Fahrbahnschäden mit KI prognostizieren: Evolits Beitrag zum EU-Forschungsprojekt ESRIUM

Das Wichtigste in Kürze

• ESRIUM war ein im Rahmen von Horizon 2020 gefördertes EU-Forschungsprojekt, in dem eine Plattform zur Berechnung von Lebenszyklen und Instandhaltungskosten für Autobahnbetreiber entwickelt wurde.
• Evolit verantwortete im internationalen Konsortium die Entwicklung einer KI-Komponente, die mithilfe von Machine Learning die zukünftige Entwicklung von Fahrbahnschäden prognostiziert.
• Die Modelle wurden mit Wetter-, Verkehrs- und Ground-Truth-Daten trainiert. Die relevanten Einflussfaktoren analysierte Evolit gemeinsam mit dem Autobahnbetreiber ASFINAG.
• Der Nutzen: Wartungsmaßnahmen lassen sich vorausschauender planen, Kosten besser kalkulieren und Risiken früher erkennen.

Ob Riss, Spurrinne oder Schlagloch: Fahrbahnschäden entstehen oft schleichend. Je später sie erkannt und eingeordnet werden, desto stärker wirken sie sich auf Sicherheit, Kosten und Wartungsplanung aus. Für Autobahnbetreiber zählt deshalb nicht nur der aktuelle Zustand, sondern auch die Frage, wie sich ein Schaden weiterentwickeln wird.

Das Forschungsprojekt ESRIUM hatte zum Ziel, genau das zu verbessern. Im Rahmen von Horizon 2020 und gefördert durch die Agentur der Europäischen Union für das Weltraumprogramm (EUSPA) arbeitete ein internationales Konsortium daran, den Zustand von Straßen datenbasiert zu erfassen und ihre Instandhaltung zu optimieren.

Evolit übernahm innerhalb des Konsortiums eine klar abgegrenzte Aufgabe: die KI-gestützte Prognose, wie sich erkannte Fahrbahnschäden im Laufe der Zeit weiterentwickeln.

Ausgangslage & Problemstellung: Warum eine Zustandsaufnahme allein nicht ausreicht

Regelmäßige Kontrollen und Zustandserhebungen liefern wichtige Informationen über die Qualität einer Fahrbahn. Sie zeigen jedoch zunächst, wie eine Straße zu einem bestimmten Zeitpunkt aussieht.

Für die Planung von Wartungs- und Sanierungsmaßnahmen reicht diese Momentaufnahme nicht immer aus. Zwei ähnlich aussehende Risse können sich unterschiedlich schnell entwickeln – etwa aufgrund der Verkehrsbelastung, des Wetters oder ihrer konkreten Lage.

Damit Maßnahmen sinnvoll priorisiert werden können, braucht es deshalb zusätzlich eine Einschätzung der zukünftigen Entwicklung:

• Welche Schäden könnten sich besonders schnell verschärfen?
• Wo besteht mittelfristig ein erhöhtes Risiko?
• Welche Reparatur kann geplant werden und wo ist früheres Handeln erforderlich?
• Wie lassen sich Budgets und Wartungsfenster vorausschauend einsetzen?

Analyse & Herangehensweise: Machine Learning für die Entwicklung von Fahrbahnschäden

Evolits Schwerpunkt lag somit auf der zeitlichen Prognose der erkannten Schäden mit der konkreten Frage: Wie wird sich ein konkreter Fahrbahnschaden unter bestimmten Umwelt- und Verkehrsbedingungen voraussichtlich weiterentwickeln?

Die Entwicklung eines Fahrbahnschadens hängt von vielen Faktoren ab – Wetter, Verkehrsbelastung, Beschaffenheit des Untergrunds. Jeder dieser Datensätze bringt zahlreiche Attribute mit, die einen Schaden mehr oder weniger stark beeinflussen. Welche davon wie stark ins Gewicht fallen, lässt sich nicht auf einen festen Regelsatz reduzieren.

