzen teilweise offene Datenquellen und sind daher oft blind gegenüber Drohnen. Dadurch können Risiken nicht ausreichend eingeschätzt werden.

Die Lücke im Luftlagebild von konventionellen Luftfahrzeugen und Drohnen im unteren Luftraum des lokalen Luftinformationsservices soll geschlossen werden. Dazu werden verbesserte Ortungskonzepte für Drohnen erforscht und eine neuartige, standortübergreifende Methode zur Bewertung der Qualität des Luftlagebildes eingeführt. Algorithmen, die auf empirischen Daten basieren, berücksichtigen bei der Bestimmung der Signalausfallwahrscheinlichkeiten die örtlichen Gegebenheiten, wie beispielsweise Häuserschluchten.

Im Projekt werden die optimale Anzahl und Platzierung der erforderlichen Sensoren zur Erstellung eines Luftlagebildes untersucht. Basierend auf den Analyseergebnissen werden die Sensoren im Großraum um Kempten installiert. Veränderungen im Flugbetrieb werden vom Verkehrslandeplatz überwacht. Die Abdeckung der Sensoren wird wissenschaftlich bewertet, und Korrelationen mit situativen Auffälligkeiten werden erfasst, um daraus empirisch fundierte Modelle abzuleiten. Abschließend wird das Konzept anhand der erhobenen Realdaten validiert.

Projektbeschreibung

Viele Straßen in Deutschland befinden sich in schlechtem Zustand. Insbesondere nach kalten Wintern treten Straßenschäden in Form von Schlaglöchern und Rissen auf. Für kommunale Straßen gibt es kein einheitliches regelmäßiges Monitoring der Straßenzustände, sondern nur ein sehr kostenintensives Verfahren mit Spezialfahrzeugen. Vereinzelte Landkreise haben keine Karten mit Straßenzuständen zur Verfügung. Für Kommunen, Speditionen und Fahrzeughersteller wären aktuelle Straßenzustandskarten wichtig und hilfreich.

In diesem Projekt soll ein Verfahren erarbeitet werden, mit dem sich Straßen in Bezug auf ihre Fahrbahnoberfläche bewerten und klassifizieren lassen. Das Beschleunigungsgeschehen soll in der Weiterführung des Projektes ERST zur Erfassung relevanter Streckenabschnitte herangezogen werden. Wenn aus den ermittelten Bewegungsverläufen hervorgeht, dass Schäden vorliegen, wird mittels Bilderkennung die Art des Straßenschadens ermittelt und dokumentiert. Zusätzlich werden 3D-Daten zur Verifizierung herangezogen.

Das Messsystem eines Linienbusses aus dem Projekt ERST wird um ein Kamerasystem erweitert. Zudem wird in einem PKW-Versuchsfahrzeug ein identisches Messsystem integriert und durch ein LIDAR-System (3D) ergänzt. Die Messdaten aller Systeme werden unter Berücksichtigung des Datenschutzes in umfangreichen Testfahrten aufgenommen, übertragen und analysiert. Mittels effizienter Algorithmen und KI erfolgt eine Zustandserfassung.

Die ermittelte Straßengüte wird in Straßenkarten eingepflegt, um diese anschaulich darzustellen und reparaturbedürftige Straßenabschnitte aufzeigen zu können. Zusätzlich wird ein anwenderfreundliches Ausgabetool erarbeitet. Basierend auf den erzielten Ergebnissen wird ein Geschäftsmodell erarbeitet, wie Kommunen und Städte dauerhaft, kostengünstig und einfach die Straßenzustände auf ihren Straßen überwachen können.

Das Projekt ErNeSt wird in enger Zusammenarbeit der beiden Partner monalyis GmbH und Hochschule Kempten durchgeführt.

Projektbeschreibung

Ziel des Projektes ist die Entwicklung einer Bridge-Wallbox zur Anbindung von Elektro- Hybridfahrzeugen an das Photovoltaik-System (PV) von Gebäuden. Dabei können die Fahrzeuge selbst auch mit einer PV-Anlage ausgestattet sein. Damit möglichst viele Nutzer von der Entwicklung profitieren können, soll das System eine Anbindung von älteren Fahrzeugen (Baujahr vor 2023) ohne bidirektionale Ladeschnittstelle, als auch von Fahrzeugen mit bidirektionaler Ladeschnittstelle ermöglichen (laut ISO15118). Dabei bietet das System zwei entscheidende Vorteile: Zum einen kann die lange Standzeit von Freizeitfahrzeugen mit PV-Anlagen und Speichern sinnvoll genutzt werden, indem sie Energie ins Gebäude einspeisen. Zum anderen dienen die Fahrzeuge für die auf dem Hausdach installierte PV-Anlage als bidirektionaler Pufferspeicher. Teil des Projektes ist ein Nachweis der Funktion und Wirtschaftlichkeit der Bridge Wallbox über das Reallabor.

Bidirektionales Laden ermöglicht den Einsatz eines Elektroautos als Stromspeicher für Eigenheime. Bisher haben jedoch Fahrzeuge mit Baujahren vor 2023 keine Möglichkeit, bidirektional eingebunden zu werden. Durch den Einsatz der Bridge soll das nun ermöglicht werden.

Zur netzstabilisierenden Wirkung sollen in diesem Projekt zwei Use Cases aufgezeigt werden, bei denen Fahrzeugbatterien aus dem Bereich von Camping-Freizeitfahrzeugen bidirektional verwendet werden können. Mit Hilfe einer zu entwickelnden Bridge wird der Energiefluss zwischen einer PV-Anlage eines Wohnhauses, einer Solaranlage auf einem Wohnmobil bzw. einem Campingbus und den HV-Batterien der Campingfahrzeuge netzdienlich und energieoptimierend gesteuert; hierbei geht es entsprechend der ISO 15118 um die Kommunikationsschnittstelle zwischen Fahrzeug und Ladestation. Der Energiefluss wird unter Verwendung von KI und Deep Learning-Ansätzen über einen Auswertealgorithmus optimiert. Ein Modell zur Fahrzeugbatterie wird erarbeitet und hierauf ein digitaler Zwilling aufgebaut, welcher u.a. einer optimierten Reichweitenprognose dient. Mit Hilfe der App-gesteuerten Bridge kann der Ausbau der erneuerbaren Energien durch dezentrale Pufferung der Netze unterstützt werden.