Alle aktuellen Inhalte Alle aktuellen Inhalte
BMVI Data Run
BMVI Data Run

Quelle: BMDV

Das Ministerium hat am 22. und 23. März 2019 bereits zum vierten Mal einen Hackathon, den Data-Run, veranstaltet. 24 Stunden lang hatten Programmiererinnen und Programmierer, Anwendungsentwicklerinnen und Anwendungsentwickler sowie Gründerinnen und Gründer Zeit, innovative Lösungen rund um die Mobilität der Zukunft zu entwickeln. Dafür stellten das Bundesministerium und seine nachgeordneten Behörden sowie mehrere Unternehmen, Hochschulen und Forschungseinrichtungen Datenschätze offen zur Verfügung.

Am Nachmittag des 22. März 2019 wurde der Startschuss für den Data-Run gegeben.

Die mehr als 70 Teilnehmerinnen und Teilnehmer fanden sich in insgesamt 13 Teams zusammen und widmeten sich einer der drei Challenges:

  • „Mehr Sicherheit am deutschen Drohnenhimmel“ (gestellt von der DFS Deutsche Flugsicherung GmbH)
  • „Digitale Fahrrad-Hacks“ (gestellt von Referat RV1, Ministerium)
  • mFUND-Vernetzung“ (gestellt Referat DG21, Ministerium)

Das Teambuilding wurde von dem Verein D.Collective e.V. unterstützt. Dadurch bildeten sich vor Beginn des Codings noch einmal völlig neue Teamkonstellationen.

BMVI Data-Run: Coding-Zeit
Die ganze Nacht wurde an den Ideen gearbeiten.

Quelle: BMDV

Datenpaten standen während der Veranstaltung für Fragen rund um die bereitgestellten Datensätze zur Verfügung. Ein Barcamp bot als spannendes Begleitprogramm vielfältige Möglichkeiten, eigene Themen rund um Nachhaltige Mobilität, Radverkehr, Geodaten, Linked Open Data oder datenbezogene Förderprogramme mit den anderen Teilnehmerinnen und Teilnehmern zu diskutieren.

Nach knapp 24 Stunden Coding-Zeit zogen sich die Teams zur Vorbereitung auf die Pitches am zweiten Tag zurück. Innerhalb von drei Minuten mussten die 13 Teams eine Fachjury von ihren entwickelten Lösungen überzeugen.

Die Jury setzte sich aus Expertinnen und Experten zu den Themen des Data-Runs zusammen:

  • Hardy L. Polevka (DFS Deutsche Flugsicherung GmbH)
  • Ulrike Thalheim (iRights.Lab)
  • Nils Boehnke (Stiftung Digitale Spielekultur)
  • Alexander Kleinwächter (Codeheroes GmbH)
  • Walter Palmetshofer (Open Knowledge Foundation e.V.)
  • Dr. Frank Steinmann (ITZ Bund)
  • Dr. Klaus Brand (GI Geoinformatik Augsburg)

In der Jurysitzung, die im Anschluss an die Pitches stattfand, wurden die besten Ideen in fünf Kategorien ausgewählt. Außerdem stimmte das Publikum noch über das Siegerteam in der sechsten Kategorie ab, dem Publikumspreis.

Alle Teilnehmerinnen und Teilnehmer BMVI Data-Run
Alle Teilnehmerinnen und Teilnehmer des BMVI Data-Run

Quelle: BMDV

Kategorie Wirtschaftspotenzial:

Den Jurypreis für das höchste Wirtschaftspotenzial der vorgestellten Idee erhielt das Team 1. Deutschen Absturzsicherung. Das Team hat einen Webservice zur Identifizierung und Abfrage von Arealen entwickelt, die von Drohnen nicht oder nur eingeschränkt überfolgt werden dürfen. Nutzerinnen und Nutzer können sich die Areale auf einer Karte anzeigen lassen und über eine API-Schnittstelle die Überflug-Erlaubnis für eingegebene Koordinaten einholen sowie die Entfernung zur nächsten Flugverbotszone in Flugrichtung abfragen.

