Das Fahrzeug fährt autonom – aber wer disponiert es?
Autonome Shuttles im ÖPNV sind keine Zukunftsmusik mehr. Die Deutsche Bahn testet fahrerlose Busse in Hamburg und Bayern, die Wiener Linien planen Pilotprojekte, und der VDV rechnet ab 2027 mit dem Markteintritt von SAE-Level-4-Fahrzeugen im regulären Linienbetrieb. Die Technologie im Fahrzeug ist beeindruckend weit – doch die Backend-Systeme hinken hinterher.
Das zentrale Problem: Bestehende Dispositions- und Leitstellensysteme sind für Fahrzeuge mit Fahrer konzipiert. Ein autonomes Shuttle benötigt jedoch grundlegend andere Steuerungslogik. Es gibt keinen Fahrer, der auf Funksprüche reagiert, spontan eine Umleitung fährt oder bei Störungen eigenständig entscheidet. Jede operative Entscheidung muss über definierte Schnittstellen an das Fahrzeug übermittelt werden – in Echtzeit, deterministisch und ausfallsicher.
Für Verkehrsunternehmen bedeutet das: Die Einführung autonomer Fahrzeuge ist kein reines Fahrzeugprojekt, sondern ein Integrationsprojekt. Wer den Dispositionskern nicht von Anfang an mitdenkt, riskiert teure Insellösungen, die sich nicht in den Regelbetrieb überführen lassen.
# Autonomes Fahrzeug → Dispositionskern → ITCS
class AutonomousVehicleDispatch:
def __init__(self, vehicle_api, itcs):
self.vehicle = vehicle_api # OEM-spezifisch
self.itcs = itcs # VDV 453/454
self.optimizer = MILPSolver()# Dispositionskern
def dispatch(self, mission):
route = self.optimizer.solve(
origin=mission.start,
destination=mission.end,
constraints=self.get_odd(),
fleet=self.mixed_fleet_state()
)
self.vehicle.send_mission(route)# V2X/REST
self.itcs.update_status(route) # VDV 453
Der Dispositionskern als Brücke zwischen Fahrzeug und Leitstelle
Hex Solutions entwickelt die Middleware, die autonome Fahrzeuge mit Ihrer bestehenden Betriebssteuerung verbindet. Unser Dispositionskern übersetzt zwischen der Sprache der Fahrzeug-APIs und den Anforderungen Ihres ITCS – bidirektional, in Echtzeit und herstellerunabhängig.
Fahrzeug-Abstraktion
Einheitliche API-Schicht über verschiedene OEM-Schnittstellen. Ob EasyMile, Navya, HOLON oder Scania – Ihr Disponent sieht ein Fahrzeug, nicht ein Protokoll. Herstellerwechsel ohne Systemumbau.
Echtzeit-Disposition
MILP-basierte Optimierung berechnet in Sekundenbruchteilen die optimale Fahrzeugzuordnung. Bei Störungen, Fahrgastanfragen oder ODD-Verletzungen wird sofort umdisponiert – ohne menschliches Eingreifen in der Regelschleife.
Remote Operator Support
Wenn das autonome Fahrzeug eine Situation nicht selbst lösen kann, eskaliert es an den Remote Operator. Unser System priorisiert Eskalationen, schlägt Manöver vor und dokumentiert jede Freigabe lückenlos.
Nahtlose Anbindung an Ihre Systemlandschaft
Die Integration autonomer Fahrzeuge scheitert in der Praxis selten am Fahrzeug selbst, sondern an der Anbindung an die bestehende IT-Infrastruktur. Unser Dispositionskern spricht die Sprache beider Welten.
ITCS-Anbindung (VDV 453/454): Die VDV-Schnittstellen bilden das Rückgrat der Echtzeitkommunikation im ÖPNV. Unser Dispositionskern implementiert beide Standards vollständig und übersetzt die Fahrzeugtelemetrie autonomer Shuttles in das Format, das Ihre Leitstelle erwartet – ob INIT, IVU.suite oder Trapeze.
Fahrzeug-APIs (OEM): Jeder Hersteller bietet eigene Schnittstellen. EasyMile nutzt REST, HOLON setzt auf gRPC, Scania ein eigenes Telematikprotokoll. Unser Abstraktionslayer normalisiert diese Vielfalt auf eine einheitliche interne Schnittstelle.
V2X und Infrastruktur: Ampelphasen über GLOSA, Baustellenwarnungen über DENM, Positionsdaten über CAM. Unser System integriert V2X-Daten in die Dispositionsentscheidung und passt Abfahrtszeiten oder Fahrzeugzuweisungen dynamisch an.
