10. Modell zur Übertragbarkeit der Ergebnisse aus der Feldstudie auf größere Regionen

Seit 2016 werden erste Erprobungen mit automatisierten Bussen im öffentlichen Personennahverkehr (ÖPNV) durchgeführt. Besonders hervorzuheben ist dabei eine Studie in Sitten, Schweiz, wo eine Strecke von 1,5 km durch die Altstadt und Fußgängerzone führt. Angesichts der Vielzahl an positiven Rückmeldungen soll das Projekt auf zwei weitere Schweizer Städte ausgeweitet werden (Postauto Schweiz 2017). Seit 2018 werden vermehrt andernorts automatisierte Shuttlebusse getestet. Dazu gehören auch Strecken in Metropolregionen wie Helsinki oder Paris (Mogg 2017). Der automatisierte Bus in Bad Birnbach war der erste seiner Art in Deutschland. Gerade die lange Dauer des Testbetriebs machen die erhobenen Daten einzigartig. Aufgrund der Erfahrungen, welche in den vorhergehenden Kapiteln detailliert beschrieben wurden, werden hier nun die Übertragbarkeit der Erkenntnisse aus der Studie in Bad Birnbach auf andere Regionen Bayerns und die Kriterien zur automatisierten Auswahl solcher Strecken analysiert. Mit ihren Herausforderungen, wie Straßenunterführungen oder wechselnde Umgebungen, ermöglicht es die Route in Bad Birnbach, die gesammelten Informationen anzuwenden, um ähnliche Strecken zu identifizieren und gleichzeitig solche mit neuen Arten von Hindernissen zu finden. Somit können Erfahrungen aus Bad Birnbach übertragen und gleichzeitig die Weiterentwicklung der Verfahren forciert werden. Das Ziel der Streckenfindung liegt darin, eine für den Bus befahrbare Route zu finden, aber gleichzeitig ggf. den Schwierigkeitsgrad zu steigern. Nur so kann die noch relativ neue Technologie weiterentwickelt und an die Straßenverhältnisse angepasst werden.

Trotz der wachsenden Zahl an Teststrecken, auf denen automatisierte Busse getestet werden, stecken die rechtlichen und technischen Rahmenbedingungen noch in ihren Kinderschuhen. Das Wiener Übereinkommen im Straßenverkehr von 1968 ist noch heute Basis der allgemeinen Verkehrsgesetze und durch die damals herrschenden Umstände noch nicht an neue Technologien angepasst. Daher ist die eigentliche Straßenzulassung automatisierter Fahrzeuge beschränkt und Versuche im öffentlichen Nahverkehr somit stark eingeschränkt. Viele technische Möglichkeiten des Busses können deswegen nicht erprobt werden.

Dieser Beitrag ist besonders auf die Fragestellung fokussiert, wie technische, rechtliche und auch organisatorische Bedingungen den Einsatz automatisierter Shuttlebusse räumlich einschränken können. Dazu entsteht die Frage, wie Ergebnisse aus einer Modellregion wie Bad Birnbach übertragen werden können und wo ein Einsatz automatisierter Shuttlebusse in Bayern noch denkbar wäre. Denkt man über die Routenplanung und Einsetzbarkeit von Shuttlebussen sowie ihre organisatorischen Einschränkungen nach, ergibt sich die Frage, wie man solche Fahrzeuge alternativ einsetzen könnte und wie sich dieser Einsatz unter sich verändernden Rahmenbedingungen weiterentwickeln lässt.

Ziel des Vorhabens ist damit, die Ergebnisse der vorangegangenen Kapitel aufzugreifen und die Übertragbarkeit des Konzepts eines automatisierten Shuttlebusses sowie dessen Einsatz in neuen Regionen zu analysieren.

