Adaptive Lichtsignalsteuerung

Die meisten städtischen Signalanlagen laufen noch mit Festzeitplänen, die nur alle paar Jahre neu abgestimmt werden und sich dadurch vom tatsächlichen Verkehr entfernen. Eine adaptive Steuerung beobachtet den Verkehr laufend und passt Grünzeiten, Versätze und Bevorrechtigungen nahezu in Echtzeit an, entweder mit ausgereiften regel- bzw. optimierungsbasierten Systemen oder mit neueren ML-/RL-Ansätzen. Städte berichten von weniger Halten und kürzeren Wartezeiten, schnelleren Bussen und geringeren Emissionen; die Verantwortung für die Sicherheit bleibt bei den Ingenieurinnen und Ingenieuren.

Problem & Nutzen

• Heute: Signalpläne werden von Verkehrsingenieuren aus periodischen Zählungen kalibriert und dann als Festzeit oder mit einfacher verkehrsabhängiger Logik betrieben. Die Pläne veralten, wenn sich Flächennutzung, Veranstaltungen, Baustellen und Mobilitätsmuster ändern. Die Neuabstimmung ist arbeitsintensiv, daher werden viele Knotenpunkte nur selten angefasst.
• KI-Nutzen: Regelung im geschlossenen Kreis, die auf die tatsächlichen Zuflüsse reagiert, Knotenpunkte entlang von Korridoren und im Netz koordiniert und ÖPNV, Radverkehr und Einsatzfahrzeugen bedingte Bevorrechtigung gewährt. Anders als VIS-012 (beobachtet den Verkehr) und PRED-019 (prognostiziert ihn) greift dieser Anwendungsfall in die Signale ein.
• Belege: Googles Project Green Light berichtet an teilnehmenden Knotenpunkten von bis zu 30 % weniger Halten und einer geschätzten Emissionsminderung von bis zu 10 %; dies sind vom Unternehmen gemeldete Zahlen aus frühen Einsätzen (nach eigenen Angaben rund 70 Knotenpunkte in 12-17 Städten), und Seattle beschreibt das Angebot als Ergänzung zum herkömmlichen Vorgehen [1][2]. Etablierte adaptive Systeme (SCOOT, SCATS, Surtrac, Siemens/Yunex, PTV) veröffentlichen viele Fallstudien aus Städten; betrachten Sie Herstellerzahlen als Obergrenzen und verlangen Sie eine Vorher-nachher-Untersuchung im eigenen Netz [3][4].

Varianten

• Korridor-/Hauptstraßenkoordination: adaptive Grüne Wellen auf einer Hauptstraße mit Busbevorrechtigung.
• Netzweite Steuerung: zentrale oder dezentrale Optimierung über Hunderte von Knotenpunkten (z. B. werden Hamburg, TfL und Bukarest als Einsätze genannt).
• Dezentrale Knotenpunktsteuerung (im Stil von Surtrac): Jeder Knotenpunkt plant seine Phasen selbst in Echtzeit und tauscht prognostizierte Ankünfte mit den Nachbarn aus [3].
• Beratende „Neuabstimmung als Dienst“ (Google Green Light): Cloud-Empfehlungen aus Fahrtrends von Maps, die die Ingenieure der Stadt über die vorhandenen Steuergeräte umsetzen [1].
• Vernetzte Fahrzeuge / C-ITS: Grünlicht-Geschwindigkeitsempfehlung (GLOSA), Ausstrahlung von Signalphasen und Zeiten (SPaT/MAP) an Fahrzeuge, Vorrang für Einsatzfahrzeuge.
• Multimodale Bevorrechtigung: Straßenbahn-/Busvorrang, Fußgänger- und Radphasen gewichtet nach der Strategie zum Schutz schwächerer Verkehrsteilnehmender.
• Privatnutzung: keine; die Fähigkeit ist kommunal. Autofahrende nutzen GLOSA-Daten nur über Navigation oder Fahrzeug-Apps.

