Straßenschäden & Zustandsüberwachung öffentlicher Anlagen

Kommunen unterhalten tausende Kilometer Straßen, Schilder, Leuchten und Entwässerungsanlagen, doch die Erfassungen sind selten, teuer und subjektiv. Kameras auf Dienstfahrzeugen, Müllwagen oder Bussen plus Erkennungsmodelle liefern ein fortlaufendes, georeferenziertes Zustandsbild: wo die Schlaglöcher und Risse sind, wie schwer sie wiegen und wie schnell sie sich verschlimmern. Das Ergebnis ist eine datengestützte Priorisierung der Instandhaltung statt reaktiver Reparatur nach Beschwerden.

Problem & Nutzen

• Heute: Der Zustand wird durch periodische Messkampagnen von Spezialisten bewertet (in Deutschland die ZEB-Erfassung mit Messfahrzeugen für das Hauptnetz), durch manuelle Begehungen und Bürgerbeschwerden. Kommunale Netze werden selten öfter als alle paar Jahre erfasst, Schäden werden spät gefunden, und die Bewertungen unterscheiden sich von Prüfer zu Prüfer.
• KI-Nutzen: günstige, häufige Abdeckung des gesamten Netzes mit gewöhnlichen Kameras; einheitliche Bewertung; frühe Erkennung von Verschlechterung, solange die Reparatur noch günstig ist; dokumentierte Nachweise für die Haftung (Verkehrssicherungspflicht) und für Budgetanträge.
• Vergleichswerte: Der öffentliche Datensatz RDD2022 (Bilder aus Japan, Indien, Tschechien, Norwegen, den USA und China, mit den Klassen Riss und Schlagloch) ist der Standardmaßstab; typische Detektoren der YOLO-Familie erreichen darauf mAP@50 von grob 0,6-0,7, also gut, aber nicht perfekt [1]. Es gibt keine allgemein anerkannte ROI-Zahl; messen Sie Ihre eigene Ausgangslage.

Varianten

• Kommunales Straßennetz: Kameras auf Müllwagen, Kehrmaschinen, Bussen oder Prüffahrzeugen.
• Autobahn- / Landesstraßenbetreiber: schnelle Messfahrzeuge mit LiDAR und kalibrierten Kameras.
• Weitere öffentliche Anlagen: Verkehrsschilder (fehlend, verdreht, verschmutzt), Fahrbahnmarkierungen, Straßenleuchten, Kanaldeckel und Abdeckungen von Entwässerungsanlagen, Leitplanken, Bänke, Spielgeräte, Graffiti, illegale Müllablagerungen.
• Bürgermeldungen: Fotoeinreichungen aus Apps im Stil eines „Mängelmelders“, vorsortiert und von Dubletten befreit durch ein VLM.
• Rad- und Fußwegerfassung; Flughafenvorfelder und Industriehöfe (private Betreiber).
• Privatnutzung: keine, außer Hobby-Kartierung (Beiträge zu OpenStreetMap/Mapillary).

So funktioniert es

1. Kamera + GPS/IMU am Fahrzeug (oder Smartphone)
2. Bildauswahl, Datenschutz-Unkenntlichmachung (Gesichter, Kennzeichen) am Edge
3. Detektion / Segmentierung von Schäden und Anlagen (+ Schweregradklassen)
4. Georeferenzierung, Tracking über Einzelbilder, Dublettenbereinigung über mehrere Überfahrten
5. Aggregation je Abschnitt von 10-100 m
6. Zustandsindex / Note
7. Prüfung durch Menschen bei Fällen mit geringer Konfidenz und hohem Schweregrad
8. Anlagenmanagement / GIS / Arbeitsauftragssystem (z. B. SAP, Cityworks-Klasse, kommunales GIS)
9. Reparaturpriorisierung und Trend-Dashboards

• Detektor: Modelle der YOLO-Klasse oder RT-DETR, trainiert auf die Klassen Riss, Schlagloch, Flickstelle, Spurrinne und Markierung; Segmentierung für Risslänge/-fläche; Klassifikatoren für den Schilderzustand.
• Tiefe/3D: Stereo-, LiDAR- oder monokulare Tiefenschätzungen liefern Schlaglochtiefe und Spurrinnen, die den Schweregrad bestimmen, über das hinaus, was 2D-Bilder zeigen können.
• VLM-Schicht: Open-Vocabulary-Detektion und VLMs bewältigen die lange Reihe seltener Fälle („schiefes Schild“, „abgelegte Matratze“) und schreiben lesbare Schadensbeschreibungen; für die Verarbeitung ganzer Einzelbilder sind sie zu langsam, setzen Sie sie daher nur auf markierte Bilder an.
• Mensch-in-der-Schleife (Human-in-the-Loop): Ingenieure validieren Stichproben, legen Schweregradschwellen fest und zeichnen das Reparaturprogramm ab; die KI schlägt vor, die Straßenbaubehörde entscheidet.