Der Beitrag gliedert sich wie folgt: Das nächste Kapitel fasst die derzeitige Lage der Pilotprojekte mit automatisierten Shuttles, deren Einschränkungen und Potenziale, sowie die allgemeine Literatur um automatisierte Fahrzeuge zusammen. Im darauffolgenden Kapitel werden der Modellansatz und das verwendete Material vorgestellt, um anschließend die Ergebnisse anhand von Karten zu präsentieren. Abschließend werden die Ergebnisse und Möglichkeiten der Übertragbarkeit diskutiert sowie ein Ausblick auf eine Fortschreibung des Ansatzes gegeben.

In Sitten in der Schweiz fährt seit 2016 ein automatisiertes Shuttle im öffentlichen Personennahverkehr. Dieser nutzt allerdings keine öffentlichen Straßen, sondern bedient die Fußgängerzonen und Altstadtgebiete. Die Strecke hat eine Gesamtlänge von 1,5 km, welche nach dem ersten Jahr in den städtischen Personennahverkehr vollwertig miteinbezogen werden sollte (Postauto Schweiz 2017). In Deutschland ist der Shuttlebus in Bad Birnbach der erste seiner Art mit einer gültigen Straßenzulassung. Ein vergleichbares Projekt ist beispielsweise TaBuLa in Hamburg, ein Testzentrum für automatisierte Busse im Kreis Herzogtum Lauenburg (TaBuLa 2018). Hier sollen erstmals automatisierte Busse (ebenfalls mit Operator, wie in Bad Birnbach) in der zweiten Jahreshälfte 2019 mit Fahrgästen fahren. In Wien, Österreich wurde das Kooperationsprojekt „auto.Bus-Seestadt“ initiiert. (L o. J.). Der automatisierte Kleinbus wird seit 6. Juni 2019 auf öffentlichen Straßen im Personennahverkehr eingesetzt (Wiener Linien 2019). Im Land Kärnten, ebenfalls in Österreich, wurde im Juni 2018, erstmals ein automatisierter Bus für eine kurze Pilotphase auf den öffentlichen Straßen genutzt und auch in Helsinki und Paris (Mogg 2017) sind seit 2017 automatisierte Busse zu Versuchszwecken im Einsatz.

Projekte, die keine Straßenzulassung erhalten, weichen oft auf private Gelände wie beispielsweise den Campus Charité Mitte in Berlin (Neumann 2017) aus. Durch die beschränkten Zulassungsmöglichkeiten für automatisierte Fahrzeuge zum Schutz der regulären Verkehrsteilnehmer sind private größere Gelände gute Ausweichstrecken, um weiter an der Technologie arbeiten zu können.

Die steigende Zahl an Feldstudien zu automatisierten Shuttlebussen zeigt, dass derzeit die Literatur und Datensammlung zu diesem Thema noch sehr limitiert ist. Andererseits ist es ein Zeichen dafür, dass diese noch sehr neue Technologie bald marktreif wird und es nicht mehr lange dauern wird, bis der automatisierte Shuttlebus gleichberechtigt zu anderen Technologien im öffentlichen Personennahverkehr agieren kann. Was allerdings noch an die neuen Veränderungen angepasst werden muss, sind betroffene Normen und rechtliche Randbedingungen für automatisierte Fahrzeuge.