Kategorie Kreativität:

Der Jurypreis für die kreativste Idee ging an das Team Dronezone. Das Team entwickelte einen erweiterbaren (teil-)automatisierten Datenimport aus verschiedensten Quellen in eine Drohnen-App. Dabei können die Genauigkeit von Flugverbotszonen verbessert werden und dynamische Ereignisse (z.B. Events) eingetragen werden. Ein Gamification-Ansatz trägt zur nutzerbasierten Qualitätssicherung der Daten bei.

Kategorie Publikumspreis:

Mit dem Publikumspreis wurde das Team VISION ZERO ausgezeichnet. Das Team kombiniert verschiedene Datenquellen zur Bewertung der Verkehrssicherheit von Straßenabschnitten in Berlin. Der so gewonnene Index ist einerseits Basis für Push Benachrichtigungen an Radfahrer über existierende Apps und andererseits eine fundierte Datengrundlage für die Verkehrsplanung.

Challenge „Mehr Sicherheit am Drohnenhimmel“:

Den Challengepreis erhielt das Team GeoData4Drones. Das Team implementiert ein prototypisches System, das statische und dynamische Luftraumfeatures abbildet und für Drohnenoperatoren zugänglich macht. Auf einer Karte lässt sich eine Flugstrecke markieren und der Nutzer erhält eine schnelle Antwort, ob das Fliegen zu einer bestimmten Zeit erlaubt ist.

Challenge „Digitale Fahrrad-Hacks“:

Den Challengepreis erhielt ebenfalls das Team VISION ZERO.

Challenge „mFUND-Vernetzung“

Den Challengepreis erhielt das Team M=(Mobility)2. Das Team hat eine Plattform entwickelt, über die unterschiedliche Reisetransportmittel (Flug, DB oder U-Bahn) innerhalb Deutschlands gebucht werden können. Dabei können von Nutzerinnen und Nutzern Präferenzen wie Reisezeit, Preis und Emissionsmenge festgelegt werden.

1. Deutsche Absturzsicherung
Das Team entwickelte einen Webservice zur Identifizierung und Abfrage von eingeschränkten Arealen für Drohnen. Man kann Areale auf einer Karte anzeigen lassen, über eine API-Schnittstelle für eingegebene Koordinaten die Erlaubnis für einen Überflug und die Entfernung zum nächsten verbotenen Flugareal in Flugrichtung abfragen. Durch Vereinigung von OpenStreetMap (OSM) mit ALKIS-Daten konnte das Team die Genauigkeit der Eingeschränkten Areale deutlich verbessern.

Genutzte Daten: OpenStreetMap, ALKIS, POIs (Verkehrsüberwachungskameras)

Zur Präsentation

DFS Workflow

Das Projekt hat einen qualitätsgesicherten Workflow zur Erfassung temporärer Flugverbotszonen an die Anforderungen der DFS angepasst.
Perspektivisch kann der Workflow von der DFS für Antragsteller und Antragsprüfer bereitgestellt werden. Hürden für die Antragsdatenerfassungen werden so minimiert und die Datenqualität gesichert. Ziel ist Bereitstellung des Workflows sowohl in der DFS-App als auch im Web.

Genutzte Daten: Crowdsourcing

Zur Präsentation

Dronezone

Das Team hatte die Weiterentwicklung des DFS-Drohnen Konzepts durch erweiterbaren (teil-) automatisierten Datenimport aus verschiedensten Quellen (mittel QGIS) zum Ziel. Gleichzeitig soll mit dem Ansatz eine Verbesserung der Datenqualität und Genauigkeit von Zonen erreicht werden. Dies geschieht sowohl durch von Algorithmen errechneten Gütefaktoren der Datenpunkte als auch durch Gegenüberstellung und Validierung von Vektor- und Rasterdaten der Zonen mittels Machine Learning. Manuelle Anpassungen von Zonen, auch für temporäre Verbotszonen (z.B. Events) sorgen für erweiterbare Flexibilität und Genauigkeit, während Qualitätssicherung durch Einbindung von Nutzern mittels Gamification ermöglicht wird.

