ARC-D2

KI für automatische Autobahnerkennung

ARC-D2: KI-basierte automatische Erkennung von Straßenschäden auf über 13.000 km Autobahn in Deutschland — von der Datenerfassung und Modellentwicklung bis zur Edge-Deployment auf NVIDIA Jetson NX.

DataLab anfragen
Geförderte F&E | Förderer: BMDV | Budget: 839.076 € | Jahr: 2026 | Rolle: Konsortialleiter

Problemstellung

Das deutsche Autobahnnetz — über 13.000 km Fahrbahn — ist eine kritische Wirtschaftsinfrastruktur, die den täglichen Verkehrsansprüchen standhalten muss. Derzeit basiert die Zustandserfassung auf manueller Auswertung von Straßenbildern, was zeitaufwendig, teuer und inkonsistent ist. Die frühe Erkennung von Rissen, Nähten und anderen Oberflächenschäden ist entscheidend, um rechtzeitige Instandhaltungsmaßnahmen einzuleiten und kostspielige Langzeitschäden zu vermeiden.

Projektteam bei der BASt während des Kickoff-Treffens in Bergisch Gladbach.

Projektteam bei der BASt während des Kickoff-Treffens in Bergisch Gladbach.

Use Cases

Das Projekt adressierte zwei primäre Use Cases in Zusammenarbeit mit der Bundesanstalt für Straßenwesen (BASt):

  1. Use Case A: Riss- und Fugenerkennung in Straßenoberflächen (Palaimon) — Automatisierte Erkennung von Rissen und Nähten in Asphalt- und Betonoberflächen mittels KI-basierter Segmentierung und Anomalieerkennung.

  2. Use Case B: Schadenserkennung an Blechbeschilderung (CAU) — Detektion und Zustandsbeurteilung von Verkehrszeichen, entwickelt von der Christian-Albrechts-Universität Kiel (CAU).

Projektziel

Das Ziel von ARC-D2 war die Entwicklung einer KI-basierten Anwendung zur automatischen Schadenserkennung in Straßenumgebungsdaten, die nahtlos in bestehende Systeme von Autobahnbetreibern integriert werden kann. Palaimon GmbH konzentrierte sich auf die Analyse von Straßenoberflächenzuständen einschließlich Anomalieerkennung mit Edge-Deployment-Fähigkeiten, während die Christian-Albrechts-Universität Kiel (CAU, AG Intelligente Systeme, Prof. Tomforde) KI-Modelle für die Verkehrszeichenanomalieerkennung entwickelte.

Vorgehen & Methodik

Datenerfassung: Das Projekt sicherte Zugang zu einem der größten extern genutzten Datensätze für Straßenoberflächen — etwa 8 TB Bildmaterial vom IT-ZEB-Server, verwaltet von der HELLER Ingenieurgesellschaft mbH. Die Daten wurden mittels MEFA- und MESOB-Messfahrzeugen der BASt erfasst, die unter verschiedenen Wetterbedingungen, Tageszeiten und Jahreszeiten Straßenoberflächenbilder aufnehmen.

Oberflächen-Segmentierung: Palaimon entwickelte und evaluierte Segmentierungsmodelle zur Identifizierung von Rissen und Nähten in Straßenoberflächen. Detectron2 lieferte eine ausgereifte Basis, während SegFormer vielversprechende Ergebnisse unter mehreren Konfigurationen einschließlich LoRA- und DoRA-Fine-Tuning sowie vollem Layer-Fine-Tuning erzielte.

Anomalieerkennung auf Straßenoberflächen: Für die Anomalieerkennung wurde EfficientAD für schnelle und präzise Anomalieerkennung implementiert, und PaDiM (Patch Distribution Anomaly Mapping) wurde zur Anomalieerkennung und -lokalisierung durch Patch-Verteilungsanalyse untersucht.

Halb-automatisch annotierte Straßenoberflächenbilder mit markierten Rissen und Nähten — als Referenzdatensatz für das Modelltraining verwendet.

Annotierte Straßenoberflächenbilder — Risse und Nähte für das Modelltraining markiert.

Randgeräte-Deployment (Edge Deployment): Deep-Learning-Modelle wurden in das ONNX-Format konvertiert, um plattformübergreifende Kompatibilität zu gewährleisten, und auf NVIDIA Jetson NX eingesetzt, was niedrige Latenz und Echtzeit-Inferenz direkt in Fahrzeugen ohne Cloud-Abhängigkeit ermöglicht.

NVIDIA Jetson NX

NVIDIA Jetson NX — das Randgerät für Echtzeit-KI-Inferenz.

Dashboard zur Ergebnisdarstellung: Palaimon entwickelte ein interaktives Dashboard zur Präsentation der KI-Erkennungsergebnisse für Endnutzer. Das Dashboard ermöglicht es Autobahnbetreibern, erkannte Schadensstellen auf einer Karte zu visualisieren, nach Straßenabschnitt, Datum, Schadenart und Schweregrad zu filtern sowie annotierte Bilder mit Modellergebnissen einzusehen. Es dient als primäre Schnittstelle zur Kommunikation der KI-Ergebnisse an Betreiber und Instandhaltungsplaner.

Das Dashboard implementiert zudem einen Human-in-the-Loop-Workflow: Nutzer können die KI-Ergebnisse direkt in der UI prüfen und Feedback geben — korrekte Erkennungen bestätigen sowie Falschpositive und übersehene Schäden melden. Dieses Nutzerfeedback fließt zurück in die Trainingspipeline, wodurch das Modell kontinuierlich verbessert werden kann.

Human-in-the-loop Workflow: KI-Erkennung → Nutzerprüfung → Feedback → Modell-Neulernen.

Human-in-the-loop-Pipeline — Nutzerfeedback treibt kontinuierliche Modellverbesserung an.

Wichtige Errungenschaften

Projektdetails

Projektpartner

Assoziierte Partner

DataLab anfragen