Mitte des Jahres 2018 hat die deutsche Bundesregierung einen Bericht zum rechtlichen Rahmen des automatisierten Fahrens auf deutschen Verkehrsstraßen veröffentlicht (wiss. Dienste Deutscher Bundestag 2018). In diesem wird die Rechtslage auf die fünf Stufen des autonomen Fahrens angewendet. Im Fall eines automatisierten Shuttles ist das Ziel, dass das Fahrzeug komplett ohne Fahrzeugführer auskommen kann, somit Stufe 5, die Vollautomatisierung (siehe Kap. 5), erreicht wird. Die derzeitige rechtliche Lage sieht allerdings vor, dass in jedem Fall ein Fahrzeugführer im Shuttle anwesend ist, der jederzeit eingreifen können muss, sollte das Fahrzeug Situationen falsch einschätzen. Zusätzlich sind autonome Lenkanlagen noch vollständig verboten, wenn das Fahrzeug eine Geschwindigkeit von über 12 km/h erreicht. Dies ist allerdings notwendig, wenn man einen automatisierten Shuttlebus ohne Fahrzeugführer einführen möchte. Das Wiener Übereinkommen zwischen den Mitgliedsstaaten der Vereinten Nationen (VN) aus dem Jahr 1968, das noch heute Grundlage aller Verkehrsgesetze in Deutschland ist, wurde Mitte des Jahres 2016 modifiziert. Nachdem das Straßenverkehrsgesetz in Deutschland 2017 nun auch für automatisiertes Fahren angepasst wurde, ist der Grundstein für die rechtliche Zulassung automatisierter Shuttlebusse gelegt. Es wurde festgelegt, dass in Fahrzeugen Automatisierungstechniken verwendet werden dürfen, solange diese vom Fahrzeugführer jederzeit übersteuert werden können.

Das Thema Routenplanung selbst kann von unterschiedlichsten Seiten beleuchtet werden. Eine der Grundlagen im vorliegenden Fall ist das Vehicle-Routing-Problem (VRP), um die effiziente Nutzung eines oder mehrerer Fahrzeuge zur Abholung von Gütern oder Personen an mehreren Stationen zu berechnen. Die Literatur und die Anzahl an Unterarten des VRPs ist immens, dreht sich allerdings vorwiegend um den Transport von Gütern und weniger um Personentransporte (Koç et al. 2016; Braekers et al. 2016).

Die Organisation des öffentlichen Personennahverkehrs unterliegt verschiedenen Organisationen auf unterschiedlichen räumlichen Gliederungsebenen. Daher hat jedes Verkehrsnetz ein eigenes System als Grundlage, es wird auf die örtlichen Gegebenheiten geachtet und das Liniennetz größtenteils manuell erstellt. Strukturierungen des ÖPNV durch Modelle, welche regionsübergreifend anwendbar sind, sind dementsprechend rar (Meignan et al. 2007). In jeder Stadt oder Region gibt es verschiedene Herausforderungen, die individuelle Lösungen benötigen. Überregionale Modelle sind aufgrund der auftretenden Komplexität, selten zu finden.

Möchte man das Routing für den ÖPNV mit automatisierten Fahrzeugen modellieren, kommt hinzu, dass ohne den Fahrzeugführer geplant werden muss. Die Grundvoraussetzung für vollständig automatisiertes Fahren (also ohne jegliche Interaktion des Fahrzeugführers) ist nämlich, dass die Fahrzeuge Routeninformationen erhalten und verarbeiten können, ohne dass dies durch manuelle Tätigkeiten am Fahrzeug einzustellen ist. Deswegen beschäftigt sich ein großer Bereich um automatisierte Fahrzeuge mit dem Thema Routenplanung.

Meistens geht es allerdings darum, den Individualverkehr zu optimieren, und zu modellieren, wie einzelne Strecken zwischen zwei Punkten angefahren werden können. Zu den Ansätzen der Optimierung des Individualverkehrs zählen beispielsweise auch der Austausch von Daten zwischen automatisierten Fahrzeugen und somit das Wegfallen von Ampeln und anderen Wartezeiten (Chu et al. 2017) oder die Reservierung von ganzen Fahrbahnen rein für automatisierte Fahrzeuge (Talebpour et al. 2017).