Datenaufbereitung

Die Daten sind Dashcam- oder Smartphone-Videos mit GPS und IMU, optional LiDAR oder 360-Grad-Bilder, das Straßen- und Anlagenverzeichnis, der Schadenskatalog und frühere Zustandsbewertungen (ZEB). In Kommunen liegen sie in Fachsoftware, GIS, Dateiablagen, Papierplänen und Erfassungsberichten. Typische Lücken: Videos ohne verlässliche GPS-Zeitsynchronisation, Anlagenverzeichnisse, die nicht zur Geometrie passen, uneinheitliche Schadensbeschreibungen, wenige gelabelte Beispiele für lokale Schadensarten und personenbezogene Daten (Gesichter, Kfz-Kennzeichen) in den Bildern.

Schritte der Aufbereitung: (1) das Anlagenverzeichnis bereinigen und die Geometrie im GIS abgleichen (DATA-003, PREP-005); (2) den Schadenskatalog an die ZEB-Regeln anpassen (PREP-019); (3) die Erfassung vereinheitlichen (Kamerahalterung, Geschwindigkeit, Zeitsynchronisation); (4) lokale Beispiele mit Straßenbauingenieuren labeln (DATA-023, PREP-018); (5) Gesichter und Kennzeichen vor der Speicherung automatisch unkenntlich machen (PREP-022, Prinzip aus DOC-018); (6) alte Berichte digitalisieren (PREP-006).

Werkzeuge: CVAT, QGIS, Werkzeuge der Anbieter. Grober Anteil am Gesamtaufwand: 30-50 Prozent.

Umsetzungswege

Welcher Weg für wen

• Öffentliche Hand — Weg B: Kommunen betreiben KI selten selbst; Cloud-KI-Dienste oder in der EU gehostete Dienste mit eigener Anbindung der Zustandsbewertung, beschafft nach Vergaberecht, bringen Kontrolle und Aufwand ins Gleichgewicht.
• Großunternehmen — Weg B: Straßen- und Netzbetreiber binden Erkennungen über APIs und eigene Pipelines in das Anlagenmanagement und die ZEB-Bewertung ein.
• Entwickler — Weg C: Open-Source-Modelle für Straßenschäden laufen auf HW1-Hardware und eignen sich für Eigenentwicklungen.
• KMU — Weg A: Kleine Ingenieurbüros und Dienstleister kaufen ein fertiges Erfassungsprodukt mit Berichtsausgabe.

Weg A — Kaufen (Standardsoftware; für kleine Ingenieurbüros und Dienstleister empfohlen)

• Plattformen zur Straßenzustandserfassung: vialytic (DE, EU; Smartphone auf Dienstfahrzeugen, auf die DSGVO ausgelegtes Design), RoadBotics by Michelin (USA), Roadway/Cyclomedia und Straßenbildanalytik von Mapillary (Mapillary: im Besitz von Meta), Blyncsy, Angebote der Klasse Vaisala RoadAI, Werkzeuge für Bürgermeldungen vom Typ Cityflag. Prüfen: EU-Datenhaltung, Anonymisierung am Edge, Export in Ihr GIS-/Anlagensystem, Übereinstimmung mit nationalen Bewertungsschemata, Preis je Kilometer.
• Weg A wählen, wenn: das Ziel ein netzweites Inventar und Ranking ohne ML-Personal ist.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Einzelbilder an eine multimodale API (Gemini, Claude, GPT, Mistral) mit Schemata für strukturierte Ausgaben zur Vorsortierung von Bürgerfotos und für Prüfungen seltener Anlagenfälle; Azure AI Custom Vision / Vertex AI / SageMaker zum Training eines verwalteten Detektors; EU-Regionen und AVV erforderlich.
• Orchestrierung mit n8n oder eigenen Diensten; Speicherung in PostGIS; Karten in QGIS oder einem kommunalen GIS.
• Weg B für die Vorsortierung von Bürgermeldungen und individuelle Berichte wählen, nicht für die fortlaufende Verarbeitung ganzer Videos (Kosten).

Weg C — Selbst betreiben (Open Source)

• Modelle: Ultralytics YOLO (AGPL, kommerzielle Lizenz erhältlich) oder permissiv lizenziertes RT-DETR / RF-DETR; SAM 2 für segmentierungsgestütztes Labeling; Grounding DINO / OWLv2 für Open-Vocabulary- Anlagen; offene VLMs der Klasse Qwen-VL für markierte Bilder; Depth Anything für monokulare Tiefe.
• Stack: ONNX/TensorRT auf einem NVIDIA Jetson Orin oder Ähnlichem im Fahrzeug, PostGIS, Label Studio oder CVAT zum Labeln, OpenStreetMap/Mapillary für den Kontext.
• Hardware: HW1 (Edge-Gerät im Fahrzeug) für die Inferenz; HW2-Workstation für Training und Batch-Verarbeitung. Betriebsaufwand: mäßig; das Schwierige sind Daten-Governance und Labeling.

