Künstliche Intelligenz im Bauwesen

Im Lebenszyklus von Immobilien existieren verschiedene Anwendungsfälle für Künstliche Intelligenz (KI). Während einige dieser Anwendungsfälle vor allem theoretisch diskutiert werden, können andere bereits bei Immobilien eingesetzt werden. Das vorliegende Kapitel betrachtet mögliche Anwendungsfälle von Künstlicher Intelligenz und stellt einen Überblick über den aktuellen Stand der Umsetzung in der Praxis dar. Hierbei orientiert sich das Kapitel an den Lebenszyklusphasen der Planung, Ausführung und Nutzung und zeigt verschiedene Anwendungsfälle von KI in den jeweiligen Lebenszyklusphasen auf.

Methoden der künstlichen Intelligenz (KI) bieten vielfältige Ansätze Daten zu analysieren und die hierin vorliegenden Informationen auswertbar zu gestalten. Für die Vernetzung von Daten, die Bereitstellung und Auswertung von Informationen ergeben sich hierdurch weitreichende Möglichkeiten im Bauwesen die Informationsqualität zu erhöhen und Prozesse zu automatisieren. Vor diesem Hintergrund hat die Schüßler-Plan Gruppe (Schüßler-Plan ist ein inhabergeführtes, unabhängiges Ingenieurunternehmen in dritter Generation mit über 1.000 Mitarbeiter*innen und 20 Standorten in Deutschland. Die Gruppe begleitet Projekte von der ersten Phase bis zur Übergabe oder Inbetriebnahme in den Bereichen Ingenieurbau, Hochbau, Verkehrsinfrastruktur, Bau- und Projektmanagement – auch in der Gesamtverantwortung als Generalplaner.) Ihren Datenbestand analysiert und bewertet, um exemplarische Anwendungsfälle auf Basis von KI Verfahren entwickelt. Als wesentliche Eigenart ist hierbei die hohe Heterogenität der Daten in deren Struktur und Beschaffenheit aufgrund der unterschiedlichen Systeme und Autoren zu betrachten, welche eine datenzentrierte Entwicklung von KI Verfahren für ein zukünftiges Informationsmanagement erfordert.

Digitale Zwillinge sind ein Schlüsselkonzept zur Anwendung von künstlicher Intelligenz im Bauwesen, da sie die Basis für eine systematische und strukturierte Vernetzung von relevanten Daten in Bauprojekten darstellen, was wiederum die Anwendung von künstlicher Intelligenz erleichtern kann. Jedoch ist gegenwärtig nicht ganz klar was (i) einen digitalen Zwilling im Bauwesen ausmacht, (ii) wie man zu einem digitalen Zwilling in datentechnisch-heterogenen Projekt- und Stakeholder-Konstellationen kommt und (iii) welche Vorteile dieser für baupraktische Anwendungen bringen kann. Dieses Kapitel adressiert die angeführten Fragestellungen, indem das aktuelle Verständnis des digitalen Zwillings mit Blick auf den gegenwärtigen Stand der Technik eingeordnet, ein Bezug zum Konzept des Building Information Modellings hergestellt, sowie darauf basierend der Versuch einer Begriffsdefinition unternommen wird. Neben den definitorischen Grundlagen werden technologische und informationstechnische Voraussetzungen beschrieben wie ein digitaler Zwilling praktisch implementiert und betrieben werden kann. Ferner wird die mögliche Rolle eines derartigen digitalen Zwillings für die Anwendung von Methoden der künstlichen Intelligenz im Bauwesen erörtert sowie der zukünftige Forschungs- und Entwicklungsbedarf in dieser Hinsicht aufgezeigt.

Vor der Coronavirus Pandemie verzeichnete der Architectural Engineering and Construction (AEC) Sektor ein Investitionsvolumen von fast 12.000 Mrd. US$ und trug etwa 15 % zum globalen Bruttoinlandsprodukt (BIP) bei (Mazhar und Arain 2015). Trotz Spekulationen über einen möglichen wirtschaftlichen Abschwung – aufgrund der geopolitischen Krisen und Engpässe bei der Rohstoffversorgung in den Jahren nach der Pandemie – wird der Sektor bis 2027 nur in Deutschland voraussichtlich ein Umsatzvolumen von 606,49 Mrd. € mit einer Compound Annual Growth Rate (CAGR) von 5,92 % erreichen.