Spichkova et al. (2015) präsentieren ein Modell, mit welchem intelligente Routen im ÖPNV generiert werden können. Dieses Modell beschreibt, wie für das automatisierte Fahrzeug zwischen verschiedenen Haltestellen eine Route erstellt wird. Damit kann das Fahrzeug ohne menschliche Interaktion die zu befahrene Strecke je nach Anfragen der Mitfahrer planen. Hierbei wird im Modell vorgesehen, dass fixe Haltestellen existieren und auch nur diese angefahren werden können, allerdings nur nach Buchung durch einen potenziellen Fahrgast. Überflüssige Halte werden dadurch vermieden. Nachteilig an diesem Modell ist die sehr zukunftsorientierte technologische und rechtliche Ausrichtung. Heutige Randbedingungen, wie Restriktionen bei der Streckenwahl, finden bei Spichkova et al. (2015) keine Berücksichtigung.

Bleibt man in der zukünftigen Planung des öffentlichen Personennahverkehrs, gibt es unterschiedliche Strukturmodelle. Csiszár und Zarkeshev (2017) unterscheiden in der Planung von Bushaltestellen und Routen zwischen zwei Ansätzen. Der erste Ansatz erklärt, dass man die derzeitige Straßeninfrastruktur beibehalten sollte und Busse durch automatisierte Fahrzeuge leicht ersetzen kann. Dabei wird in den Vordergrund gestellt, dass nur konventionelle Fahrzeuge Unfälle mit automatisierten Bussen verursachen könnten. Deswegen wäre anzustreben, den kompletten Straßenverkehr durch automatisierte Fahrzeuge zu ersetzen und die Infrastruktur wie heute bestehen zu lassen.

Der zweite Ansatz nach Csiszár and Zarkeshev (2017) basiert auf der Methode des Automated Demand-Responsive Transportation Service (ADRTS), welcher individuelle Routen und Haltepunkte je nach Anfrage anfährt. Hierbei gibt es somit zwar teilweise fixe Haltestellen, allerdings sind diese nur bei Bedarf anzufahren. Notwendig für ein funktionierendes Transportsystem dieser Art ist die Kommunikation zwischen automatisiertem Bus und den anderen der Flotte angehörigen Fahrzeugen, sowie dem Fahrgast.

Geht es an die Überlegungen der optimalen Nutzung automatisierter Fahrzeuge im öffentlichen Verkehr, wird vermehrt auf die Entwicklung automatisierter Car-Sharing-Modelle gesetzt, also der Reduktion des Besitzes von privaten Pkws und der Expansion des Car-Sharings durch automatisierte Fahrzeuge (Cyganski 2015; Lenz and Fraedrich 2015; Heilig et al. 2017). Heilig et al. (2017) haben hierfür ein Modell unter eher radikalen Annahmen entwickelt. Sie gehen von einer Welt ganz ohne private Fahrzeuge aus, um dann die Nachfrage von und Abdeckung durch autonomous mobility on demand (AMOB), also autonome Fahrzeuge auf Nachfrage, zu errechnen. Ihre Resultate zeigen, dass der AMOB-Service zwar den Großteil der Nachfrage abdecken kann, die Nutzung von Fahrrad- oder Fußwegen und öffentlichem Nahverkehr steigt aber gleichzeitig. Diese Theorie basiert auf sehr weitreichenden Annahmen, wie der Inexistenz privater Autos und einer entsprechend entwickelten Gesetzeslage und technologischem Fortschritt. Dia and Javanshour (2017) gehen in ihrer Modellierung ebenfalls von einem AMOB-Service aus, allerdings sind sie etwas näher an der derzeitigen Realität, da sie drei verschiedene Szenarien vergleichen; eines ohne autonome Fahrzeuge, und zwei mit zusätzlichen privaten und öffentlichen autonomen Shuttles sowie unterschiedlichen Wartezeiten. In ihren Ergebnissen verdeutlichen sie, dass die zwei Szenarien mit autonomen Fahrzeugen weniger Verkehr produzieren und weniger Parkplätze benötigen. Im Vergleich dazu gehen Lenz and Fraedrich (2015) davon aus, dass durch autonomes Fahren, die Möglichkeiten des Car-Sharings zum einen vielfältiger werden und zum anderen die Angebote des heutigen ÖPNV vervollständigen. Es könnte beispielsweise das Fahrzeug entweder als Vehicle-On-Demand genutzt werden oder um den öffentlichen Verkehr zu flexibilisieren. Hierbei sind die einzelnen Theorien sehr ähnlich zueinander und unterscheiden sich meistens nur in Details.