Genutzte Daten: Google Maps Static API, Eurogeographics (Populated Places Identifier), Daten von DFS & BKG (AIP & POI)

Zur Präsentation

FastForward

Für die Überwachung des gewerblichen Drohnenverkehrs stehen der DFS in Bezug auf Windräder bisher nur Daten zu geplanten Windrädern zur Verfügung. Diese Daten beinhalten zudem keine Windmühlen unterhalb einer Höhe von 100m. Das Team hat sich zum Ziel gesetzt, alle tatsächlich existierenden Windräder - auch die unterhalb 100 m Höhe – in die Datenbasis zu übernehmen. Hierfür wurde ein Algorithmus entwickelt, mit dem Windräder automatisch in Orthofotos erkannt werden können. Die Treffergenauigkeit des Machine-Learning-Algorithmus liegt bei 93 % (nach 20 Stunden) und voraussichtlich bei > 98 % nach 2-3 Wochen. In der entwickelten Anwendung können Start-und Zielpunkte von Drohnen-Flugrouten eingegeben werden. Abhängig von den gefundenen Windrädern wird der geplante Flugweg automatisch durch Puffer-/ Umgehungsvorschläge angepasst. Diese Umgehungsvorschläge können auch auf andere Flugverbotsbereiche wie Hubschrauberlandeplätz oder Krankenhäuser ausgedehnt werden.

Genutzte Daten: DFS AIP Shapefiles, Orthophotos (ca. 25 GB, 6000 Bilder für das Training verwendet, anwendbar für bis zu 30000 Bilder), Google Maps Imagery Dataset

Zur Präsentation

GeoData4Drones

Das Projekt implementiert ein prototypisches System, das statische und dynamische Luftraumfeatures abbildet und für Drohnenoperatoren zugänglich macht. Auf einer Karte lässt sich eine Flugstrecke markieren und der Nutzer erhält eine schnelle Antwort, ob das Fliegen zu einer bestimmten Zeit erlaubt ist. Eine Besonderheit stellt die Möglichkeit für Sicherheitsbehörden dar, temporäre und sogar sich dynamisch bewegende Flugverbotszonen anzulegen. Die so in Echtzeit eingepflegten Daten werden zusammen mit den Luftfahrtdaten, sowie weiteren Geodaten aggregiert und veredelt.

Genutzte Daten: DFS AIP-Daten, DFS Points of Interest

Zur Präsentation

SOS eirG

Das Team hat sich dem Thema „Flugverbotszonen für Drohnen“ mathematisch genähert. Durch das Fitten einer konvexen Hülle über variabel definierte Abschnitte zusammenhängender Körper auf Grundlage von Geodaten konnten definierte Flugverbotszonen mathematisch berechnet werden.

Genutzte Daten: OSM

Cyclone

Bike Pooling – It’s smarter to bike in groups and more fun! Das Projekt bringt Radfahrer zusammen, damit diese sich sicherer durch die Stadt bewegen können. Eine größere Gruppe sorgt für mehr Sichtbarkeit und Sicherheit der Radfahrer, ab 16 Teilnehmerinnen und Teilnehmern genießt diese sogar Sonderrechte (Anmerkung der Redaktion: sofern die Gruppe angemeldet wurde). Mit der App können Fahrten angeboten oder interessante Fahrten gefunden werden – ganz egal ob für die tägliche Pendlerstrecke oder eine gemütliche Feierabendtour.

Genutzte Daten: Landeshauptstadt Düsseldorf – Jahresübersicht der Dauerzählstellen Radverkehr seit 2012

VISIONZERO

Es gibt noch zu viele Verkehrstote auf deutschen Straßen. Das mangelnde Sicherheitsgefühl hält viele vom Radfahren ab. Hinzu kommen objektive Faktoren wie der Zustand der Radinfrastruktur. Das Team kombinierte verschiedene Datenquellen zur Bewertung der Verkehrssicherheit von Straßenabschnitten in Berlin. Der so gewonnene VISION ZERO INDEX ist Basis für Push-Benachrichtigungen an Radfahrer über existierende Apps. Verkehrsplaner profitieren von einer aktuelleren und fundierten Datengrundlage, um die Sicherheit nachhaltig und objektiv zu erhöhen.

