Die automatische Bestimmung von Straßenbelag und -qualität ist für diverse Anwendungen im Verkehrsbereich, wie z.B. Routenplanung, von entscheidender Bedeutung. Es gibt jedoch nur wenige öffentlich zugängliche Datensätze zu Straßenbelag und -qualität in einem einheitlichen Format, da die Erstellung meist auf manueller Analyse beruht und einen erheblichen Aufwand erfordert. Insbesondere Kommunen können von solchen Datensätzen profitieren und sie für die Stadtplanung nutzen.

Das Projekt

Das vom Bundesministerium für Digitales und Verkehr geförderte mFund Projekt SurfaceAI soll diese Lücke schließen. Dazu wird mithilfe öffentlicher Geodaten und Straßenbildern ein Machine Learning Modell trainiert, das in der Lage ist, Straßenoberflächen und -qualität auf Bildern automatisiert und präzise einzustufen. Die generierten Informationen werden anschließend in georeferenzierte Datensätze auf Straßenebene umgewandelt, die öffentlich zugänglich sind.

Aktuelles

26.02.2025 9:00-10:00: offizielles Projekt-Abschlusstreffen (online). Teilnahme-Link bitte anfragen über surface‑ai@htw‑berlin.de

16.01.2025: Veröffentlichung unseres Papers StreetSurfaceVis: a dataset of crowdsourced street-level imagery annotated by road surface type and quality in Scientific Data

29.10.2024: Präsentation unseres short papers auf dem UrbanAI Workshop der SIGSPATIAL Conference

22.6.2024 17.00-24.00: Lange Nacht der Wissenschaften an der HTW Berlin, Campus Wilhelminenhof, Gebäude C, Raum 604 Programmdetails

19.6.2024 13.00-18.00: Vortrag auf dem Informatiktag HTW Berlin Programmdetails

4.6.2024: Veröffentlichung des SurfaceAI Datensatzes StreetSurfaceVis (doi: 10.5281/zenodo.11449976)

20.3.2024: FOSSGIS 2024 Präsentation des Projekts auf der FOSSGIS Konferenz

10.1.2024 14.00-15.00: offizieller Projekt-Kickoff (online) Teilnahme über Zoom

Veröffentlichungen

Die erste Version unseres Programm-Codes mit der vollständigen Pipeline zur Anreicherung ganzer Straßennetze mit den Informationen zu Straßenbelag und -qualität ist fertiggestellt und kann auf Github heruntergeladen werden.
Die mit dem SurfaceAI Modell erzeugten kommunalen Datensätze der Städte/Stadtteile München, Berlin-Neukölln, Osnabrück und Dresden sind in der Mobilithek verfügbar.
Paper: Alexandra Kapp, Edith Hoffmann, Esther Weigmann, and Helena Mihaljević. 2024. SurfaceAI: Automated creation of cohesive road surface quality datasets based on open street-level imagery. In Proceedings of the 2nd ACM SIGSPATIAL International Workshop on Advances in Urban-AI (UrbanAI ‘24). Association for Computing Machinery, New York, NY, USA, 54–57.
Paper: Alexandra Kapp, Edith Hoffmann, Esther Weigmann, and Helena Mihaljević. 2025. StreetSurfaceVis: a dataset of crowdsourced street-level imagery annotated by road surface type and quality. Sci Data 12, 92 (2025).
Datensatz StreetSurfaceVis bestehend aus Straßenbildern aus Deutschland mit Beschriftungen zu Art und Qualität der Straßenoberfläche

Anwendungsmöglichkeiten und assoziierte Projektpartner

Das Projekt wird von verschiedenen Organisationen unterstützt, die die Ausarbeitung von Anwendungsbeispielen ermöglichen und die Vernetzung innerhalb der Community fördern.

Dazu gehören:

der Routenplanungs- und Navigationsanbieter Komoot,
die Beratungsfirma Plan4Better, die Kommunen bei der Entwicklung von Mobilitätskonzepten unterstützt und das Webtool GOAT für Erreichbarkeitsanalysen u.a. im Fuß- und Radverkehr entwickelt hat,
die Technologiestiftung CityLAB Berlin, die sich an der Schnittstelle zwischen Zivilgesellschaft und Verwaltung für eine gemeinwohlorientierte Stadtentwicklung einsetzt, und
das Start-Up FixMyCity, das Städte und Kommunen bei der Verkehrswende, insbesondere der Fahrradverkehrsplanung, durch digital Tools unterstützt.

Zwei konkrete Anwendungsbereiche für die Nutzung der automatisch generierten Straßenbeschaffenheitsdaten sind bereits angedacht. Zum einen können die Daten direkt in die Routenberechnung von Navigationstools einfließen, zum anderen der Analyse und Planung im Bereich der (Rad-)Verkehrsplanung auf kommunaler Ebene dienen.

Team

Prof. Dr. Helena Mihaljević

Helena Mihaljević ist promovierte Mathematikerin mit Hintergund in dynamischen Systemen. Seit 2018 ist sie Professorin für Data Science an der Hochschule für Technik und Wirtschaft Berlin in Assoziation mit dem Einstein Center Digital Future. Sie forscht in interdisziplinären Projekten, u.a. im Bereich der datenbasierten Mobilitätsforschung, und bringt jahrelange Erfahrung in der Anwendung, Entwicklung und Optimierung von Algorithmen des maschinellen Lernens sowie der Erstellung von datengetriebener Software in das Projekt.

Alexandra Kapp

Alexandra Kapp ist wissenschaftliche Mitarbeiterin in der Hochschule für Technik und Wirtschaft Berlin. Sie promoviert zu technischen Anonymisierungsmethoden für Mobilitätsdaten. 2018 hat sie ihren Master of Science in Computing in the Humanities an der Otto-Friedrich-Universität Bamberg absolviert.

Edith Hoffmann

Edith Hoffmann ist wissenschaftliche Mitarbeiterin an der Hochschule für Technik und Wirtschaft Berlin. Sie hat das Studium Technomathematik an der TU Kaiserslautern 2011 mit dem Diplom abgeschlossen. 2023 nahm sie an einer Data Science Fortbildung in Berlin teil.

Esther Weigmann

Esther Weigmann studiert Statistik im Master in Berlin. Im Rahmen ihres Studiums absolviert sie derzeit ein Praktikum an der HTW im Projekt SurfaceAI.

Kontakt

Wir freuen uns über Fragen, Anregungen und Kooperationsmöglichkeiten: surface-ai@htw-berlin.de

Ein Projekt der

HTW_Logo mFUND_Logo BMDV_Logo