Bisher veröffentlichte Studien weisen eine relativ große Lücke zwischen dem heutigen Einsatz von herkömmlichen öffentlichen Fahrzeugen des Personennahverkehrs und dem zukünftigen Einsatz von autonomen Shuttles auf. Wenig erforscht wurde, wie unter den heutigen Umständen autonome Fahrzeuge im ÖPNV genutzt werden können. Bis dato wird in der Regel von einem voll autonomen Fahrzeug ausgegangen, sowie einem gesetzlich wenig regulierten Markt- und Verkehrssystem. In der Realität sind autonome Fahrzeuge allerdings sowohl technisch als auch rechtlich in ihren Einsatzmöglichkeiten noch sehr beschränkt. Es stellt sich damit die Frage, wo bereits heute ein Einsatz möglich ist und die aktuellen rechtlichen und technischen Restriktionen nicht relevant sind bzw. heutige Standards eingehalten werden können.

Die verhältnismäßig lange Dauer der Studie in Bad Birnbach ermöglichte es, neben technischen Faktoren des Einsatzes eines automatisierten Busses auch die reale Erfahrung von Fahrgästen zu untersuchen (siehe Kap. 6 und 9). Dies bietet besondere Möglichkeiten, aus den Ergebnissen der Studie die relevanten Faktoren und Parameter für eine Übertragbarkeit auf andere Regionen zu identifizieren und weiterzuverarbeiten. Dadurch kann der Einsatz des automatisierten Busses auf heutige Möglichkeiten und Bedürfnisse angepasst werden. Die Übertragbarkeit der Ergebnisse bezieht sich zum einen auf die (zugelassenen) Fähigkeiten und die technischen Eigenschaften des Shuttles und zum anderen darauf, wie man den Shuttlebus in Zukunft noch besser an die derzeit herrschenden technischen Randbedingungen und artikulierten Bedarfe anpassen kann. Das Übertragen der Ergebnisse aus der Feldstudie hat also zum Ziel, mögliche weitere Routen für automatisierte Fahrzeuge zu identifizieren.

Ganz nach der requirements-error-taxonomy-Theorie von Anu et al. (2016) soll eine neue Route für das automatisierte Shuttle zwar befahrbar sein, aber gleichzeitig auch gezielt neue Herausforderungen beinhalten, an denen die Technik überprüft und ggf. verbessert werden kann.

Die hier angestrebte Analyse ist auf den Vergleichsraum Bayern beschränkt. Bayern besteht aus unterschiedlich strukturierten Städten und weitflächigen ländlichen Räumen, wodurch sehr verschiedene Straßenverhältnisse, Siedlungsgrößen und Siedlungsstrukturen sowie Topographien existieren. Dadurch kann das Routing-Verfahren zur Identifikation unterschiedlicher Strecken unter Berücksichtigung örtlicher Gegebenheiten entwickelt und getestet werden. Gleichzeitig wird durch die Begrenzung auf Bayern eine zwar große, aber noch zu verarbeitende Menge an Daten genutzt.

Die Eingangsparameter sowie Grundlagen des Modells wurden zuerst auf Basis von drei Experteninterviews sowie Berichten der anderen Teilprojekte (Kap. 3–9) gestützt. In einem zweiten Schritt werden diese Randbedingungen auf räumliche Parameter übertragen. Einige der beeinflussenden Faktoren sind dennoch nur teilweise anwendbar und auf Grundlage räumlicher Analysen bearbeitbar, da Informationen, wie beispielsweise die Verkehrsdichte von Radfahrern auf der Straße, nicht flächendeckend dokumentiert sind.