Machine Learning war hier ein sinnvoller Ansatz, weil sich die relevanten Einflussfaktoren nicht vollständig in starre Regeln übersetzen lassen. Die Modelle erkennen, welche Attribute signifikant sind, und können Kombinationen sichtbar machen, die in klassischen Analysen leicht verborgen bleiben. Evolit trainierte dafür mehrere Machine-Learning-Modelle mit historischen Wetter-, Verkehrs- und Referenzdaten zur tatsächlichen Schadensentwicklung.

Die Entwicklung erfolgte bewusst iterativ: Unterschiedliche Modellansätze wurden getestet, bewertet und teilweise wieder verworfen, bis geeignete Ansätze für den Prototyp identifiziert waren. Dass mehrere Modelle entwickelt wurden, war bewusst so vorgesehen: Welcher Ansatz die besten Ergebnisse liefert, hängt unter anderem von der verfügbaren Datenbasis und dem jeweiligen Einsatzkontext ab.

Wichtig war dabei das Fachwissen des Autobahnbetreibers. Gemeinsam mit der ASFINAG analysierte Evolit, welche Faktoren zur Entstehung und Verschärfung von Fahrbahnschäden beitragen und welche Einflussgrößen für die Modelle relevant sind. Berücksichtigt wurde dabei auch, dass relevante Einflussfaktoren je nach Standort variieren können: In einem Tunnel gelten andere Bedingungen als auf freier Strecke und ein Schaden auf einer finnischen Autobahn kann sich anders entwickeln als ein vergleichbarer Schaden in Österreich.

Ergebnisse & Nutzen: Von der Momentaufnahme zur vorausschauenden Wartung

Das Ergebnis ist eine individuelle Prognose für jeden erkannten Schaden: Das Modell schätzt, wie sich dieser voraussichtlich weiterentwickelt – beispielsweise, wie stark sich ein Riss innerhalb eines bestimmten Zeitraums vergrößern könnte. Die aktuelle Zustandsaufnahme wird dadurch um eine prognostizierte Entwicklungskurve ergänzt.

Für Autobahnbetreiber ergeben sich daraus konkrete Vorteile:

• Effizientere Auswertung und Bewertung großer Datenmengen
• Mehr Planungssicherheit, weil Wartungsmaßnahmen vorausschauender priorisiert und terminiert werden können
• Eine zusätzliche Datengrundlage für die Kosten- und Ressourcenplanung
• Bessere Risikoeinschätzung, weil potenziell kritische Entwicklungen früher erkennbar werden

Wie wichtig die Verbindung aus zuverlässiger Datenverarbeitung und KI-gestützter Prognose für das Projekt war, betont auch Stefan Ladstätter, Technical Lead bei Joanneum Research Digital: „Evolit hat komplexe Forschungsanforderungen präzise in leistungsfähige Software umgesetzt. Die Verarbeitung großer Straßenzustands- und GNSS-Datenmengen erfolgte dabei ebenso zuverlässig wie die KI-gestützte Erstellung von Prognosen basierend auf solchen Daten zur ‚Predictive Maintenance’.”

Ausblick: Vom Proof of Concept zum produktreifen Werkzeug

Der nächste Schritt ist die Weiterentwicklung des Prototyps zu einer produktiv einsetzbaren Lösung – mit einem klar definierten Anwendungsfall und einer Integration in bestehende Prozesse. Mit einer breiteren historischen Datenbasis lassen sich die Modelle weiter validieren und verbessern. Gleichzeitig kann genauer bewertet werden, welcher Ansatz im jeweiligen Einsatzkontext die besten Ergebnisse liefert.

Für Evolit zeigt ESRIUM exemplarisch, wie KI in geschäftskritischen Prozessen sinnvoll eingesetzt werden kann: nicht als Selbstzweck, sondern um aus vorhandenen Daten konkreten Mehrwert zu schaffen. In diesem Fall für die Instandhaltung kritischer Verkehrsinfrastruktur.

Über ESRIUM

ESRIUM war ein im Rahmen von Horizon 2020 gefördertes EU-Forschungsprojekt, unterstützt durch die Agentur der Europäischen Union für das Weltraumprogramm (EUSPA). Ein internationales Konsortium entwickelte darin Lösungen, um den Zustand von Straßen datenbasiert zu erfassen und ihre Instandhaltung effizienter zu planen. Mehr Informationen unter esrium.eu.