Zukunftslabor Mobilität: Präsentation der Forschungsergebnisse
Auf der Abschlussveranstaltung des Zukunftslabors Mobilität präsentierten die Wissenschaftler*innen ihre zentralen Forschungsergebnisse. Die Forschung befasste sich mit Szenarien der zukünftigen Mobilität, intelligenten Fahrzeugfunktionen und -systemen sowie innovativen Mobilitätskonzepten.
Auf der Abschlussveranstaltung am 20.03.2025 stellten die Wissenschaftler*innen des Zukunftslabors Mobilität ihre Forschungsergebnisse vor und veranschaulichten anhand spannender Exponate ihre Vision einer zukünftigen Mobilität. Die Veranstaltung wurde von Prof. Dr. Peter Hecker (Vizepräsident für Forschung, Technische Universität Braunschweig) eröffnet, der den Netzwerkcharakter des Zukunftslabors Mobilität hervorhob. Rüdiger Eichel (Abteilungsleiter Forschung, Innovation, Europa im Niedersächsischen Ministerium für Wissenschaft und Kultur) betonte die Bedeutung der ZDIN-Labore für die Digitalisierung Niedersachsens, deren Arbeit nun auch mit den Zukunftslaboren Circular Economy und Wasser fortgeführt wird. Prof. Dr. Thomas Vietor (Sprecher des Zukunftslabors Mobilität, Technische Universität Braunschweig) und Dr.-Ing. Patrick Elfert (Geschäftsführer ZDIN) präsentierten Zahlen: rund 100 neue Projekte mit über 50 Millionen Euro Fördervolumen, 162 Veröffentlichungen und 202 betreute Abschlussarbeiten. Mit 17 assoziierten Partnern leistete das Labor zudem wichtigen Wissens- und Praxistransfer.
Anschließend verdeutlichte Prof. Dr.-Ing. Alexander Schönmann (Technische Hochschule Ingolstadt, Foresight-Institut) in seiner Keynote, dass Produktinnovationen stets Prozessinnovationen begleiten. Angesichts vernetzter Mobilität, autonomen Fahrens und neuer Geschäftsmodelle betonte er, dass künftig nachhaltige, effiziente und innovative Produktionsmethoden, etwa durch humanoide Roboter, für den Paradigmenwechsel in der Produktion entscheidend sind.
Kern der Veranstaltung war die Präsentation der Forschungsergebnisse. Im Zukunftslabor Mobilität forschten Wissenschaftler*innen von insgesamt acht Universitäten, Hochschulen und Forschungseinrichtungen an vier zentralen Themenschwerpunkten („Central Research Fields“, kurz CRF):
CRF1: Smart Mobility Systems and Technologies: Fahrzeuge und Infrastruktur
Die Forschung des Zukunftslabors Mobilität umfasste die Entwicklung intelligenter elektronischer Regelsysteme für autonome Elektrofahrzeuge. Ein Schwerpunkt lag auf der Verbesserung der Längs- und Querdynamik durch den Einsatz von Künstlicher Intelligenz (KI) und Machine Learning (ML). Um die Funktionen zu testen, verwendeten die Wissenschaftler*innen eine virtuelle Entwicklungsplattform, auf der sie die Systeme simulieren können, bevor sie diese in echte Fahrzeuge integrieren. Zusätzlich entwickelten sie das Prüfsystem ERAGON, mit dem sie die Funktionen in Echtzeit testen können. Ein Forschungsfahrzeug, AURONA, diente als flexibler Testträger für verschiedene Antriebs- und Lenksysteme. Weitere Informationen zur Entwicklung intelligenter Fahrfunktionen
Darüber hinaus entwarfen die Wissenschaftler*innen ein Schnittstellenkonzept, das eine werkzeugunabhängige Integration von SysML- und CAD-Modellen ermöglicht. Dadurch können domänenspezifische und domänenübergreifende Modelle konsistent verknüpft und Inkonsistenzen vermieden werden. Am Beispiel des Wankstabilisators demonstrierten sie, wie diese Methode zur frühzeitigen Integrationsplanung beitragen kann. Weitere Informationen
CRF2: Smart Mobility Data Handling: Mobilitätsdaten erfassen und auswerten
Zudem untersuchten die Wissenschaftler*innen Methoden, um mit widersprüchlichen Sensordaten in autonomen Fahrzeugen umzugehen. Ein hilfreiches Verfahren ist hier die Novelty Detection. Dabei erkennt der Algorithmus neue, nicht passende Sensordaten und leitet diese Information an den Hersteller weiter. Zusätzlich erforschten die Wissenschaftler*innen die Möglichkeiten der Vehicle-to-Vehicle-Kommunikation (V2V) und Vehicle-to-Infrastructure-Kommunikation (V2I), um Informationen zu Hindernissen zwischen Fahrzeugen oder mit zentralen Systemen auszutauschen. Weitere Informationen zum Umgang mit unterschiedlichen Sensordaten
