Parkplatzkataster (On-Street-Parking) aus Mobile Mapping Daten

Der nachfolgende Text basiert auf einem ausführlichen Erfahrungsbericht, der im Methodenhandbuch „On-Street-Parking: Methoden zur Erstellung eines kommunalen Parkplatzkatasters“ (https://www.mobidata-bw.de/uploads/page_images/2024-03-12-142353.49522120240229ParkkatasterVersion2onlinekl.pdf) der NVBW veröffentlicht wurde.

Datenerhebung/-quelle

Verwendet wurde eine höchst genaue 360°-Visualisierung auf Straßenniveau von Cyclomedia sowie innovative KI-gestützte Analysen. Dank des leistungsfähigen Kamerasystems und der patentierten Verarbeitungstechniken sind die generierten Panoramabilder metrisch korrekt und enthalten genaue Informationen zu Standort und Ausrichtung (Georeferenzierung). Dies ermöglicht präzise Messungen und die Verschneidung mit weiteren relevanten Geodaten. Die Panoramabilder werden systematisch und flächendeckend erfasst. Sie werden in Abständen von fünf Metern (16,4 Fuß) auf allen öffentlichen Straßen aufgenommen, die mit dem Fahrzeug erreichbar sind. Das System erfasst fünf einzelne RAW-Bilder pro Aufnahmestandort. Diese einzelnen Bilder werden zu einem parallaxenfreien Panoramabild „Cyclorama“ zusammengesetzt. Die hohe Qualität und Auflösung der Bilder, in Kombination mit einer dreidimensionalen Punktwolke mit extrem hoher Dichte, liefern Benutzern Klarheit, ermöglichen den Blick auf Details, wie Beschriftungen auf Schildern oder andere Infrastrukturmerkmale und zeigen den Zustand von Betriebsmitteln und Immobilien. Alles kann visualisiert, bewertet und analysiert werden, ohne dass man den tatsächlichen Standort aufsuchen muss.

Methodik/Vorgehen

Die Ableitung des Parkplatzkatasters geschieht mittels Methoden der Künstlichen Intelligenz (v.a. Machine Learning) aus den vorliegenden Befahrungsdaten. Es werden Algorithmen angewendet und über Machine Learning Objekte „trainiert“, die aus den Bildern erkannt und deren Informationen extrahiert werden. Die verorteten Parkdaten werden über ein Realflächenkataster (Kartierung der Infrastrukturflächen im Straßenraum, inklusive Nutzungsart und Oberflächenklasse) sowie zusätzlicher Objektextraktion (Parkrelevante Verkehrszeichen, Fahrbahnmarkierungen) generiert. Gemeinsam mit weiteren Infrastrukturdaten (aus den Befahrungsdaten erhoben) wie z. B. taktile Leitlinien, Bordsteinabsenkungen etc. werden die Parkplatzbegebenheiten, die Größe, Anzahl und weitere Details hervorgehoben und können für Analysezwecke und Simulationen verwendet werden. Die Auslieferung der Ergebnisse erfolgt als Shape oder Json Datei und ist in statische und dynamische Systeme als Grundlage einbindbar.

Resultat

Die Extraktion der verschiedenen Elemente und Objekte im Straßenraum liefert Informationen, wie viele Stell- bzw. Parkplätze im sichtbaren Straßenraum vorhanden sind, welche Regeln per Verkehrsordnung sichtbar an die Parkplätze gebunden sind und wie die nahe Infrastruktur rund um die Parkplätze aussieht (z.B. wichtig für Barrierefreiheit). Damit lassen sich mit einem Klick die verfügbaren Stellplätze auf Straßen, Quartiers-, oder Stadtteilebene bestimmen und für Diskussionen, Berichte und Auskünfte oder weitergehende Analysen (z.B. in Gegenüberstellung mit den KfZ-Zulassungszahlen auf Quartiers- oder Stadtteilebene) verwenden. Grundsätzlich werden Attribute (Schildertyp StvO, Breite Parkfläche, Anzahl Stellplätze) den verschiedenen Objektkatastern zugeordnet, diese Informationen können aber dann in einem nächsten Schritt miteinander verknüpft und zu gesamtheitlichen Informationen ausgearbeitet werden.

Die Kartierungsergebnisse stehen im VRN Datenraum zur Verfügung:

https://geoportal.vrn.de/services/home/item.html?id=02acae4d11074b4a8ee2a6f8f32f1beb

Stärken, Einsatzmöglichkeiten und Grenzen

Das Vorgehen basiert auf teilautomatisierten, KI-gestützten Ableitungen. Nach einmaligem Trainieren des Modells für die vorher definierten zu erfassenden Objekte erfolgt die Katastererstellung automatisiert und mit wenig Aufwand. Dadurch eignet sich das Vorgehen besonders für größere Städte/Gebiete und kann bei Zeitreihen und wiederholenden Analysen kostengünstig fortgeschrieben werden. Für die Kommunen ist die Arbeit größtenteils passiv und mit wenig Arbeit verbunden, da die Analysen i.d.R. von den Rohdaten-Besitzenden ausgeführt werden. Die Genauigkeit der Kartierung wird bereits über die Erfassung der Befahrungsdaten mittels GPS, Satelliteninformationen, Trägheitsnavigation und weiterer Sensorik gewährleistet. Somit wird eine absolute Genauigkeit mit 15 cm Standardabweichung garantiert. Aufgrund der Straßenbefahrung mittels PKW oder Schmalspurfahrzeug werden sämtliche passierbare Wege und Straßen im Straßenraum erfasst, es kann allerdings zu Sichtbehinderungen und somit Informationsverlust kommen. Auch sind liefern erfassten Bilder punktuelle Informationen und keine „Live“ Daten, um z.B. Parkverhalten an verschiedenen Zeitpunkten zu analysieren. Es handelt sich rein um eine statische Datenquelle zur Erfassung der Infrastruktur.

Geeignet für:

• Überblick über On-Street und teilweise Off-Street-Parkplatzinformationen,
• „günstige“ und zeitsparende Vollerhebung
• Analysen auf Quartiers- oder Stadtteilebenen
• Große Gebiete mit vielen oder unklaren Stellplatzlagen

Weniger geeignet für:

• Kartierung von nicht einsehbaren Parkplätzen
• Keine dynamischen Informationen

Bewertung der Methode anhand einiger wichtiger Entscheidungsfaktoren auf einer Skala
von 1 (sehr wenig) bis 5 (sehr viel):

Kosten: 5 (ca. 100 EUR/km)

Personalaufwand: 1

Vollständigkeit der Daten: 4 - 5

Genauigkeit der Daten: Bewertung abhängig vom Anwendungsfall

Qualität der Daten: Bewertung abhängig vom Anwendungsfall