{"id":2123,"date":"2026-04-20T16:09:58","date_gmt":"2026-04-20T13:09:58","guid":{"rendered":"https:\/\/marshallai.com\/?p=2123"},"modified":"2026-08-10T15:01:50","modified_gmt":"2026-08-10T12:01:50","slug":"ai4cities-intelligentes-verkehrsuberwachungssystem-fur-kreuzungen","status":"publish","type":"case-study","link":"https:\/\/marshallai.com\/de\/case-study\/ai4cities-intelligent-traffic-intersection-management\/","title":{"rendered":"Intelligenterer Verkehr, weniger Emissionen: MarshallAI und AI4Cities"},"content":{"rendered":"

Die Verkehrssteuerung setzt seit Jahrzehnten auf zeitintervallbasierte Phasen und einfache Induktionsschleifen. MarshallAI hat in Zusammenarbeit mit Dynniq Finland Oy bewiesen, dass Deep Learning und visuelle Sensoren die Verkehrssteuerung auf ein vollkommen autonomes und optimiertes Niveau bringen k\u00f6nnen \u2013 dabei senkt man die CO2-Emissionen und beseitigt Engp\u00e4sse, ohne die Sicherheit zu beeintr\u00e4chtigen.<\/p>\n\n\n\n

Im Rahmen des dreij\u00e4hrigen EU-finanzierten Projekts AI4Cities implementierte MarshallAI das System Intelligent Interconnected Intersections (Ix3) in mehreren europ\u00e4ischen St\u00e4dten. Ziel war es, den Verkehrsfluss drastisch zu verbessern und Emissionen zu reduzieren, indem veraltete Sensoren durch eine vollst\u00e4ndige Echtzeit-Situationserfassung ersetzt wurden.<\/p>\n\n\n\n

Sehen Sie sich das Video zum Fall auf Vimeo an<\/strong><\/a><\/p>\n\n\n

\n
\"\"\n\t\t\t\n\t\t\t\t\n\t\t\t<\/svg>\n\t\t<\/button>
Live-Ansicht der m\u00f6glichen Zeitersparnis und der Emissionsreduktion<\/figcaption><\/figure>\n<\/div>\n\n\n

Die Ziele: Flie\u00dfanalyse und Priorisierung<\/h2>\n\n\n\n

Um eine skalierbare und intelligente Flie\u00dfl\u00f6sung zu liefern, konzentrierte sich das Projekt auf:<\/p>\n\n\n\n

    \n
  • Komplexer Durchflussanalyseschritt:<\/strong> Verstehen von Verkehrsstr\u00f6men, Wartezeiten, Wegbeschreibungen und den spezifischen Fahrzeugtypen, um ein vollst\u00e4ndiges Bild der Nachfrage im Knotenpunkt zu erstellen.<\/li>\n\n\n\n
  • Verkehrsoptimierung:<\/strong> Die Eliminierung von \u201cDead-Seconds\u201d durch dynamische Lichtumstellung, um unn\u00f6tige Stillst\u00e4nde und Leerlaufzeiten bei leeren Fahrspuren zu vermeiden.<\/li>\n\n\n\n
  • Verkehrsplanung:<\/strong> Die Aktivierung des Systems erm\u00f6glicht die gezielte F\u00f6rderung bestimmter Verkehrsteilnehmer (wie z. B. \u00f6ffentliche Verkehrsmittel oder Schwerlastfahrzeuge) basierend auf Effizienzsteigerung und Emissionsreduktionszielen.<\/li>\n<\/ul>\n\n\n\n

    Die L\u00f6sung: Autonome Logik \u00fcber Edge und Cloud<\/h2>\n\n\n\n

    Die Ix3-L\u00f6sung nutzt Standard-IP-Kameras, um visuelle Daten an die Machine Vision-Plattform von MarshallAI zu \u00fcbermitteln. Diese Daten werden in Echtzeit verarbeitet und direkt mit den Traffic-Light-Steuerungen von Dynniq integriert, um auf der Grundlage der aktuellen Nachfrage sofortige physikalische \u00c4nderungen zu bewirken.<\/p>\n\n\n\n

    Je nach spezifischer Pilotphase wurde die Verarbeitung erfolgreich \u00fcber sichere Cloud-Server (Helsinki) oder direkt auf Edge-Ger\u00e4ten von MarshallAI (Pariser Region) durchgef\u00fchrt.<\/p>\n\n\n