Die in der Studie identifizierten relevanten Parameter sind:

Beeinflussende Umgebungsfaktoren: Weitere Faktoren, die die Straßenauswahl für die Streckenberechnungen minimieren, sind die Menge an Fußgängern und Fahrradfahrern auf den es für die Positionsbestimmung des Shuttles von großer Wichtigkeit, genügend Referenzpunkte zu haben. Wie in Kap. 5 beschrieben, mussten in Bad Birnbach an einem Teil der Strecke, welcher durch eine Wiese führte, eine Beschilderung mit Extra-Referenzpunkten angebracht werden, damit der Bus seine Ortsbestimmung durchführen konnte. Es wird vermutet, dass spiegelnde Flächen (wie beispielsweise von der Sonne beschienene Schaufenster) die Ortsbestimmung für das Fahrzeug erschweren oder die Sensoren beeinträchtigt. Außerdem sind Nebel, Wasserdampf (Therme), Regen, Flimmern der Luft, etc. Faktoren, die die Sensoren hindern, die Umgebung klar zu identifizieren, was erneut zum Stillstand des Shuttles führen kann.

Die verwendeten Geobasisdaten sind ATKIS-Daten (Amtliche Topographisch-Kartographische Informationssystem-Daten) der Bayerischen Landesvermessungsverwaltung und OpenStreetMap (OSM) Daten. OSM Daten gehören der Gruppe der Volunteered Geographic Information (VGI) an und sind kostenfreie Datensätze, welche von Nutzern der Plattform auf freiwilliger Basis erhoben und editiert werden (OpenStreetMap o. J.). Da kein groß angelegter Verifizierungsprozess hinter der Datenbeschaffung liegt, sind OSM Daten teilweise unvollständig, doppelt erfasst oder falsch klassifiziert (Valdes et al. 2019). Da diese Daten jedoch für die Start- und Endpunkte der Strecke sowie auf dem Weg liegende Points of Interest (POIs) genutzt werden, ist die Dopplung der Daten eher zu vernachlässigen. Die Klassifizierungsfehler bzw. das Fehlen gewisser POIs sind bekannte OSM-Probleme, welche bei geeigneter Berücksichtigung im Modell und durch die Breite der erfassten Information kompensiert werden.

Die verwendeten ATKIS-Daten hingegen sind aus dem amtlichen Digitalen Basis-Landschaftsmodell entnommen und von der Bayerischen Vermessungsverwaltung zur Verfügung gestellt (Landesamt für Digitalisierung, Breitband und Vermessung o. J.). In diesem Datensatz sollten keine Fehler oder fehlenden Straßenabschnitte vorkommen.

Das Modell selbst wird im Geoinformationssystem ArcGIS Pro abgebildet, und auch die Berechnungen werden dort durchgeführt. Es basiert auf den beschriebenen geographisch referenzierten Daten, mit denen Netzwerke modelliert und Routen geplant werden können. Hierfür müssen die genutzten Datensätze gefiltert, auf den zu betrachtenden Bereich reduziert und dann miteinander verbunden werden.

In ganz Bayern wurden insgesamt 124 Strecken ermittelt, welche auf Grundlage der hier genutzten Daten für den automatisierten Bus eine mögliche Route darstellen könnten. Abb. 10.1 spiegelt die verwendete Datengrundlage wider. Bei der Datenselektion sind 1270 Bahnhöfe als mögliche Startpunkte ausgewählt, 1129 Zielorte der Kategorien Schloss, Krankenhaus, Botschaft und Zoo selektiert und 695.682 Straßenabschnitte für das Netzwerk verwendet worden. Zusätzlich wurden 7641 Barrieren in Form von Bauwerken im Verkehrsbereich in die Modellierung mit aufgenommen. Insgesamt wurden initial 2109 Strecken durch das Modell identifiziert. Durch die Reduktion der passenden Strecken auf die Routenlänge von 4,5–5,5 km ergibt dies eine finale Anzahl von 124 Routen.