So funktioniert es

1. detectors / cameras / probe data / PT AVL / C-ITS
2. data cleansing + state estimation (queues, arrival profiles, travel times)
3. short-term demand prediction (time-series, PRED-019)
4. optimiser (rule-based, MPC/search, or RL policy trained in a simulator)
5. safety layer (min greens, clearance, conflict monitor, max cycle bounds)
6. controller interface (NTCIP, UTMC, OCIT-C / OCIT-O, UTC protocol)
7. signal heads; KPI feedback loop

• Optimierer: Klassische adaptive Systeme nutzen Regeln bzw. Optimierung (Versatz, Grünzeitaufteilung, Umlaufzeit) mit erprobtem Verhalten. ML-Ansätze ergänzen Nachfrageprognosen und Reinforcement Learning (Multi-Agenten-RL, Graphnetze), die Strategien vor dem Einsatz in mikroskopischer Simulation (SUMO, PTV Vissim) lernen.
• Sicherheitsschicht: Die KI umgeht niemals die Konfliktüberwachung in der Hardware; das Steuergerät garantiert, dass keine feindlichen Grünzeiten auftreten. Die Strategien geben begrenzte Zeitparameter aus, keine rohen Signalzustände.
• Mensch-in-der-Schleife (Human-in-the-Loop): Ingenieure legen die Ziele fest (Wartezeit gegenüber Bevorrechtigungsgewichten, Fußgängerwartezeiten), geben Planänderungen im Beratungsmodus frei, können auf Knopfdruck auf Festzeit zurückschalten und prüfen die Kennzahlen.

Datenaufbereitung

Die Daten stammen aus Detektorschleifen, Radar und Kameras, Floating-Car-Feeds, ÖPNV-Systemen (SIRI) und den Signalsteuergeräten selbst. In einer typischen Kommune liegen sie in einer Verkehrsleitzentrale, in proprietären Datenbanken der Steuergeräte, in Herstellerportalen und teils in Papierordnern mit Signalplänen und PDF-Zeichnungen. Typische Lücken: undokumentierte Detektorstandorte, defekte oder driftende Schleifen, uneinheitliche Benennung von Fahrstreifen und Phasen, Signalpläne nur als Scans, fehlende historische Nachfrageprofile und ungeklärte Datenweitergaberechte gegenüber Navigationsanbietern.

Aufbereitungsschritte: ein Inventar der Detektoren und Knotenpunkte mit Georeferenz aufbauen; den Zustand der Detektoren prüfen und Lücken mit Probe-Daten füllen; Signalpläne und Sicherheitsvorgaben (Räumzeiten, Mindestgrünzeiten) in eine strukturierte Tabelle überführen; ein kalibriertes Simulationsmodell des Netzes aufsetzen; eine gemeinsame Zeitbasis und eine Streaming-Pipeline festlegen. Die Kamerazählung sollte Bilder am Rand (Edge) anonymisieren, sodass nur Zählwerte das Gerät verlassen.

Rechnen Sie mit einem hohen Anteil am Gesamtaufwand, etwa 40-60 Prozent, für Daten- und Modellaufbereitung. Hilfreiche Einstiegspunkte: PREP-001 für ein Inventar, PREP-005 für das Auslesen von Altsystemen, PREP-006 für gescannte Pläne und PREP-022 für anonymisierte Videodaten. Siehe auch GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• public (A): Straßenbaulastträger benötigen typgeprüfte, sicherheitszertifizierte Steuergeräte und verkehrstechnische Unterstützung; etablierte Anbieter (z. B. Siemens, Swarco, Yunex) liefern adaptive Steuerung innerhalb der vorhandenen Steuergeräteinfrastruktur.
• enterprise (B): Betreiber privater Netze, Logistikstandorte oder Häfen müssen Detektoren und Flottendaten meist in eigene Systeme einbinden; daher passt ein Aufbau auf Solvern plus der Schnittstelle eines Herstellersteuergeräts am besten.
• developer (C): Offene Werkzeuge wie SUMO und RL-Bibliotheken laufen auf bescheidener Hardware und erlauben volle Kontrolle und Experimente, müssen aber bis zur Validierung im Beratungs- oder Simulationsmodus bleiben.