    \n
    \"\"\n\t\t\t\n\t\t\t\t\n\t\t\t<\/svg>\n\t\t<\/button>
    Daten, die das optimierte Anhalten und die Reduzierung der Leerlaufzeiten visualisieren.<\/figcaption><\/figure>\n<\/div>\n\n\n

    Nachgewiesene Ergebnisse: Massive Reduzierungen im Abfallaufkommen<\/h2>\n\n\n\n

    Die Piloten haben bewiesen, dass das System von MarshallAI selbstst\u00e4ndig Hochvolumenstr\u00f6me verwalten und systemische Abl\u00e4ufe eliminieren kann. In drei verschiedenen Phasen erzielte das System bemerkenswerte Effizienzsteigerungen:<\/p>\n\n\n\n

      \n
    • Phase 1 (Kalasatama, Helsinki):<\/strong> Das System f\u00fchrte j\u00e4hrlich 162.944 Stopps von Pkw, 17.822 Stopps von schweren Fahrzeugen und 654 Stunden unvern\u00fcnftiger Wartezeit ein; das entspricht einer Gesamterg\u00e4nzung der Emissionen um 4 % f\u00fcr den Verkehrskreuzung.<\/li>\n\n\n\n
    • Phase 2 (Helsinki und Paris-Region):<\/strong> Die Erweiterung auf eine Gruppe von Kreuzungen in Suutarila f\u00fchrte zu einer Emissionsreduktion von bis zu 8 %. Gleichzeitig erzielte ein Pilotprojekt mit kantigen Schnittstellen in Saint-Maur-des-Foss\u00e9s eine Reduzierung von 3 %.<\/li>\n\n\n\n
    • Phase 3 (Meudon & Helsinki):<\/strong> Mit den Live-Piloten wurde die Langzeitverf\u00fcgbarkeit best\u00e4tigt: Ein durchschnittlicher j\u00e4hrlicher R\u00fcckgang von 55.509 Fahrzeugstopps und 360 Stunden unvern\u00fcnftiger Wartezeit f\u00fchrte zu einer sehr stabilen Reduzierung der Gesamtemissionen um 2 %.<\/li>\n<\/ul>\n\n\n\n

      Nicht-interessierende, schl\u00fcsselfertige Implementierung<\/h2>\n\n\n\n

      Die Implementierung fortschrittlicher KI zur Steuerung kritischer Infrastrukturen muss kein umfangreiches IT-Projekt sein. Die Ix3-Pilotprojekte haben gezeigt, dass MarshallAI als schl\u00fcsselfertige L\u00f6sung eingesetzt werden kann, ohne dass die bestehenden Abl\u00e4ufe beeintr\u00e4chtigt werden. Die Kundenbeteiligung war strikt auf die Identifizierung des Zielpunktes, die Bereitstellung grundlegender Installationsberechtigungen und die Abstimmung der Programmierung der Verkehrsregler mit dem Team beschr\u00e4nkt.<\/p>","protected":false},"excerpt":{"rendered":"

      MarshallAI ist in kritischen Systemen und in kontinuierlicher Betriebsbereitschaft erprobt. Aufgestellt in Helsinki und Paris steuert unsere Deep-Learning-Plattform die Live-Infrastruktur autonom, um Emissionen um bis zu 8 % zu reduzieren. <\/p>","protected":false},"featured_media":2133,"template":"","meta":{"content-type":"","footnotes":""},"categories":[44,26],"tags":[23,76,24,22,25,21,20,19],"class_list":["post-2123","case-study","type-case-study","status-publish","has-post-thumbnail","hentry","category-smart-cities","category-traffic-management","tag-ai-vision","tag-case-study","tag-computer-vision","tag-emission-reduction","tag-machine-vision","tag-traffic-control","tag-traffic-counting","tag-traffic-management"],"_links":{"self":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/case-study\/2123","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/case-study"}],"about":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/types\/case-study"}],"version-history":[{"count":9,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/case-study\/2123\/revisions"}],"predecessor-version":[{"id":2210,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/case-study\/2123\/revisions\/2210"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/media\/2133"}],"wp:attachment":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/media?parent=2123"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/categories?post=2123"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/tags?post=2123"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}