Drohnenbasiertes Smart-Parking mit KI
Unser Prototyp aus dem Wahlmodul Applied Robotics.
Am 21.05.2026 durfte ich gemeinsam mit Alexander Kaiser unser Projekt „Drohnenbasiertes Smart-Parking mit KI“ beim BIDT Demo Day „Zukunft gestalten mit KI und Digitalisierung“ in München in der Kategorie „Technology of the future“ vorstellen.
Entstanden ist der Prototyp im Wahlmodul Applied Robotics im Rahmen meines SmvP-Studiums Wirtschaftsinformatik (B.Sc.) an der Hochschule Hof, University of Applied Sciences Hof unter der Betreuung von Jonas Kemnitzer.
Unser Ansatz
Statt fest installierter Sensorik oder aufwendiger Umbauten nutzen wir Drohnenaufnahmen aus der Vogelperspektive und ein Deep-Learning-Modell auf Basis von YOLO11x-OBB, um freie und belegte Parkplätze automatisch zu erkennen – temporär, nicht invasiv und mit geringen Implementierungskosten.
Wie funktioniert das Ganze?
Infrastruktur & Aufbau
Unser Prototyp fundiert auf einer modularen Softwarearchitektur bestehend aus:
Video-Stream-fähiges Endgerät
Server für die Videoverarbeitung
KI-Modell für die Deeplearning-Analyse
Weboberfläche für grafische Darstellung der Ergebnisse
Funktionsweise
Der modulare Aufbau durchläuft folgende Stationen für das entstehen der Resultate:
Video-Live-Stream an Server
Videosequenz wird in einzelne Bilder aufgetrennt und auf die benötigte Auflösung skaliert / zu geschnitten
Die entstandenen Bilder werden an das vortrainierte KI-Modell weitergereicht, welches das Bild analysiert und ermittelte Werte strukturiert zurück gibt.
Extrahierte Daten werden regelmäßig von der Weboberfläche angefragt und dargestellt.
Der entscheidende Vorteil dieser Architektur besteht sowohl in der Austauschbarkeit des KI-Modells, als auch in der an die Hardware anpassbare Rechenleistung mittels Anzahl der analysierten Bilder und deren Auflösung.
Gegeben durch diese Konfigurierbarkeit wird ein Betrieb diese Projekte auf kosumer-üblichen Hardware ermöglicht. Es sind somit keine hochmodernen und kostenspieligen Grafikkarten für den Betrieb notwendig.
Training des KI-Modells
Statt ein Modell und dessen Architektur von Grund auf zu designen, verwenden wir Fine-Tuning. D.h. wir nutzen bereits angelernte KI-Modelle und trainieren lediglich deren Open-Weights auf unsere spezifischen Bedürfnisse.
Bei der Zusammenstellung unserer Trainingsdaten haben wir uns bewusst gegen die generische Objektklasse „Auto" entschieden. Stattdessen haben wir dem Modell direkt die Zustände der Parkplätze angelernt – also „Parkplatz frei" und „Parkplatz belegt". Der Grund: Ein Modell, das nur Fahrzeuge erkennt, müsste deren Position nachträglich mit den Parkfeldern abgleichen. Dabei würde z. B. ein falsch geparktes oder gerade durchfahrendes Auto leicht fälschlich als „Parkplatz belegt" gewertet werden. Indem das Modell den Parkplatzzustand direkt als Klasse lernt, umgehen wir dieses Problem und die Erkennung wird robuster.
Gleichermaßen umgehen wir somit die das Pinning, also explizite Markieren von Parkplätzen, welches die möglichen Verwendungsorte stark einschränken würde.
Funktionsweise des KI-Modells
Das als Fundament verwendete KI-Modell ist ein CNN (Convolutional Neural Network, „faltendes neuronales Netz"). Es durchsucht das Bild schichtweise nach Mustern: Die ersten Schichten erkennen einfache Kanten und Konturen, tiefere Schichten setzen diese zu Formen und schließlich zu erkennbaren Objekten wie Autos zusammen. Für jedes im Bild gefundene Objekt gibt das Modell eine Wahrscheinlichkeit pro möglicher Klasse aus (z. B. „Auto" oder „freier Parkplatz"). Diese Wahrscheinlichkeiten werden gefiltert und zusammen mit den Bildkoordinaten des jeweiligen Objekts an den Server übermittelt.
Erfahrungen & Learnings
Für uns als Informatiker war der Demo Day vor großem Publikum eine ungewohnte, aber sehr spannende Erfahrung.
Auch wenn wir keine Auszeichnung mitgenommen haben, war es beeindruckend zu sehen, wie vielfältig die Projekte der anderen Teams waren und wie stark neben der technischen Umsetzung vor allem Pitch und Storytelling im Fokus stehen.
Ein wichtiges Learning für mich: Zwischen „ein gutes System bauen“ und „ein gutes System überzeugend präsentieren“ liegt ein großer Unterschied – beides ist entscheidend, wenn Ideen sichtbar werden sollen.
Dennoch bleibt der subjektive Eindruck, dass technisch fundierte Projekte von "Ingenieurs-Gruppen", trotz der umfangreichen Prototypen, von der Jury und dem Publikum negativer bewertet worden. Dies steht im Kontrast zu interdisziplinären Gruppen, welche meist "lediglich" eine Idee ohne Realisierung dieser vorstellten. Entscheidend schien hierbei die stark emotionalisierte und marketing-fokissierte Präsentation.
Danksagung
Vielen Dank an Alex für die Zusammenarbeit, an Jonas Kemnitzer und Christian Groth für die Unterstützung sowie an die Hochschule Hof, University of Applied Sciences und das Bayerisches Forschungsinstitut für Digitale Transformation für die Möglichkeit, unser Projekt in diesem Rahmen präsentieren zu dürfen.
Unser Paper zur technischen Umsetzung und der Analyse unserer Resultate ist in der Bibliothek der Hochschule Hof einsehbar.