KI-Steuerung für smarte Städte – AI control for smart cities

Im Zentrum steht eine neue Logik der Verkehrs- und Mobilitätssteuerung, die auf lernenden Systemen basiert. Drei Ebenen sind dabei entscheidend: Erstens müssen Kommunen klare Ziele definieren und in messbare Indikatoren übersetzen. Zweitens braucht es ein technisches Steuerungssystem, das diese Ziele kontinuierlich umsetzt. Drittens ermöglicht ein offenes Forschungs- und Entwicklungssystem kontinuierliche Innovation. Nur wenn alle drei Ebenen zusammenwirken, entsteht ein lernendes Gesamtsystem, das nicht nur effizient steuert, sondern auch Innovation beschleunigt.

Die erste Ebene beginnt mit strategischer Klarheit. Kommunen müssen ihre übergeordneten Ziele – etwa Emissionsreduktion, Verkehrssicherheit oder Modal-Split-Veränderung – in konkrete Key Performance Indicators übersetzen. Diese KPIs sind mehr als bloße Kennzahlen: Sie bilden die Schnittstelle zwischen politischen Prioritäten und technischer Optimierung. Erst durch diese Operationalisierung kann ein KI-System gezielt auf kommunale Ziele ausgerichtet werden. Wichtig ist dabei ein ganzheitlicher Ansatz, der alle Verkehrsträger einbezieht und nicht nur einzelne Teilsysteme optimiert. Denn isolierte Verbesserungen – etwa schnellere Ampelschaltungen nur für den motorisierten Individualverkehr – können das Gesamtsystem durchaus verschlechtern.

Die zweite Ebene beschreibt das technische Fundament. Hier kommt Reinforcement Learning ins Spiel – eine KI-Methode, bei der ein lernender Agent durch Versuch und Irrtum optimale Verhaltensstrategien entwickelt. Der Agent beobachtet die Verkehrslage in Echtzeit, trifft Steuerungsentscheidungen und erhält Feedback darüber, wie gut diese Entscheidungen die gesetzten KPIs erfüllen. Langfristig lernt er so, für jede Verkehrssituation die bestmögliche Maßnahme zu wählen. Besonders wichtig: Das Lernen findet zunächst in Simulationen statt, nicht im realen Verkehr. Digitale Zwillinge – realitätsnahe Abbilder des Verkehrssystems – ermöglichen es, neue Steuerungsstrategien risikofrei zu testen, bevor sie live gehen.

Doch KI-basierte Verkehrssteuerung ist mehr als eine technische Optimierung. Sie ist ein strategisches Werkzeug für nachhaltige Stadtentwicklung. Deshalb geht das Impulspapier über die reine Verkehrssteuerung hinaus und adressiert auch die Mobilitätssteuerung im weiteren Sinne: die strategische Gestaltung des gesamten Mobilitätssystems einer Kommune. Dies umfasst nicht nur die Ampelschaltung, sondern auch die Planung von Infrastrukturen, die Vernetzung verschiedener Verkehrsmittel und sogar die Vermeidung von Verkehr durch integrierte Stadt- und Mobilitätsplanung.

Die dritte Ebene schafft die Voraussetzung für kontinuierliche Innovation. Ein offenes Forschungs- und Entwicklungssystem, das vom operativen Steuerungssystem entkoppelt ist, ermöglicht es externen Akteuren – Forschungseinrichtungen, Start-ups, Unternehmen – auf Basis kommunaler Mobilitätsdaten neue Dienste zu entwickeln, zu testen und zu validieren. So entsteht ein Innovationsökosystem, in dem Kommunen nicht mehr nur Kundinnen einzelner Anbieter sind, sondern aktive Gestalterinnen eines offenen Systems. Die Kommune behält dabei die Datenhoheit und entscheidet souverän, welche Neuentwicklungen sie übernimmt.

Entscheidend für den Erfolg ist die Übertragbarkeit. Nicht jede Kommune muss das Rad neu erfinden. Gemeinsame Standards, Best Practices und koordinierte Beschaffung ermöglichen es auch kleineren und mittleren Städten, von KI-gestützten Lösungen zu profitieren. Modellprojekte wie AIAMO in Leipzig und Landau oder Connected Urban Twins in Hamburg, Leipzig und München zeigen bereits, wie dies gelingen kann: durch modular aufgebaute, skalierbare Architekturen, die bewusst für die Nachnutzung durch andere Kommunen gestaltet wurden.