Weg A — Kaufen (Standardsoftware) (empfohlen)

• Etablierte UTC-/adaptive Suiten: Yunex Traffic (Ausgründung von Siemens; Sitraffic, EU), Swarco (AT, EU; übernahm 2021 Dynniq Mobility), PTV / Umovity (DE, EU; PTV Balance/Epics), Kapsch TrafficCom (AT, EU), SCOOT (TRL/Peek, UK), SCATS (NSW, Australien), Surtrac (Rapid Flow Technologies, USA) [3][4].
• Cloud-Beratung: Google Project Green Light (für Städte kostenlos, nur Empfehlungen) [1].
• Prüfen: Unterstützung der Steuergeräteprotokolle (OCIT, NTCIP), Cybersicherheitszertifizierung, Datenstandort, Bevorrechtigungslogik, Integration in die vorhandene UTC-Zentrale, Unterstützung des Lieferanten bei FRIA/Konformität.
• Wählen Sie A, wenn: Sie eine Kommune oder ein Straßenbaulastträger sind; die Beschaffung per öffentlicher Ausschreibung erfolgt und ein Sicherheitsnachweis erforderlich ist.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Begrenzt. Nutzen Sie die Cloud für Analysen rund um das Steuergerät: Probe-Data-APIs (TomTom Traffic, HERE, INRIX; TomTom und HERE haben ihren Sitz in der EU) für Reisezeitkennzahlen, Zeitreihen-Prognosedienste und Dashboards. Eine direkte Regelung im geschlossenen Kreis aus einer öffentlichen Cloud wird selten akzeptiert; belassen Sie den Regelkreis vor Ort oder in der Verkehrsmanagementzentrale.
• LLMs spielen eine untergeordnete Rolle: Berichte zu Kennzahlen in natürlicher Sprache, Zusammenfassung von Logs, Assistenten für Ingenieure (siehe OPT-018).

Weg C — Selbst betreiben (Open Source)

• Simulation/Training: Eclipse SUMO (quelloffene Mikrosimulation) mit TraCI; darauf aufbauende RL-Werkzeuge (z. B. SUMO-RL, RESCO-Benchmark-Umgebungen, Ray RLlib/Stable-Baselines3) [5].
• Steuerung: Prototypen und Forschung nutzen offene Implementierungen von Max-Pressure-, MPC- und RL-Reglern. Einen weit verbreiteten quelloffenen adaptiven Regler für den Produktivbetrieb gibt es nicht; Produktivsysteme erfordern weiterhin zertifizierte Steuergeräte und Sicherheitsnachweise der Hersteller.
• Hardware: HW1 am Rand (Inferenz auf Steuergeräteseite ist klein); das Training in der Simulation passt auf eine GPU (HW2) oder CPU-Cluster.

Weg D — Eigenes Training

Lohnt sich für Forschungseinrichtungen, große Städte oder Hersteller: RL-Strategien auf einem kalibrierten digitalen Zwilling des Netzes trainieren (SUMO/Vissim, mit Detektordaten kalibriert) und vor einem begrenzten Einsatz im Schattenbetrieb gegen den laufenden Plan testen. Erfordert mehrere Monate Detektorhistorie und ein validiertes Simulationsmodell. Hauptrisiko sind Abweichungen zwischen Simulation und Realität.

Stand der Technik (2026)

• Die Praxis im Produktivbetrieb wird weiterhin von robusten, erklärbaren adaptiven Algorithmen (SCOOT, SCATS, Sitraffic, Surtrac) dominiert; ML dient hauptsächlich für Prognose, Detektion und Feinabstimmung.
• RL für Lichtsignale ist ein starkes Forschungsfeld mit Standard-Benchmarks (z. B. RESCO) und vielversprechenden simulierten Gewinnen, aber es gibt nur wenige zertifizierte, lang laufende stadtweite RL-Einsätze; Generalisierung über Netze hinweg und Detektorausfälle sind offene Probleme [5].
• Kamerabasierte Detektion (Objekterkennung und -verfolgung) ersetzt an vielen Standorten Induktionsschleifen; siehe VIS-012.
• Beratende Cloud-Dienste (Green Light) zeigen einen pragmatischen Weg: zuerst Empfehlungen, die Umsetzung durch Ingenieure [1][2].
• Grenzen/Fehlerbilder: Detektorfehler und dünne Daten, Lücke zwischen Simulation und Realität, Überoptimierung der Pkw-Wartezeit zulasten von Fußgängern und Radfahrenden, oszillierende Pläne, mangelnde Erklärbarkeit, Cyberangriffe auf die Signalinfrastruktur und nur geringe Gewinne auf bereits gut abgestimmten Korridoren.

