Intelligente Stellplatzvergabe durch Machine Learning im E-PUZZLE-System
Im Rahmen eines Transferprojekts haben Lödige Industries und das Fraunhofer IOSB-INA eine intelligente Erweiterung des bestehenden E-PUZZLE-Algorithmus entwickelt. Ziel war es, das automatisierte Parkraummanagement durch die Integration einer KI-basierten Prognosekomponente gezielt zu verbessern. Im Fokus standen dabei die vorausschauende Optimierung der Stellplatzvergabe, die Reduktion systembedingter Umparkvorgänge sowie eine Steigerung der Gesamteffizienz des Systems.
KI optimiert Stellplatzvergabe
Das RESPACE E-PUZZLE von Lödige Industries ist ein vollautomatisches Parksystem, das auf einem modularen Schiebepalettensystem basiert – vergleichbar mit einem klassischen Schiebepuzzle. Fahrzeuge werden in einer Übergabekabine auf spezielle Paletten abgestellt und anschließend über einen Hebemechanismus automatisch in das meist unterirdische Lagersystem transportiert. Die Parkebenen bestehen aus einem Raster aus Fördermodulen, auf denen sich die Paletten in Längs- und/oder Querrichtung verschieben lassen. Um eine besonders hohe Stellplatzdichte zu erzielen, ist die Anzahl leerer Module auf ein Minimum reduziert – was bedeutet, dass Paletten nur im Verbund mit benachbarten Paletten bewegt werden können.
Ein entscheidender Faktor für die Nutzerakzeptanz automatisierter Parksysteme ist die Wartezeit bei der Fahrzeugabholung. Bei dem RESPACE E-PUZZLE kann diese stark variieren – von ca. 1 Minute bei günstiger Positionierung bis zu 8 Minuten bei ungünstiger Lage, in der zahlreiche Umparkvorgänge nötig sind.
Ziel des Projekts war es, mithilfe künstlicher Intelligenz eine vorausschauende Stellplatzvergabe zu ermöglichen, die auf prognostiziertem Nutzerverhalten basiert. Die Berücksichtigung erwarteter Abholzeitpunkte sollte die Zahl erforderlicher Umparkvorgänge deutlich senken und so die durchschnittliche Wartezeit erheblich verkürzen.
Das Projekt zeigt eindrucksvoll, wie datengetriebene Innovation echten Kundennutzen schafft. Weniger Umparkvorgänge, kürzere Wartezeiten – das ist ein klarer Mehrwert, den wir direkt in unsere Produktstrategie integrieren können.– Dr. Tobias Wennekamp, Chief Product Officer, Lödige Industries
Testen, Lernen, Optimieren: KI-Integration im Realbetrieb
Ausgangspunkt war eine umfangreiche Analyse realer Betriebsdaten. Historische Ein- und Ausfahrtszeiten, Wochentagsmuster, durchschnittliche Aufenthaltsdauern sowie wiederkehrendes Verhalten einzelner Nutzer wurden systematisch ausgewertet. Zusätzlich flossen externe Faktoren wie Feiertage oder Veranstaltungen in die Analyse ein, um die Prognosequalität weiter zu steigern.
Basierend auf diesen Daten wurde ein Machine-Learning-Modell entwickelt, das die Wahrscheinlichkeit der Fahrzeugabholung in bestimmten Zeitfenstern vorhersagen kann. Diese Vorhersagen wurden direkt in den E-PUZZLE-Algorithmus integriert, um die Stellplatzvergabe nicht nur nach dem aktuellen Systemzustand, sondern auch vorausschauend zu steuern. Die Lösung wurde zunächst in einer Testumgebung implementiert und anschließend unter realen Bedingungen validiert.
Der Mehrwert im Überblick:
- Reduzierte Abrufzeiten durch vorausschauende Lagerplatzvergabe
- Weniger Umparkvorgänge, was die Systemeffizienz signifikant erhöht
- Lernfähige Systemlogik, die sich dynamisch an sich veränderndes Nutzerverhalten anpasst
- Skalierbare Lösung, die einfach auf andere Standorte und Fahrzeugvolumina übertragen werden kann
- Verbesserte Nutzererfahrung durch transparente Kommunikation voraussichtlicher Bereitstellungszeiten, z. B. über Apps oder Displays im Parksystem
Die entwickelte Lösung schafft einen spürbaren Mehrwert – technisch, organisatorisch und aus Sicht der Nutzer. Sie bietet eine praxisnahe Grundlage für die Weiterentwicklung automatisierter Parklösungen und trägt maßgeblich zur Differenzierung im Wettbewerb bei.
Projektpartner