Genutzte Daten: FixMyBerlin (Verkehrsbelastung, Radverkehrsführung), Unfalldaten mit Radfahrern (Berlin - stefanwehrmeyer.carto.com/me sowie Hamburg - DESTATIS), Abstandsmessungen von Überholmanövern (Tagesspiegel), Hintergrundkarten Berlin (OSM) und Hamburg (Urban Data Plattform)

Zur Präsentation

evan.network

Ohne eine gemeinsame (IT-)Grundlage wird eine digitale Vernetzung im Sinne 4.0 nicht erreicht werden. Die Grundlage dafür bieten digitale Identitäten (Autos, Fahrräder, Züge, Flugtaxis) auf Basis der Blockchain-Technologie (evan.network). Die Blockchaintechnologie greift dabei nicht in die unternehmenseigenen IT-Systeme ein, sondern ergänzt diese- wie ein „Kleber“ zwischen den IT-Welten. Benefit: Es ist erstmalig möglich, eine Verbindung von Dokumentenfestigkeit mit ständiger Verfügbarkeit herzustellen. Das ist nur mit Datenbanken nicht erreichbar. Nun sind zukünftige, unternehmensübergreifende Mobilitätskonzepte möglich.

Genutzte Daten: Cambio Carsharing, Cambio Standorte, Bewegungsdaten des autonomen Shuttles Emily

Zur Präsentation

Isengard

Daten in den Portalen zu suchen ist anstrengend. Ziel ist es, mit grafischen Oberflächen, schneller wertvolle Daten zu identifizieren.

Genutzte Daten: OpenGeoEdu Dataset, Metadaten-Portale (selbsterstellt), OpenStreetMap, LIMBO Data

Zur Präsentation

M=(Mobility)2

Ob Flug, DB oder U-Bahn innerhalb Deutschlands – das Team hat eine Idee entwickelt, bei der Nutzerinnen und Nutzer das beste Angebot auf der Plattform „Passenger 2.0“ buchen können. Präferenzen wie Reisezeit, Preis und Emissionsmenge können festgelegt und das passende Angebot ausgewählt werden. Nach der Inanspruchnahme des gewählten Angebots wird die Nutzung der einzelnen Mobilitätsdienste in einem dezentralen Datenbanksystem („Distributed Ledger Technology“) fälschungssicher gespeichert. Auf Basis eines/mehrerer „Smart Contracts“, der/die bestimmten Zahlungsbedingungen des/der Service Provider enthält, wird automatisiert eine Zahlung vom Kunden an den/die Service Provider veranlasst.

Genutzte Daten: Wetterdaten des Deutschen Wetterdienstes, Floating Car Data (FCD) für Berlin des ADAC e.V., Open Data der Deutschen Bahn, FixMyBerlin

PeterPark

PeterPark soll das Parken in den Städten einfach machen! Die Plattform ermöglicht es Autofahrern, die gerade losfahren, ihren frei werdenden Parkplatz anderen mitzuteilen. Die App zeigt eine Karte mit frei gewordenen Parkplätzen, Zeitpunkt der Freigabe, Anzahl der Parksuchenden in der Umgebung, sowie zusätzliche nützliche Informationen (z.B. Behindertenstellplätze, freie Ladesäulen) an. Durch „Smart Notifications“ basierend auf den neuesten Machine Learning Technologien auf dem Endgerät wird die App-Nutzung so unaufdringlich wie möglich gemacht, mit Gewährung von Privatsphäre.

Genutzte Daten: Behindertenstellplätze, Thirdparty Daten für bewirtschaftete Parkplätze, Selbsterhobene Daten zu Autogröße, Baustellen, Ladestationen E-Autos, Parkautomaten, Parkhäuser, Reisebus-Parkplätze

SAG Grashüpfer

Urban Navigator – Navigationssysteme reagieren nicht zeitnah auf lokale, temporäre Gegebenheiten wie Baustellen, Unfälle, Festivals und Diesel-/ LKW-Fahrverbote. Dies führt zu Staus und damit Zeitverlusten und zusätzlichen Umweltbelastungen. Der Urban Navigator, basierend auf dem OpenRouteService, berücksichtigt bei seiner Routenberechnung solche lokalen, temporären Gegebenheiten, die aus einer zentralen, automatisch gefüllten Datenbank übernommen werden. Die Routenplanung kann auch spezifisch auf den Fahrzeugtyp angepasst werden, ähnlich wie im Forschungsprojekt Cartox², dies ist speziell in Bezug auf selbstfahrende Autos wichtig.

Genutzte Daten: Open Route Service, Baustellen, Lichtsignalanlagendaten

Zur Präsentation