Durch den Austausch von Sensordaten zwischen vernetzten Fahrzeugen und Infrastruktur (kollektive Wahrnehmung) kann die Umfelderfassung autonomer Fahrzeuge verbessert werden. Eine Herausforderung ist dabei die Überlastung des Kommunikationsnetzes durch redundante Informationen. Um dieses Problem zu lösen, entwickelten die Wissenschaftler*innen eine Regel zur Priorisierung von Nachrichten, die die Netzauslastung reduziert und die Erkennungsgenauigkeit steigert. Zudem entwickelten sie einen Algorithmus, der Objekte in verschiedenen Umfeldmodellen effizient zuordnet (Track-to-Track-Assoziation) und eine Echtzeitfusion der Daten ermöglicht. Simulationen zeigten, dass diese Ansätze besonders an Straßenkreuzungen die Erfassung gefährdeter Verkehrsteilnehmender verbessern und das autonome Fahren zuverlässiger machen. Weitere Informationen zur kollektiven Wahrnehmung und zum entwickelten Algorithmus
CRF3: Mobility as a Solution: Intermodale Mobilitätsketten – lückenloser Transport
Um zukünftige Entwicklungen und Herausforderungen der Mobilität besser einschätzen zu können, erarbeiteten die Wissenschaftler*innen verschiedene Szenarien. Ab 2035 wird voraussichtlich das Szenario „Neues, grünes, digitales Zeitalter“ eintreten, das eine nachhaltige, vernetzte und effiziente Mobilität prognostiziert. Das Szenario umfasst Technologien wie autonom fahrende Fahrzeuge, intelligente Verkehrssteuerung, Elektrofahrzeuge, Sharing-Modelle und eine nahtlose Integration verschiedener Verkehrsmittel. Zur leichteren Realisierung wurden digitale Tools entwickelt, die es Städten und Kommunen ermöglichen, Mobilitätsszenarien virtuell zu testen und zu optimieren, bevor sie in die Praxis umgesetzt werden. Diese Tools fördern die Zusammenarbeit zwischen Forschung und Praxis und erleichtern die Einführung neuer Technologien. Weitere Informationen zum Szenario „Neues, grünes, digitales Zeitalter“
CRF4: Service-Driven Mobility: Effizienter Personen- und Güterverkehr
Ein weiterer Untersuchungsgegenstand war die Shared und Micro Mobility mit Fokus auf E-Scootern in insgesamt 37 deutschen Städten. Die Wissenschaftler*innen wollten herausfinden, welche Faktoren die Nutzung von Shared Mobility und Micro Mobility beeinflussen und wie diese Angebote optimiert werden können. Die Forschungsergebnisse zeigen, dass die Nutzung von Shared Mobility und Micro Mobility stark von temporalen, räumlichen und wetterbedingten Faktoren abhängt. Einigen Anbietern gelingt es besser als anderen, ihre Flotten effizient auszulasten. ML bietet großes Potenzial, um die Angebote zu optimieren: Es kann die Nachfrage vorhersagen, Fahrzeuge bedarfsgerecht bereitstellen, die Zeitplanung verbessern und Wartungsbedarfe analysieren. Die Wissenschaftler*innen entwickelten ein ML-gestütztes Service-Framework und Heat-Maps, also grafische Darstellungen, die das Nutzungsaufkommen in den Städten anhand von Farben zeigen. Diese Erkenntnisse helfen Anbietern, ihre Services gezielt zu verbessern, und sie liefern auch Impulse für die öffentliche Verkehrsplanung. Weitere Informationen zur Micro Mobility und zur ML-basierten Prognose der Bedarfe
Im Anschluss an die Ergebnispräsentation blickte die Koordinatorin des Zukunftslabors, Petia Krasteva (Technische Universität Braunschweig) auf die Zusammenarbeit innerhalb des Projektes zurück und betonte die ganzheitliche Analyse des Mobilitätssystems von Personen- bis Güterverkehr. In der abschließenden Podiumsdiskussion betonten Wissenschaftler*innen des Zukunftslabors die Bedeutung neuer Geschäftsmodelle, regionaler Vernetzung sowie der Kombination von Nachhaltigkeit und Digitalisierung. Zudem wurde vorgeschlagen, Nutzer*innen frühzeitig einzubeziehen und Studierende bei der Gründung von Start-ups und anderen Ausgründungen zu fördern.