In der Entwurfsphase eines Bauprojektes müssen grundlegende Entscheidungen für das zukünftige Gebäude getroffen werden. Eine zentrale Rolle hierbei nimmt das sogenannte Raumbuch ein. Es beschreibt – meist in tabellarischer Form – die Anzahl und die Anforderungen, sowie die nutzungsabhängigen Attribute der einzelnen Räume oder Raumtypen. Zur Unterstützung der Planer bei der Erstellung solcher Raumbücher kommen unterschiedliche Methoden zum Einsatz. Diese reichen von regelbasierten Ansätzen, der Verwendung von Graphen für eine visuelle Darstellung der Raumbeziehungen bis hin zu Ansätzen aus dem Bereich des maschinellen Lernens. In diesem Kapitel werden zwei Ansätze vorgestellt, die zeigen, wie aus den Daten eines Raumbuchs automatisiert Grundrissvorschläge generiert werden. Das Ergebnis beider Ansätze sind 2D-Grundrisse der einzelnen Räume pro Stockwerk. Für die Nutzung dieser Informationen in weiteren Planungsschritten wird aus diesen Daten automatisiert ein openBIM Gebäudemodelle erstellt.

Dieses Kapitel gibt eine Einführung in den Bereich des maschinellen Lernens zum Zwecke der Unterstützung von Gebäudesimulationen und der Optimierung von Gebäudeentwürfen aus Sicht eines Anwenders von Gebäudesimulationssoftware. Der folgende Abschnitt motiviert die Entscheidung zur Entwurfsoptimierung in frühen Planungsphasen und diskutiert die Hindernisse für umfangreiche Entwurfsexplorationen bei der Verwendung von physikalischen Gebäudesimulationen. Anschließend wird ein Überblick über die Anwendung von Machine Learning Methoden zur Unterstützung von physikalischen Simulationen in zwei Anwendungsbereichen gegeben. Im weiteren Verlauf des Kapitels wird die Vorgehensweise bei der Implementierung und Nutzung solcher Machine Learning Methoden näher erläutert. Der letzte Abschnitt bietet eine Zusammenfassung des Kapitels und einen Ausblick über potenzielle zukünftige Anwendungen.

In den vergangenen Jahren haben Unternehmen der Baubranche damit begonnen künstliche Intelligenz (KI) einzusetzen, um zeitaufwändige und repetitive Prozesse zu beschleunigen. Ein Anwendungsfall, der von der Einführung von KI profitieren kann, ist die Ermittlung von Mengen in Grundrissen. Diese Informationen werden für verschiedene Planungs- und Konstruktionsschritte benötigt, ihre Erhebung erfordert allerdings einen erheblichen manuellen Aufwand. Aktuell kann die Mengenermittlung nur mithilfe von digitalen Grundrissen automatisiert werden. Für Bestandsbauten liegen allerdings keine digitalen Grundrisse vor und für Neubauten können die digitalen Formate aufgrund fehlender Standardisierung häufig nicht verarbeitet werden. In diesem Beitrag schlagen wir ein KI-basiertes System zur Erkennung und Klassifizierung von Symbolen in Grundrissen vor, wobei ein Domänenexperte KI Entscheidungen korrigieren kann (sog. Human-in-the-Loop-System). Das entwickelte KI-Modell berechnet ein Unsicherheitsmaß für die Klassifizierung von jedem erkannten Symbol. Symbole mit hohem Unsicherheitswert werden dann an Domänenexperten geleitet und von diesen klassifiziert. Wir evaluieren den vorgeschlagenen Ansatz mithilfe eines realen Datensatzes, der von einem Industriepartner zur Verfügung gestellt wurde. In einer Reihe von Experimenten stellen wir fest, dass das selektive Hinzuziehen von menschlichem Expertenwissen die Leistung des Systems um bis zu 12,9 % steigern kann, was zu einer Systemgenauigkeit von durchschnittlich 92,1 % führt (Dieser Beitrag basiert auf der Veröffentlichung von Jakubik et al. (2022b)).

Dieses Kapitel gibt einen Überblick über verschiedene Aspekte der Grundrissverarbeitung mit maschinellem Lernen, skizziert den aktuellen Stand der Forschung und veranschaulicht einige im Projekt BIMKIT entwickelte Methoden anhand von Beispielgrundrissen. Der Hauptbeitrag besteht darin, die Potenziale bereits bestehender Verfahren aufzuzeigen, insbesondere der Verfahren, die im Rahmen von BIMKIT entwickelt wurden, und darin, Aspekte des Forschungsbereichs aufzuzeigen, die bisher kaum behandelt werden.