VDV 453/454 → ITCS-Echtzeitdaten
VDV 452 → Fahrplandaten (HAFAS)
REST / gRPC → OEM Fahrzeug-APIs
MQTT → Telemetrie & Sensorik
GTFS-RT → Fahrgastinformation
ETSI ITS-G5 → V2X-Kommunikation
SIRI → Service Interface (EU)
minimize: Σ (cost_conv[i]·x[i] + cost_auto[j]·y[j])
subject to:
∀ trip: Σ x[i] + Σ y[j] ≥ 1 // Abdeckung
∀ auto_j: route[j] ∈ ODD[j] // Geofence
∀ auto_j: speed[j] ≤ v_max // Geschwindigkeit
∀ conv_i: ArbZG(driver[i]) // Arbeitszeit
Σ remote_ops ≤ capacity // Operator-Limit
bounds:
x[i], y[j] ∈ {0, 1} // Binärvariablen
Konventionelle und autonome Fahrzeuge in einem Modell
Die Realität der nächsten Jahre wird keine rein autonome Flotte sein, sondern eine gemischte. Zehn autonome Shuttles neben 200 konventionellen Bussen. Unser Optimierungsmodell bildet beide Fahrzeugtypen in einer gemeinsamen Zielfunktion ab.
Ein autonomes Shuttle hat eine definierte Operational Design Domain – es fährt nur auf freigegebenen Strecken, bei bestimmten Wetterbedingungen und bis zu einer maximalen Geschwindigkeit. Ein konventioneller Bus ist flexibler, aber teurer. Der Algorithmus weist Fahrten dem jeweils kostenoptimalen Fahrzeugtyp zu.
Bei Störungen disponiert der Algorithmus in Sekundenbruchteilen einen konventionellen Bus als Ersatz, wenn ein Shuttle ausfällt. Umgekehrt übernehmen autonome Shuttles Verstärkerfahrten, wenn konventionelle Fahrzeuge in der Werkstatt sind.
Autonome Shuttles als flexible Zubringer
Autonome Fahrzeuge entfalten ihren größten Mehrwert nicht als Ersatz für bestehende Linien, sondern als Ergänzung: flexible Zubringer zur nächsten Haltestelle, bedarfsgesteuerte Shuttles in Randzeiten, Mikro-ÖV in dünn besiedelten Gebieten. Unser Demand-Responsive-Transport-Modul optimiert diese Einsätze in Echtzeit.
Demand-Responsive Transport
Fahrgäste buchen per App, unser Algorithmus bündelt Fahrtwünsche in Echtzeit und berechnet die optimale Route für jedes Shuttle. Pooling-Raten von über 60 Prozent reduzieren die Kosten pro Fahrgast drastisch.
Zubringer-Optimierung
Autonome Shuttles schließen die Lücke zwischen Wohngebiet und Haltestelle. Unser Modell synchronisiert die Shuttle-Abfahrten mit dem Linienfahrplan und minimiert die Umsteigezeit für den Fahrgast.
Strategische Planung
Wie verändert sich der Fahrzeugbedarf, wenn 20 Prozent der Flotte autonom wird? Ab welchem Anteil amortisiert sich die Investition? Unser Modell simuliert Szenarien auf Basis Ihrer realen Betriebsdaten.
Technische Kennzahlen
Schnittstellen-Protokolle
Dispositions-Latenz
ODD-Compliance
Fleet Management
Operations Research trifft autonome Mobilität
Wir sind kein Fahrzeughersteller und kein klassisches IT-Beratungshaus. Unser Team besteht aus Operations-Research-Spezialisten, die seit über einem Jahrzehnt Dispositionssysteme für den ÖPNV entwickeln. Dieses Domänenwissen bringen wir in die Welt des autonomen Fahrens ein.
Das bedeutet: Wir verstehen, wie ein ITCS funktioniert, welche VDV-Schnittstellen relevant sind und wie ein Umlaufplan aufgebaut ist. Gleichzeitig beherrschen wir die mathematischen Methoden – MILP, Constraint Programming, Metaheuristiken – um die neuen Herausforderungen der Mixed-Fleet-Disposition zu lösen.
Herstellerunabhängig
Unser Abstraktionslayer unterstützt alle gängigen OEM-Schnittstellen. Fahrzeughersteller wechseln, ohne dass sich an Ihrer Disposition etwas ändert.
ITCS-nativ
Vollständige VDV 453/454 Implementierung. Ihre Leitstelle sieht autonome Fahrzeuge genauso wie konventionelle – keine Sonderprozesse nötig.
Mathematisch fundiert
MILP-basierte Optimierung mit zertifizierbarem Optimalitäts-Gap. Keine Heuristiken, keine Blackbox – nachvollziehbare Ergebnisse.