Gemeinsame Bausteine & Kombinationen

• Gleiche Daten/Technik: VIS-012 Verkehrsüberwachung (Detektoren/Kameras), PRED-019 Nachfrageprognose (Eingaben), VIS-054 Überwachungskameras zur Verkehrsahndung (anderer Zweck, Datenflüsse nicht zusammenführen).
• Lässt sich kombinieren mit: OPT-020 (Störungsmanagement für Bahn/ÖPNV), OPT-028 (Ridepooling-Disposition), OPT-029 (Einsatz von Einsatzfahrzeugen und Vorrangschaltung), OPT-021 (Laden von E-Flotten und Depotlogistik), OPT-018 (Entscheidungs-Copilot in natürlicher Sprache für Ingenieure).
• Gemeinsame Bausteine: Reinforcement Learning, Simulation/digitaler Zwilling, Streaming-Datenerfassung, Edge-Laufzeitumgebung.

Aufwand, Kosten & Kennzahlen

• Weg A: mehrere Monate bis Jahre für Beschaffung, Detektor-Upgrades und Inbetriebnahme; die Kosten werden von Hardware, Detektoren, Kommunikation und Integration bestimmt, nicht von Softwarelizenzen. Beratende Dienste wie Green Light haben niedrige Einstiegskosten.
• Weg C/D: Forschungsniveau; 6-18 Monate bis zu einer validierten Simulation und einem Pilotkorridor.
• Kennzahlen: mittlere Wartezeit und Halte je Fahrzeug, Verlässlichkeit der Reisezeit, Pünktlichkeit der Busse und Erfolgsquote der Bevorrechtigung, Wartezeiten von Fußgängern/Radfahrenden, Rückstau in Nachbarknoten, geschätzte CO2-/NOx-Werte (modelliert), Sicherheitsvorfälle, Häufigkeit der Rückfallebene, Detektorverfügbarkeit.

Menschen & Veränderung

Beziehen Sie die Fachbereichsleitung (Verkehrstechnik) und die Leitung von Anfang an ein, weil jede Änderung der Signalzeiten Sicherheitsverantwortung trägt. IT und IT-Sicherheit müssen beteiligt sein, bevor Steuergeräte mit externen Systemen verbunden werden, da Steuergeräte kritische Infrastruktur sind. Mitarbeitende der Leitzentrale und Techniker im Außendienst sind die Anwender; beziehen Sie sie in die Gestaltung des Beratungsmodus und der Übersteuerungsregeln ein. Lieferanten von Steuergeräten und Detektoren müssen Teil der Integrationsplanung sein.

Betriebsrat: In der Regel keine Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG, weil das System den Verkehr überwacht, nicht die Beschäftigten. In Behörden klären Sie dies mit dem Personalrat nach dem jeweiligen Landesrecht und informieren ihn rechtzeitig über geänderte Arbeitsabläufe (vgl. §90 BetrVG). Beziehen Sie die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten ein, wenn Kameras oder Connected-Vehicle-Daten genutzt werden; bei kamerabasierter Detektion im großen Maßstab ist eine DSFA wahrscheinlich.