Weg D — Eigenes Training

Lohnt sich, wenn nationale Schadenskataloge, lokale Belagsarten (Kopfsteinpflaster, Betonplatten, dünne Asphaltschichten) oder Kameraaufbauten von den öffentlichen Daten abweichen. Mit einem vortrainierten Detektor beginnen, auf einigen tausend lokal gelabelten Bildern je Klasse feintunen und eine feste, zurückgehaltene Region für die Auswertung behalten. Öffentliche Daten: RDD2022, Datensätze im Stil von Crack500/CrackForest, Mapillary Vistas für Schilder.

Stand der Technik (2026)

• Echtzeit-Detektoren der Arten YOLO/DETR, feingetunt auf RDD2022, sind die Baseline; neuere schlanke Varianten zielen auf den Einsatz am Edge [1][2]. Foundation-Modelle (SAM 2, Open-Vocabulary-Detektoren, VLMs) senken den Labeling-Aufwand und helfen bei seltenen Schadenstypen.
• Grenzen und Fehlerbilder: Schatten, nasse Flächen, Flickstellen und Reparaturen werden mit Rissen verwechselt; schwache Verallgemeinerung über Länder und Kamerahöhen hinweg; Risse geringen Schweregrads nahe an der Pixel- auflösung; der Schweregrad (Tiefe) ist aus 2D schwer zu bestimmen; die Genauigkeit über Datensätze hinweg sinkt spürbar; Doppelzählung über mehrere Überfahrten ohne gute Georeferenzierung; GPS-Drift in Häuserschluchten.
• Die Ausgabe ist ein Vorauswahl-Indikator. Formale Zustandsbewertungen für die gesetzliche Berichterstattung können weiterhin zertifizierte Messverfahren verlangen; nutzen Sie die KI, um zu priorisieren und die Lücken zwischen den Kampagnen zu füllen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Technologie-Stack (Objekterkennung + Segmentierung + Edge-Laufzeit): VIS-001 Qualitätsprüfung, VIS-003 Drohneninspektion von Infrastruktur, VIS-012 Verkehrsanalytik, VIS-043 Kanal-CCTV.
• Datenpipeline: Die Anonymisierung nach VIS-030 ist ein zwingender vorgelagerter Schritt; VIS-021 und VIS-061 ergänzen Satelliten- und InSAR-Kontext für Setzungen; VIS-026 zum Messen von Schlaglochvolumen.
• Nachgelagert: Modelle der vorausschauenden Instandhaltung nach PRED-006 (Verschlechterungsprognose, Budget- optimierung) nutzen die Zustandszeitreihe.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zum Pilotprojekt; Abonnement je km oder je Fahrzeug. Ein einzelnes Pilotprojekt mit 1-3 Fahrzeugen in einem Stadtbezirk ist typisch.
• Weg B: 2-4 Monate für die Pipeline zur Vorsortierung und Berichterstattung; die API-Kosten wachsen mit der Bildzahl.
• Weg C/D: 4-9 Monate inkl. Labeling, Fahrzeugintegration und Validierung; laufendes Nachlabeln, wenn sich Jahreszeiten und Beläge ändern.
• Kennzahlen: Recall schwerer Schäden gegenüber einer manuellen Referenzerfassung, Fehlalarmquote je km, erfasste km pro Monat, Zeit von der Erkennung bis zur Reparatur, Anteil des Netzes mit Daten, die jünger als 12 Monate sind, Reparaturkosten je km (frühes vs. spätes Eingreifen), Alter des Beschwerdestaus.

Menschen & Veränderung

Beziehen Sie die Leitung des Straßen- oder Tiefbauamts als Prozessverantwortliche, die Verwaltungsleitung oder das Büro der Bürgermeisterin bzw. des Bürgermeisters für Budget und Beschaffung, die IT für GIS und Speicherung, den/die Datenschutzbeauftragte(n), weil Bilder des öffentlichen Straßenraums Personen und Fahrzeuge enthalten, die Rechtsabteilung für die Vergabe sowie den Personalrat ein. Straßenmeistereien und Erfassungsfahrer sind die Anwender; Sachbearbeitende, die das Verzeichnis pflegen, sind Dateneigner.

