Überspringen

TUM Living Lab Connected Mobility

TU München Logo

Die deutsche Automobilindustrie steht vor großen Herausforderungen durch neue Mobilitätskonzepte, digitale Geschäftsmodelle und starke internationale Wettbewerber bei digitalen Mobilitätsdienstleistungen (Google, Apple).

Zur Unterstützung der digitalen Transformation im Bereich Smart Mobility und Smart City wurde das TUM Living Lab Connected Mobility initiiert, gefördert vom Bayerischen Staatsministerium für Wirtschaft, Energie und Technologie (StMWi) durch das Zentrum Digitalisierung.Bayern (ZD.B), einer Initiative der Bayerischen Staatsregierung. Das Forschungsprojekt bündelt die einschlägigen Forschungs-, Entwicklungs-, und Innovations-Kompetenzen der TU München in der Informatik und in der Verkehrsforschung.

de-TUM-Living-Lab16-9
Beiträge des TUM LLCM zur Entwicklung digitaler Mobilitätsdienstleistungen für den urbanen Raum, Quelle: www.tum-llcm.de

Neben der wissenschaftlichen Forschung ist eine wesentliche Leistung des Projekts die Vernetzung von Mobilitätsanbietern, Serviceanbietern, Entwicklern und Nutzern auf persönlicher, organisatorischer und technischer Ebene. Damit leistet das Projekt einen Beitrag zur Etablierung des zum Erfolg notwendigen Ökosystems. Kleineren Unternehmen und Startups wird hierdurch ermöglicht, mit geringem finanziellem, organisatorischem und technischem Aufwand eigene digitale Mobilitätsdienste zu entwickeln.

Das TUM Living Lab Connected Mobility dient somit als Innovationsplattform zum vereinfachten und beschleunigten Austausch bei der Entwicklung von digitalen Mobilitätsdiensten zwischen Universität, Industrie und Endnutzer. Die Universität trägt zu diesem digitalen Ökosystem aktuelle Forschungserkenntnisse aus zentralen Bereichen digitaler Mobilitätsplattformen wie zum Beispiel der Datenanalyse, der App-Entwicklung, dem Service Monitoring, der Plattform Governance sowie der effizienten und juristisch sicheren Einbindung von weiteren Partnern bei. Dabei wird auch auf die etablierte Kooperation zwischen der TUM, der lokalen Industrie, aber auch der lokalen Startup-Szene zurückgegriffen, um Praxisanforderungen im Umfeld digitaler Mobilitätsplattformen von Beginn an zu berücksichtigen.

Die TU München präsentiert vier Teilprojekte des TUM Living Lab Connected Mobility auf der Hypermotion:

Die Mobilitätsbranche verändert sich derzeit rapide. Neue Mobilitätsakteure, wie Google und Apple, betreten das Mobilitätsökosystem. Zusätzlich verlangen Mobilitätsnutzer im urbanen Raum nach Mobilität als Dienstleistung, was neben dem autonomen Fahren neue Geschäftsmöglichkeiten entstehen lässt. Durch die Digitalisierung der Mobilität wächst der Einfluss von Technologieunternehmen, die mit etablierten Mobilitätsakteuren, wie Automobilherstellern und Automobilzulieferer, kooperieren, von diesen finanziert oder aufgekauft werden. 

Das Projekt beschäftigt sich mit der Dokumentation, Modellierung und Visualisierung des Ökosystems der vernetzten Mobilität. Für einen ersten Prototypen wurde das Ökosystem des TUM Living Lab Connected Mobility Projektes verwendet. Dazu sind Entitäten mit ihren Schlüsselmerkmalen und ihren Beziehungen untereinander dokumentiert und visualisiert worden. Das Ziel dieses Teilprojekts ist die Entwicklung eines Connected Mobility Ecosystem Explorer, der unterschiedliche Visualisierungen und damit Information zu dem Ökosystem der vernetzen Mobilität liefert. Zwei interessanten Anwendungsfälle sind dabei zum einen ein öffentlich zugänglicher Explorer, der die Vernetzung der Akteure in diesem Themengebiet unterstützt, und zum anderen die firmeninterne Wettbewerbsanalyse.

Mehr Informationen

Schadstoffe und Treibhausgase sind die zwei Emissionen der Straßenverkehr, die wegen ihrer direkten gesundheitlichen Effekte und regional/global Auswirkungen auf Umwelt reduziert werden müssen. Während die Treibhausgase regionale und globale Auswirkungen (z.B. extreme Wetterbedingungen, Nahrungs- und Trinkwasserknappheit und Klimawandel) haben, verursachen die Schadstoffe unterschiedliche Gesundheitsprobleme (z.B. Irritationen, Atem- und Herz-Kreislauf-Probleme, Krebs).

Obwohl die durchschnittlichen Emissionen in den letzten Jahrzehnten wegen neuer Standards und Regelungen reduziert worden sind, wurden die Emissionsgrenzen, die vom European Air Quality Standards und Weltgesundheitsorganisation definiert wurden, in urbanen Zentren mit hoher Verkehrsbelastung oder vielen Stau (sogenannte Hotspots) oft überschritten. Dies betrifft für europäische Städte insbesondere NOx and PM10, welches die zwei Schadstoffe sind, die der Straßenverkehr in Europa hauptsächlich hervorruft. Für die Reduktion der Schadstoffe des Straßenverkehrs sind mehrere Methoden und Maßnahmen denkbar, welche unterschiedliche Einflussbereiche wie Planung, Regelungen, Fahrzeugtechnik und Verkehrsbetrieb abdeckt. Eines der Instrumente zur Reduzierung von Schadstoffen des Straßenverkehrs in urbanen Räumen fokussiert ist das umweltsensitive Verkehrsmanagement (UVM).