Beginnen Sie mit einem Beratungspilot auf einem Korridor, bei dem Ingenieure jede Änderung freigeben, und weiten Sie erst nach gemessenen Gewinnen aus. Typische Bedenken sind Sicherheit und Kontrollverlust: Halten Sie harte Sicherheitsgrenzen im zertifizierten Steuergerät, eine manuelle Rückfallebene und einen klaren Eskalationsweg vor. Unterstützen Sie die Beschäftigten mit Maßnahmen zur KI-Kompetenz. Siehe GUIDE-009, GUIDE-005 und GUIDE-006.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Anhang III Nr. 2 nennt KI-Systeme, die als Sicherheitsbauteile im Management und Betrieb kritischer digitaler Infrastruktur und des Straßenverkehrs vorgesehen sind. Eine Signalsteuerung, die die Sicherheit beeinflussen kann, ist daher wahrscheinlich Hochrisiko (Risikomanagement, Daten-Governance, Protokollierung, menschliche Aufsicht, Genauigkeit/Robustheit, Konformität). Rein beratende Neuabstimmungswerkzeuge mit Freigabe durch Ingenieure und einer zertifizierten Sicherheitsschicht im Steuergerät können außerhalb liegen; dokumentieren Sie die Bewertung [6]. Öffentliche Betreiber benötigen gegebenenfalls eine Grundrechte-Folgenabschätzung (Art. 27), sofern einschlägig. Keine Praxis nach Art. 5.
• DSGVO: Schleifenzählungen sind nicht personenbezogen. Kameras, Kennzeichenerkennung (ANPR) sowie Connected-Vehicle- oder Floating-Car-Daten können personenbezogen sein (Kennzeichen, Trajektorien): Nutzen Sie Anonymisierung auf dem Gerät hin zu Zählwerten, kurze Speicherfristen, eine DSFA und die Rechtsgrundlage für öffentliche Aufgaben. Vermeiden Sie eine Vermischung mit Überwachungsdaten (VIS-054).
• Cybersicherheit: NIS2 behandelt den Verkehr als wesentlichen Sektor; sichern Sie die Verbindungen zu den Steuergeräten, segmentieren Sie Netze und nutzen Sie signierte Updates. Beachten Sie nationale verkehrstechnische Regelwerke (z. B. die deutsche RiLSA, EU-C-ITS-Spezifikationen).
• Gegenmaßnahmen: Konfliktüberwachung in der Hardware als letzte Instanz, begrenzte Parameterbereiche, Schattenbetrieb vor dem geschlossenen Regelkreis, Rückfall auf Festzeit, unabhängige Vorher-nachher-Bewertung, Gewichtung zugunsten schwächerer Verkehrsteilnehmender, Audit-Logs.

Erste Schritte

1. Einen Korridor als Basis erfassen: Zählungen, Wartezeit, Pünktlichkeit der Busse, Zustand der Detektoren, aktuelle Pläne.
2. Ein kalibriertes SUMO-/Vissim-Modell aufbauen oder beschaffen und die historische Nachfrage nachspielen.
3. Ein Beratungswerkzeug (z. B. Green Light oder ein adaptives Herstellermodul) an 5-10 Knotenpunkten im Schattenbetrieb pilotieren.
4. Ziele, Sicherheitsvorgaben und Rückfallebene mit den Verkehrsingenieuren festlegen; die Risikobewertung nach AI Act und die DSFA abschließen.
5. Einen kontrollierten Vorher-nachher-Versuch durchführen, die Kennzahlen veröffentlichen und dann schrittweise ausweiten.

Quellen

1. GeekWire - Google's Project Green Light uses AI to improve traffic flow in Seattle and elsewhere - https://www.geekwire.com/2023/googles-project-green-light-uses-ai-to-improve-traffic-flow-cut-emissions-in-seattle-and-elsewhere/
2. Scientific American - Can Google Make Stoplights Smarter? - https://www.scientificamerican.com/article/googles-project-green-light-uses-ai-to-take-on-city-traffic/
3. Rapid Flow Technologies - Surtrac adaptive signal control - https://www.rapidflowinc.com/
4. Yunex Traffic - Adaptive urban traffic control - https://www.yunextraffic.com/
5. Eclipse SUMO - Simulation of Urban Mobility - https://eclipse.dev/sumo/
6. Regulation (EU) 2024/1689 (AI Act), Annex III - https://eur-lex.europa.eu/eli/reg/2024/1689/oj