{"id":2174,"date":"2026-04-22T13:37:29","date_gmt":"2026-04-22T10:37:29","guid":{"rendered":"https:\/\/marshallai.com\/?p=2174"},"modified":"2026-08-10T15:01:50","modified_gmt":"2026-08-10T12:01:50","slug":"betriebssteuerung-der-verkehrsstruktur-in-vantaa","status":"publish","type":"case-study","link":"https:\/\/marshallai.com\/de\/case-study\/vantaa-traffic-infrastructure-actuation\/","title":{"rendered":"Aktive physische Infrastruktur: Wie MarshallAI 99,8 % Zuverl\u00e4ssigkeit unter schwierigen Bedingungen erreichte"},"content":{"rendered":"

Um die Wirtschaftlichkeit des Deep Learning in hochdynamischen, unvorhersehbaren Umgebungen zu beweisen, arbeitete MarshallAI mit der Stadt Vantaa in Finnland zusammen. Ziel war es, traditionelle, blinde Verkehrs\u00fcberwachungssysteme durch hochgenaue Machine Vision zu ersetzen, die umfassende Objektverfolgung und automatisierte Verkehrssteuerung erm\u00f6glichen.<\/p>\n\n\n\n

Ziel des Projekts war es, zu best\u00e4tigen, dass visuelle Sensoren mit k\u00fcnstlicher Intelligenz mit extrem hoher Zuverl\u00e4ssigkeit funktionieren k\u00f6nnen, nahtlos in bestehende Hardware-Steuerungen integriert werden und einen Effizienzgewinn ohne die Notwendigkeit von aufwendigen Infrastrukturinvestitionen erm\u00f6glichen.<\/p>\n\n\n

\n
\"\"\n\t\t\t\n\t\t\t\t\n\t\t\t<\/svg>\n\t\t<\/button>
Real-time-Klassifizierung und -Verfolgung von Fahrzeugen, Fu\u00dfg\u00e4ngern und Fahrr\u00e4dern in der Stadt Vantaa.<\/figcaption><\/figure>\n<\/div>\n\n\n

Die technischen Ziele<\/h2>\n\n\n\n

Um die absolute operative Kontrolle zu demonstrieren, konzentrierte sich das Projekt auf zwei Hauptziele:<\/p>\n\n\n\n

    \n
  • Komplexer Durchflussanalyseschritt:<\/strong> Die genaue Erfassung und Klassifizierung h\u00f6chst variabler Objekte (Fu\u00dfg\u00e4nger, Fahrr\u00e4der, Autos, Lieferwagen, Busse und Sattelzugmaschinen), die Kartierung ihrer Routen und die Berechnung exakter Wartezeiten.<\/li>\n\n\n\n
  • Automatischer Interoperabilit\u00e4tsmechanismus:<\/strong> Die Schaffung einer direkten, Echtzeit-interoperablen Verbindung mit dem bestehenden Verkehrsmanagement-System, um die Logik zu optimieren und die Reaktionen der Infrastruktur ohne menschliches Eingreifen zu automatisieren.<\/li>\n<\/ul>\n\n\n\n

    Die L\u00f6sung: nicht-invasives, sicheres Sehen<\/h2>\n\n\n\n

    Die Installation umfasste zwei separate Kreuzungen, die mit neun standardm\u00e4\u00dfigen IP-Kameras ausgestattet waren, die an bestehende Lichtmasten montiert waren. Die Daten\u00fcbertragung erfolgte sicher \u00fcber Mobilfunknetze.<\/p>\n\n\n\n

    Um die physischen Hardware-Anforderungen und die komplexe Installation vor Ort zu minimieren, wurde die umfangreiche Datenverarbeitung als sichere Cloud-Dienste bereitgestellt, die im finnischen Data Center von MarshallAI gehostet werden. Privatsph\u00e4re und Sicherheit standen im Mittelpunkt: Keine sensible Daten oder Videoaufnahmen wurden gespeichert. <\/p>\n\n\n\n

    Der \u00f6ffentlich zug\u00e4ngliche Live-Stream des Pilotprojekts wurde der \u00d6ffentlichkeit angeboten, und die Personen wurden automatisch mit MarshallAI-Tools verschleiert, um die Identit\u00e4t zu sch\u00fctzen.<\/p>\n\n\n