Die Herausforderungen sind bekannt: Pfadabhängigkeiten bestehender Infrastrukturen, chronische Unterfinanzierung, Fachkräftemangel, technologische Unsicherheit. Doch die Potenziale sind erheblich. KI-gestützte Verkehrssteuerung kann Wartezeiten verkürzen, Emissionen senken, die Attraktivität des öffentlichen Verkehrs steigern und die Verkehrssicherheit erhöhen. Sie ermöglicht adaptive Reaktionen auf veränderte Verkehrslagen – etwa bei Großveranstaltungen oder in Krisensituationen. Und sie schafft eine datenbasierte Grundlage für bessere Planungsentscheidungen.

Dabei geht es nicht um Technologie um ihrer selbst willen. Im Gegenteil: KI ist ein Werkzeug, um kommunale Ziele messbar und überprüfbar umzusetzen. Die Hoheit über Ziele und Prioritäten bleibt bei den Kommunen – und damit bei den demokratisch legitimierten Entscheidungsträgern. Zielkonflikte – etwa zwischen Verkehrsfluss und Emissionsreduktion – lassen sich nicht technisch auflösen, sondern erfordern politische Abwägungen. Doch eine datenbasierte, transparente Entscheidungsgrundlage erleichtert diese Abwägungen erheblich.

Die jüngsten Novellen des Straßenverkehrsgesetzes und der Straßenverkehrsordnung unterstützen diesen Ansatz, indem sie Kommunen mehr Entscheidungsspielräume eröffnen. Auch europäische Vorgaben wie die TEN-V-Richtlinie oder Sustainable Urban Mobility Plans (SUMP) setzen zunehmend auf datenbasierte Steuerung und messbare Indikatoren. Die Rahmenbedingungen für eine KI-gestützte Mobilitätswende verbessern sich also zusehends.

Dennoch bleibt die praktische Umsetzung anspruchsvoll. Die Verfügbarkeit strukturierter, qualitativ hochwertiger Daten ist Voraussetzung für jede KI-Anwendung. Hierzu braucht es Investitionen in Sensorik, Datenmanagement und föderierte Plattformen. Besonders kleine und mittlere Kommunen stehen vor der Herausforderung, entsprechende Kapazitäten aufzubauen und Mitarbeitende aus- und fortzubilden. Hier können Innovationspartnerschaften, gemeinsame Beschaffungen und der Austausch in kommunalen Netzwerken entlasten.

Das Impulspapier formuliert drei zentrale Handlungsfelder: Erstens müssen Kommunen ein klares Zielbild festlegen und ihre Ziele in messbare KPIs übersetzen. Zweitens braucht es ein technisches Fundament – basierend auf integrierter Datenhaltung, Reinforcement Learning und digitalen Zwillingen. Drittens sollten Kommunen offene Forschungs- und Entwicklungssysteme integrieren, um ihre digitale Souveränität zu sichern und kontinuierlich innovationsfähig zu bleiben.

Die Vision ist ambitioniert, aber realistisch: Innerhalb der nächsten zehn Jahre könnten Mittel- und Großstädte ihre Verkehrssteuerung systematisch digitalisieren und durch KI-Methoden erweitern. Kreuzungssteuerungen, Wechselverkehrszeichen, ÖPNV-Taktungen und multimodale Routingdienste würden dann adaptiv und datenbasiert optimiert. Gleichzeitig entstünde ein vernetzter Datenschatz, der umfassende Möglichkeiten der integrierten Mobilitäts- und Stadtplanung eröffnet – etwa durch kundenzentrierte ÖPNV-Steuerung oder durch die integrierte Planung von Stadtquartieren und Mobilitätsangeboten.

KI-basierte Verkehrssteuerung ist damit mehr als ein Effizienzprojekt. Sie ist ein Schlüssel zur nachhaltigen Transformation urbaner Räume – wenn sie von klaren kommunalen Zielen geleitet, auf soliden technischen Fundamenten aufgebaut und in offene Innovationsökosysteme eingebettet wird.

At its heart is a new logic for traffic and mobility control based on learning systems. Three levels are crucial here: First, local authorities must define clear goals and translate them into measurable indicators. Second, a technical control system is needed to continuously implement these goals. Third, an open research and development system enables continuous innovation. Only when all three levels work together can a learning system be created that not only controls efficiently but also accelerates innovation.