Wie in Abb. 10.1 erkennbar, ist um die einzelnen Bahnhöfe der 3 km Radius gelegt, in welchem sich die gewählte Route befinden soll. Durch die Größe des insgesamt betrachteten Gebiets sind die genauen Radien und ihre unterschiedlichen Strukturen schwer erkennbar. Vergleicht man die Metropolregionen wie München oder Nürnberg mit den eher ländlichen Regionen zwischen diesen Städten, erkennt man die Herausforderung der Überschneidung von Radien unterschiedlicher Startorte. Je besiedelter das betrachtete Gebiet ist, desto mehr Bahnhöfe gibt es.

Dies ist leicht am Beispiel von Abb. 10.2 zu erkennen. Die 5 km lange Route vom Bahnhof Gersthofen bis zum Krankenhaus Josefinum im Norden von Augsburg wird dort dargestellt.

Bei einer Gesamtlänge von 5 km verläuft die Strecke sehr gerade und fast ohne Abbiegen oder Kurven vom Bahnhof zum Krankenhaus. Der vorgegebene Aktionsradius des Busses von 3 km wird deutlich überschritten, da direkt an der Strecke ein weiterer Bahnhof gelegen ist. Damit ist das verfügbare Streckennetz im Modell eigentlich das Netz von zwei sich überschneidenden Radien als Einzugsgebiete zweier Bahnhöfe.

Durch eine nachfolgende Auswahl der Routen auf Strecken mit einer Gesamtlänge von unter 5,5 km konnten solche Situationen, die ggf. zu fehlerhaften, weil zu langen Routen führen, erkannt und berücksichtigt werden.

Vergleicht man Abb. 10.2 mit der Beispielroute in Abb. 10.3, erkennt man viele Unterschiede. Auch hier überlagerten sich die Radien Bischofswiesen und Bahnhof Berchtesgaden. Allerdings ist die Route hier kurviger. Außerdem werden vom Bahnhof Bischofswiesen gleich zwei Strecken mit verschiedenen Endhaltestellen vorgeschlagen. Aus diesen zwei Routen könnte man dementsprechend eine im Kreis führende Fahrstrecke erstellen, indem man beide Ziele miteinander verbindet. Allerdings führt ein Teil der Route über eine Gemeindeverbindungsstraße, welche mit einer Geschwindigkeit von bis zu 100 km/h befahren werden darf. Der automatisierte Bus mit seiner eher geringen Fahrgeschwindigkeit ist somit dort eher schwierig einzusetzen. Dass ein Teil der Route über eine theoretisch schlecht befahrbare Straße führt, liegt daran, dass, wie oben beschrieben, viele Straßenabschnitte nicht vollständig attribuiert sind. Das hat zur Folge, dass gewisse Straßen nicht automatisiert eliminiert werden konnten.

Wie in den Ergebnissen erklärt, überschneiden sich einige der 3-km-Radien besonders in urbanen Gebieten, was zu Routen führen kann, die über mehr als einen Einzugskreis hinweg führen. Besonders in den Metropolregionen ist dieses Problem markant, viele Bahnhöfe liegen näher als 3 km zusammen, sodass sich die Radien stark überschneiden. Hier stellt sich die Herausforderung einer Routenoptimierung, die zum Beispiel mehrere mögliche Startpunkte als Teil einer Route einbezieht.