    \n
    \"\"\n\t\t\t\n\t\t\t\t\n\t\t\t<\/svg>\n\t\t<\/button>
    Das Dashboard von MarshallAI kategorisiert verschiedene Fahrzeugklassen und verfolgt deren Verkaufsvolumina.<\/figcaption><\/figure>\n<\/div>\n\n\n

    Leistung unter schwierigen Bedingungen<\/h2>\n\n\n\n

    Eines der wichtigsten Ergebnisse des Vantaa-Pilotprojekts war die Nachweisbarkeit der Widerstandsf\u00e4higkeit der MarshallAI-Plattform unter harten physikalischen Bedingungen. Bildverarbeitung setzt auf Klarheit, doch reale Umgebungen sind selten sauber. <\/p>\n\n\n\n

    Das System navigierte erfolgreich unter extremen Wetterbedingungen in Finnland, einschlie\u00dflich Schnee, starkem Regen und dynamischer Hintergrundbeleuchtung. Durch die Verwendung motorischer Kameras und beheizter Objektive, um Wasser und Schnee zu reinigen, sowie die strategische Positionierung der Kameraeinstellungen zur Reduzierung von Blendung, konnte die Plattform nachweisen, dass Umweltprobleme vollst\u00e4ndig konstruiert werden k\u00f6nnen. Wenn die KI ein Fahrrad in einem Schneesturm zuverl\u00e4ssig nachverfolgen kann, ist sie in herausfordernden industriellen Bedingungen zudem f\u00e4hig, Teile zu inspizieren.<\/p>\n\n\n\n

    Exzellente Zuverl\u00e4ssigkeit und Ergebnisse<\/h2>\n\n\n\n

    Der Objekterkennungsserver von MarshallAI bot eine extreme Zuverl\u00e4ssigkeit und beweist damit seine Leistungsf\u00e4higkeit in der automatisierten Mission. Im gesamten Projekt \u00fcberstieg die durchschnittliche Objekterkennungsrate in allen unterschiedlichen Kategorien die 98%.<\/p>\n\n\n\n

      \n
    • Fu\u00dfg\u00e4ngererkennung:<\/strong> 99,8 % Zuverl\u00e4ssigkeit<\/li>\n\n\n\n
    • Fahrzeugerkennung:<\/strong> 98,9 % Zuverl\u00e4ssigkeit<\/li>\n\n\n\n
    • Fahrraderkennung:<\/strong> 98,2 % Zuverl\u00e4ssigkeit<\/li>\n<\/ul>\n\n\n\n

      Durch die Anwendung automatischer Optimierungen am Management-System des Kreuzungsbereichs basierend auf diesen Echtzeitdaten konnte das System die Probleme beseitigen. 30.000 unn\u00f6tige Stopps<\/strong> J\u00e4hrlich. Dies f\u00fchrte zu Einsparung von mehr als einem Monat an kumulativer Wartezeit<\/strong> J\u00e4hrlich, indem man die Emissionen massiv reduziert und beweist, dass die Steuerung durch KI einen sofortigen und messbaren ROI bringt.<\/p>","protected":false},"excerpt":{"rendered":"

      Erfahren Sie, wie die Edge-Vision von MarshallAI komplexe Objekte unter extremen Bedingungen fehlerfrei erkennt und dabei eine Zuverl\u00e4ssigkeitsrate von 99,8 % f\u00fcr die Fu\u00dfg\u00e4ngererkennung erreicht, w\u00e4hrend gleichzeitig physische Infrastruktursteuerungen in Echtzeit ausgel\u00f6st werden.<\/p>","protected":false},"featured_media":2135,"template":"","meta":{"content-type":"","footnotes":""},"categories":[44,26],"tags":[76,24,37,54,21,20,19,56],"class_list":["post-2174","case-study","type-case-study","status-publish","has-post-thumbnail","hentry","category-smart-cities","category-traffic-management","tag-case-study","tag-computer-vision","tag-edge-computing","tag-smart-cities","tag-traffic-control","tag-traffic-counting","tag-traffic-management","tag-traffic-statistics"],"_links":{"self":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/case-study\/2174","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":3,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/case-study\/2174\/revisions"}],"predecessor-version":[{"id":2208,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/case-study\/2174\/revisions\/2208"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/media\/2135"}],"wp:attachment":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/media?parent=2174"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/categories?post=2174"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/tags?post=2174"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}