The first level begins with strategic clarity. Municipalities must translate their overarching goals—such as emission reduction, traffic safety, or modal split change—into concrete key performance indicators. These KPIs are more than mere metrics: they form the interface between political priorities and technical optimization. Only through this operationalization can an AI system be specifically aligned with municipal goals. It is important to take a holistic approach that includes all modes of transport and does not just optimize individual subsystems. This is because isolated improvements – such as faster traffic light cycles only for motorized private transport – can actually worsen the overall system.

The second level describes the technical foundation. This is where reinforcement learning comes into play—an AI method in which a learning agent develops optimal behavior strategies through trial and error. The agent observes the traffic situation in real time, makes control decisions, and receives feedback on how well these decisions meet the set KPIs. In the long term, it learns to choose the best possible measure for each traffic situation. Particularly important: learning initially takes place in simulations, not in real traffic. Digital twins – realistic representations of the traffic system – make it possible to test new control strategies risk-free before they go live.

But AI-based traffic control is more than just technical optimization. It is a strategic tool for sustainable urban development. That is why the white paper goes beyond pure traffic control and also addresses mobility control in a broader sense: the strategic design of a municipality’s entire mobility system. This includes not only traffic light timing, but also infrastructure planning, the integration of different modes of transport, and even the avoidance of traffic through integrated urban and mobility planning.

The third level creates the conditions for continuous innovation. An open research and development system that is decoupled from the operational control system enables external actors – research institutions, start-ups, companies – to develop, test, and validate new services based on municipal mobility data. This creates an innovation ecosystem in which municipalities are no longer just customers of individual providers, but active designers of an open system. The municipality retains data sovereignty and decides independently which new developments to adopt.

Transferability is crucial to success. Not every municipality needs to reinvent the wheel. Common standards, best practices, and coordinated procurement enable even small and medium-sized cities to benefit from AI-supported solutions. Model projects such as AIAMO in Leipzig and Landau or Connected Urban Twins in Hamburg, Leipzig, and Munich are already demonstrating how this can be achieved: through modular, scalable architectures that have been deliberately designed for reuse by other municipalities.

The challenges are well known: path dependencies of existing infrastructures, chronic underfunding, skills shortages, technological uncertainty. But the potential is considerable. AI-supported traffic control can reduce waiting times, lower emissions, increase the attractiveness of public transport, and improve traffic safety. It enables adaptive responses to changing traffic situations – for example, during major events or in crisis situations. And it creates a data-based foundation for better planning decisions.

This is not about technology for its own sake. On the contrary, AI is a tool for implementing municipal goals in a measurable and verifiable way. Sovereignty over goals and priorities remains with the municipalities – and thus with democratically legitimized decision-makers. Conflicting goals – such as between traffic flow and emission reduction – cannot be resolved technically, but require political considerations. However, a data-based, transparent basis for decision-making makes these considerations considerably easier.

The latest amendments to the Road Traffic Act and the Road Traffic Regulations support this approach by giving local authorities more scope for decision-making. European guidelines such as the TEN-T Directive and Sustainable Urban Mobility Plans (SUMPs) are also increasingly focusing on data-based control and measurable indicators. The framework conditions for an AI-supported mobility transition are therefore improving noticeably.

Nevertheless, practical implementation remains challenging. The availability of structured, high-quality data is a prerequisite for any AI application. This requires investment in sensor technology, data management, and federated platforms. Small and medium-sized municipalities in particular face the challenge of building up the necessary capacities and training and educating their employees. Innovation partnerships, joint procurement, and exchanges within municipal networks can help alleviate this burden.

The white paper identifies three key areas for action: First, municipalities must define a clear vision and translate their goals into measurable KPIs. Second, a technical foundation is needed – based on integrated data management, reinforcement learning, and digital twins. Third, municipalities should integrate open research and development systems to secure their digital sovereignty and remain capable of continuous innovation.

The vision is ambitious but realistic: within the next ten years, medium-sized and large cities could systematically digitize their traffic control systems and expand them using AI methods. Intersection controls, variable traffic signs, public transport timings, and multimodal routing services would then be optimized in an adaptive and data-based manner. At the same time, a networked treasure trove of data would be created, opening up comprehensive opportunities for integrated mobility and urban planning – for example, through customer-centric public transport control or the integrated planning of urban districts and mobility services.

AI-based traffic control is therefore more than just an efficiency project. It is a key to the sustainable transformation of urban spaces – if it is guided by clear municipal goals, built on solid technical foundations, and embedded in open innovation ecosystems.