Im Kontrast dazu, sind in den ländlichen Gebieten in Bahnhofsnähe keine der ausgewählten Points of Interest, welche als Endhalt fungieren könnten, zu finden. Dies führt dazu, dass besonders in den wenig besiedelten, weitläufigen Gegenden, keine Route ermittelt werden konnte. Wenn sich ein passender Endhalt in dem 3-km-Radius befindet, sind die berechneten Routen im Schnitt kürzer als 4,5 km und entfallen somit im letzten Schritt des Modells, in welchem nur die Routen ausgewählt werden, die die passende Streckenlänge aufweisen. Somit fallen die besonders ländlich geprägten Regionen durch ihre Weitläufigkeit für die Befahrung durch automatisierte Shuttles weg. Dies ist allerdings auch dem Fehlen von POIs in den verfügbaren Datensätzen geschuldet, die damit nicht als mögliche Zielpunkte berücksichtigt werden konnten.

Ein anderes Problem kann die zu geringe Größe eines Dorfes darstellen, sodass sich in einem Einzugsradius mehr als ein Dorf befindet und sich somit eine Teilstrecke auf Gemeindeverbindungsstraßen befindet. Durch die derzeit nur geringe zugelassene Fahrgeschwindigkeit müssen solche Routen manuell entfernt werden, da sie zu Unfällen und Unmut in der ortsansässigen Bevölkerung führen könnten. Des Weiteren ist zu erkennen, dass Routen oftmals über den Radius der 3 km hinweg führen. Die Modellierung der Routen ist an die Fähigkeiten des Programms ArcGIS Pro gebunden, welches sich darauf spezifiziert, die kürzeste Route zum nächsten Zielort zu finden. Das hat als Auswirkung, dass Routen innerhalb des 3-km-Radius, im Schnitt kürzer als die vorgegebene Streckenlänge von 4,5–5,5 km sind. Somit wurden diese Strecken im letzten Schritt der Modellierung automatisch eliminiert.

Derzeitige wissenschaftliche Studien bieten einen großen Spielraum an Ideen und Vorstellungen, wie automatisierte Fahrzeuge den öffentlichen Personennahverkehr verändern und verbessern könnten. Allerdings sind diese Szenarien auf zukünftige technische und rechtliche Möglichkeiten ausgerichtet und heute noch nicht implementierbar. Weder die rechtlichen noch die technischen Bedingungen der heutigen Gesellschaft lassen Modelle wie AMOB zu. Resultierend muss die Lücke zwischen Zukunftsszenarien und dem Jetzt modelliert werden, um großflächige Einsatzpotenziale zu identifizieren und die Gesellschaft an die Nutzung automatisierter Fahrzeuge zu gewöhnen.

In diesem Kapitel wurde die Übertragbarkeit der Ergebnisse aus der Studie in Bad Birnbach überprüft. Resultate zeigen, dass im Untersuchungsgebiet Bayern viele Strecken durch die räumliche Modellierung der Parameter automatisiert in GIS identifiziert werden konnten. Diese Strecken stellen potenzielle neue Routen für automatisierte Shuttles unter den derzeitigen rechtlichen und technischen Randbedingungen dar. Aufgrund der vorhandenen Datenbasis konnten allerdings nicht alle zuvor identifizierten Parameter in die Modellierung mit aufgenommen werden, da bestimmte Attribute fehlen oder unvollständig sind. Die Qualität der Basisdaten stellt damit eine wichtige Grundlage für die weitere Expansion des Systems automatisierter Busse dar, solange rechtlich und technisch ein flächendeckender Einsatz eingeschränkt ist. Die Modellierung von möglichen Routen für die Anwendung automatisierter Shuttles im ÖPNV steht noch am Anfang der Forschung. Die Grundlage zur Parameterbestimmung, welche durch die langfristige Studie in Bad Birnbach gesammelt werden konnte, bietet ein großes Potenzial für weitere Modellierungsansätze. Parallel gilt es nun, neben der Erprobung der Fahrzeugkonzepte auf weiteren Strecken, neue Verfahren zu testen, um die Informationen über Straßenraum vollständiger und umfänglicher zu erfassen und damit auch die Grundlage für eine bessere Übertragbarkeit zu schaffen.