Von MS-COCO zur FGSV: Die Entwicklung und Validierung eines hierarchischen Klassifikationsschemas für die hochspezifische KI-gestützte Verkehrszählung in Deutschland

Kurzfassung

Die effektive und nachhaltige Steuerung urbaner Verkehrssysteme erfordert präzise Daten über eine zunehmend diverse Gruppe von Verkehrsteilnehmenden. Maschinelles Sehen (Computer Vision) bietet hierbei ein enormes Potenzial, um in der Stadt- und Verkehrsplanung die notwendigen hochfrequenten Daten für ein evidenzbasiertes Management bereitzustellen. Doch während viele KI-Lösungen überwiegend im wissenschaftlich-theoretischen Kontextentwickelt und erprobtwerden, bleibt deren praktische Anwendbarkeit häufig ungeprüft. Anhand zweier Praxisbeispiele aus Süddeutschland beleuchten wir den interdisziplinären Raum zwischen modernen KI-Objektdetektoren einerseits, und den hiesig geltenden Standards zur Verkehrserhebung andererseits. Dies betrifft die Notwendigkeit einer hochgradig spezifizierten Klassifizierung von Verkehrsteilnehmenden gemäß den Richtlinien der Forschungsgesellschaft für Straßen- und Verkehrswesen (FGSV), Herausforderungen bei der Erfassung durch Wettereinflüsse, sowie strenge Datenschutzanforderungen. Die methodische Grundlage bildeteine manuell erhobene Referenzdatenbank mit über 17.000 annotierten Verkehrsteilnehmendenund vortrainierte YOLOv8-Modelle (You Only Look Once). Mit mehreren experimentellen Konfigurationen wurde untersucht, wie gut die Modelle den spezifischen Anforderungen der Planungspraxis gerecht werden. Im Speziellen wurde ein hierarchisches Klassifikationsschema entwickelt, das von internationalen Standards (MS-COCO, Common Objects in Context) über FGSV-Standards (Forschungsgesellschaft für Straßen- und Verkehrswesen) bis hin zu projektspezifischen Anforderungen reicht. Die Untersuchung zeigt, dass die Detektionsgenauigkeit (mAP@50) stark von der semantischen Tiefe der Zielvariablen abhängig ist. Während auf der generischen Ebene mit lediglich 7 allgemein gehaltenen Klassen (bspw. Auto, Fahrrad, Person)eine sehr hohe Präzision von 86,3% erzielt wurde, sinkt dieser Wert bei der Anwendung der für die deutsche Planungspraxis notwendigen FGSV-Standards auf 78,0% und bei hochspezifischen Projektanforderungen (19 Klassen – von LastenfahrradfahrendePerson bis zu landwirtschaftlichem Spezialfahrzeug) auf 64,7%. Analog lässt sich auch der Einfluss von Bildqualität auf die Detektionsgenauigkeit quantifizieren. In der besten Konfiguration liegt die durchschnittliche Detektionsgenauigkeit bei 87,8%, wobei größere Objekte wie PKWs, LKWs und Busse mit bis zu 97,8% Genauigkeit detektiert wurden. Kleinere Objekte wie Personen, Motorräder und filigrane Fahrräder wurden jedoch nur in 86,8%, 83,2% und 67,5% Prozent der Fälle korrekt detektiert. Im Vergleich zur manuellen Auswertung lassen sich mit den getesteten KI-Modellen deutlich größere Datenmengen automatisiert und mit robuster Genauigkeit verarbeiten. Damit werden sowohl großflächigere, als auch langfristigere Verkehrserhebungen möglich. Die erforderliche semantische Tiefe zwingt jedoch zur domänenspezifischen Optimierung. Gleichzeitig steigen mit der Automatisierung die Anforderungen an die Qualität der Datenerfassung allgemein. Valide Planungsgrundlagen hängen also zukünftig noch mehr von der interdisziplinären Schnittstelle von Technologie und Praxis ab.