UVM ist eine Anwendung des dynamischen Verkehrsmanagements bei der unterschiedliche Maßnahmen in Abhängigkeit der aktuellen und/oder prognostizierten Luftbelastung für einen definierten Bereich und für einen bestimmten Zeitraum aktiviert werden. Das Hauptziel dieses Teil-Projektes ist die Entwicklung von innovativen Szenarien und Technologien zum Verkehrsmanagement, die in Abhängigkeit von Luftqualitätswerten dynamisch adaptiert werden können, um die Emissionen des Straßenverkehrs in urbanen Räumen zu reduzieren. In diesem Zusammenhang ist es wichtig, zur Verbesserung des Stands der Technik im UVM beizutragen. Entsprechende Teilziele sind Verbesserung der Datenverfügbarkeit zur Erhöhung der Genauigkeit der Bewertung der Luftqualität, Integration der elektrifizierten Fahrzeuge in UVM-Anwendungen sowie Beurteilung der möglichen Effekte der E-Fahrzeug-bezogenen Maßnahmen auf die Luftqualität.

Mehr Informationen

Ariadne ist ein Framework, das Indoor-Navigation in verschiedenen Gebäudeumgebungen mit den derzeit begrenzten Informationen ermöglicht. Ariadne ist das einzige Framework, das 3D-Lokalisierung ermöglicht mit handelsüblichen Geräten wie Smartphones. Dafür kombiniert es zahlreiche Smartphone-Sensordaten und verwendet einen modifizierten Partikelfilter-Algorithmus, der diese Sensordaten fusioniert. Darüber hinaus kombiniert Ariadne den Benutzerkontext des Anwenders, um die Genauigkeit der Lokalisierung zu verbessern. Unter Verwendung eines SLAM-ähnliche Ansatzes, der mit begrenzten Wissen beginnt, lernt Ariadne kontinuierlich mehr über die Umgebung. Durch Training mehrere Modelle, wird eine Indoor-Lokalisierung auf der Grundlage verschiedener Fingerprint-Methoden ermöglicht. Ariadne benötigt keine Infrastruktur und erfordert sehr begrenzte Vorkenntnisse der Umgebung, die in der Regel öffentlich verfügbar sind. Es erkennt autonom, wann der Benutzer drinnen ist und verwendet diese Information, um seine Schätzung zu verbessern. Am Messestand zeigen wir Ihnen Ariadne gerne im Detail.

Mehr Informationen

Nicht wiederkehrende Stauereignisse in städtischen Netzen sind relativ selten, verringern jedoch die Leistungsfähigkeit des Verkehrssystems erheblich. Ihre Entwicklung ist sehr schwer prognostizierbar und in ihren Charakteristiken meist sehr individuell: Ein identisches Ereignis zur gleichen Tageszeit und am exakt gleichen Ort kann zu einer abweichenden Stausituation führen. Solche Extremfälle von nicht wiederkehrenden Staus werden in der Literatur als Großereignisse bezeichnet. Das Ziel dieses Teilprojektes ist, die Widerstandsfähigkeit des städtischen Straßennetzes bei Großereignisse zu verbessern und die Wiederherstellung des Normalzustands durch Echtzeit-Verkehrsmanagement zu beschleunigen. Um Großereignisse von starkem, wiederkehrenden Verkehrsstau zu unterscheiden, wird ein Key Performance Indikator entwickelt, der die Gesamtleistung des Straßennetzes darstellt.

Um dieses Ziel zu erreichen, wird eine der neuesten Erkenntnisse in der städtischen Verkehrsflusstheorie, das Konzept des makroskopischen Fundamentaldiagramms (MFD), genutzt. Dieses Konzept basiert auf der Annahme, dass homogen belastete Teile eines städtischen Straßennetzes einen Zusammenhang zwischen Produktion (Produkt aus durchschnittlicher Verkehrsstärke und Netzlänge) und Akkumulation (das Produkt aus durchschnittlicher Dichte und Netzlänge) aufweisen. Da diese Beziehung unabhängig von der Nachfrage ist, eignet sie sich, um Verkehrsmanagementstrategien zu entwickeln. Zum Beispiel kann es zum Trainieren von Maschinenlernalgorithmen verwendet werden, um Verkehrsmanagementstrategien in Echtzeit zu entwickeln. Der Hauptvorteil des MFD besteht darin, dass es uns ermöglicht, große städtische Netze mit sehr niedrigen Rechenkosten zu modellieren. Einige vorläufige Ergebnisse des Projekts zeigen, dass MFD in der Lage ist, sowohl in der Simulation als auch bei empirischen Daten der Stadt München nicht wiederkehrende Staus zu erkennen. Mit Hilfe von Reinforcement Learning in der mikroskopischen Verkehrssimulation SUMO wird zudem gezeigt, dass die Produktion des Netzes durch Steuerung der Eingabe (durch das „Gating“ Konzept) gesteigert werden kann.

Mehr Informationen

Die Messe Frankfurt verwendet Cookies, um Ihnen das bestmögliche Besuchserlebnis bieten zu können. Mit der Nutzung unserer Dienste erklären Sie sich damit einverstanden, dass wir Cookies verwenden. Mehr Informationen