Betriebsrat: abhängig vom Einzelfall. Erfassungsfahrzeuge mit Kameras können Beschäftigte filmen, und Fahrer- oder Kolonnenprotokolle könnten eine Leistungsbewertung ermöglichen; dann gilt §87 Abs. 1 Nr. 6 BetrVG oder das entsprechende Recht des Personalrats (BPersVG und Landesgesetze). Informieren Sie das Gremium über das geplante KI-gestützte Arbeitsverfahren (§90 Abs. 1 Nr. 3 BetrVG). Eine DSFA ist bei systematischer Aufzeichnung im öffentlichen Raum wahrscheinlich ratsam; automatisches Unkenntlichmachen, kurze Aufbewahrung und ein AVV mit jedem Auftragsverarbeiter senken das Risiko.

KI-Kompetenz: Die KI-Verordnung (AI Act, Art. 4) verlangt Maßnahmen, die die KI-Kompetenz der Beschäftigten fördern; kurze Schulung für Ingenieure zu Fehlalarmen und Grenzen. Kommunizieren Sie gegenüber Bürgerinnen, Bürgern und Beschäftigten, was aufgezeichnet wird und warum. Starten Sie mit einem Pilotprojekt in einem Stadtbezirk, vergleichen Sie die KI-Befunde mit einer manuellen Erfassung und lassen Sie die Ingenieure bei den Reparaturprioritäten entscheiden. Siehe GUIDE-005, GUIDE-008 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko. Anhang III Punkt 2 erfasst KI, die als Sicherheitsbauteil bei Verwaltung und Betrieb kritischer digitaler Infrastruktur und des Straßenverkehrs eingesetzt wird; Offline-Zustands- erfassungen für die Instandhaltungsplanung sind keine Sicherheitsbauteile. Prüfen Sie neu, wenn das System den Verkehr direkt steuert oder Straßen automatisch sperrt. KI-Kompetenz (Art. 4) gilt. Eine nach Art. 5 verbotene Praxis liegt nicht vor, es sei denn, dieselben Kameras werden zweckentfremdet, um Personen zu identifizieren.
• DSGVO: Straßenvideo erfasst Gesichter, Kfz-Kennzeichen und Unbeteiligte. Machen Sie sie am Edge vor der Speicherung unkenntlich (VIS-030), minimieren Sie die Aufbewahrung, stützen Sie sich auf eine dokumentierte Rechtsgrundlage (öffentliche Aufgabe, Art. 6 Abs. 1 Buchst. e), führen Sie für die fortlaufende mobile Erfassung eine DSFA durch und vermeiden Sie Zweitnutzungen (z. B. Parkraumüberwachung) ohne eigene Rechtsgrundlage. Betriebsrat einbinden, wenn Fahrzeuge der Beschäftigten die Kameras tragen.
• Haftung: Die dokumentierte Erkennung eines Schadens begründet Kenntnis; stellen Sie einen Prozess sicher, um bei schweren Befunden im Rahmen der gesetzlichen Prüfpflichten zu handeln.
• Vorschriften zur Straßenverkehrssicherheit: Die Richtlinie 2008/96/EG in der Fassung der Richtlinie (EU) 2019/1936 verlangt ein netzweites Sicherheitsmanagement für TEN-T und Autobahnen; KI-Daten können förmliche Inspektionen unterstützen, aber nicht ersetzen [3].
• Gegenmaßnahmen: Freigabe durch Menschen, stichprobenartige Audits, saisonale Revalidierung, AVV des Anbieters und EU-Hosting.

Erste Schritte

1. Das Ziel festlegen: Schadensklassen, Schweregrade und das Bewertungsschema, in dem Sie berichten müssen.
2. Smartphones oder Dashcams auf 1-2 Dienstfahrzeugen montieren; einen Stadtbezirk erfassen und einen Ingenieur eine Referenzstichprobe labeln lassen.
3. 2 Anbieter nach Weg A gegen diese Referenz erproben und den Recall schwerer Schäden vergleichen.
4. Die DSFA abschließen und die Anonymisierung am Edge aktivieren, bevor Daten das Fahrzeug verlassen.
5. Die Ausgabe an das GIS-/Arbeitsauftragssystem anbinden und die erste Reparaturliste mit dem Instandhaltungsteam durchgehen.

Quellen

1. Arya et al. - RDD2022: A multi-national image dataset for automatic Road Damage Detection - https://arxiv.org/abs/2209.08538
2. Ultralytics YOLO documentation - https://docs.ultralytics.com/
3. Directive (EU) 2019/1936 on road infrastructure safety management - https://eur-lex.europa.eu/eli/dir/2019/1936/oj
4. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. vialytic - https://www.vialytic.com/
6. Mapillary - https://www.mapillary.com
7. SAM 2 (Meta) - https://github.com/facebookresearch/sam2
8. EDPB Guidelines 3/2019 on video devices - https://www.edpb.europa.eu/our-work-tools/our-documents/guidelines/guidelines-32019-processing-personal-data-through-video_en