In diesem Beitrag wird die Anwendung maschineller Lernmodelle in der Terminplanung von Bauprojekten innerhalb von zwei Szenarien untersucht. In Szenario eins sind die Dauern einzelner Projektphasen unbekannt und zu bestimmen. Im zweiten Szenario liegen Erfahrungswerte bzw. bekannte Dauern einzelner Prozesse in einer Stammdatenbank vor, diese müssen jedoch Prozessbeschreibungen eines neuen Projektes zugeordnet werden. Es stellt sich die Frage, wie gut die Vorhersage maschineller Lernmodelle in beiden Szenarien ist und welche Modelle sich hierfür eignen. Für das erste Szenario der unbekannten Dauern wird die Prognosegenauigkeit linearer Regressionsmodelle, Künstlicher Neuronaler Netze und der von Entscheidungsbäumen miteinander verglichen. Für das zweite Szenario wird ein Modell der natürlichen Sprachverarbeitung (NLP) gewählt. Beide Fälle zeigen anhand von Leistungsindikatoren der Prognosegenauigkeit die Möglichkeiten in der Anwendung maschinellen Lernmodelle zur Terminplanung auf. Mit diesen Modellen können Planer in Unternehmen zukünftig in der Praxis unterstützt werden.

Nach einer frühen Phase der ersten Annäherung an das Querschnittsthema Digitalisierung, gelingt es nun immer mehr Kommunen, den Anwendungsbezug technologischer Innovationen weiter zu konkretisieren und insbesondere den Nutzen für Menschen, Umwelt und die Erreichung der Nachhaltigkeitsziele stärker zu fokussieren. Die enorme Innovationsgeschwindigkeit digitaler Lösungen läuft aber selten synchron mit der Formulierung kommunal-strategischer Entwicklungsziele. Folglich stellt sich die Frage, wie eine zielgerichtete Verknüpfung zwischen den enormen Anwendungspotenzialen intelligenter Technologien einerseits und den lokal spezifischen Herausforderungen vor Ort andererseits gelingen kann. Im Verlauf des EFRE-geförderten Forschungsprojekts LivingLab Essigfabrik wurden zu dieser Fragestellung mehrere Zugänge erarbeitet und prototypisch getestet. Im Folgenden werden die Werkzeuge vorgestellt und inhaltlich eingeordnet.

Im Bausektor bietet Building Information Modeling (BIM) in Kombination mit künstlicher Intelligenz als Querschnittstechnologie verschiedenste Anwendungsszenarien im gesamten Lebenszyklus eines Bauwerks. Besonders in der Ausführungs- und Betriebsphase eines Gebäudes lassen sich mit KI-gestützten Verfahren viele Prozesse verbessern und automatisieren, die aufgrund des manuellen Aufwands von Fachpersonal oft fehleranfällig und kostspielig sind. Dazu gehören unter anderem wiederkehrende Inspektions- und Montageaufgaben. Unter Verwendung von Bildern als auswertbare Eingabequellen und Computer-Vision-Methoden werden in diesem Beitrag mehrere Studien vorgestellt, die sich speziell auf Brandschutz- und Konstruktionsaufgaben mittels Deep-Learning-basierter Bild- und Echtzeiterkennungsmethoden konzentrieren.

In diesem Kapitel wird die Automatisierung der Bauphasenüberwachung vorgestellt. Als Eingabemodalität dienen Bilder, welche Informationen über den Baufortschritt oder Logistikmöglichkeiten enthalten. Die Überwachung besteht im Wesentlichen aus zwei Teilen. Zuerst wird die Kameraposition inner- oder außerhalb des Gebäudes lokalisiert, im zweiten Schritt werden aus den Bildern Objekte und Oberflächen von Interesse extrahiert.

Die Lokalisierung erfolgt durch die Erkennung von Gebäudemerkmalen, wie Kanten, Türen und Fenstern, welche auf das BIM-Modell referenziert werden. Die Lokalisierung wird durch eine Echtzeitlokalisierung gestützt. Durch die Verwendung von einem Barometer können z. B. Doppeldeutigkeiten bzgl. des Stockwerks aufgelöst werden.

Im zweiten Teil der Fortschrittsüberwachung wird das Bild ausgewertet. Folgende Fragestellungen stehen dabei im Fokus: Erkennung von Defekten, Verfügbarkeit von Lagerraum und Füllstand von Container.

Der beschriebene Prozess wurde im Rahmen des BMBF-Projekts ESKIMO entwickelt und auf Baustellendaten der Anwendungspartner evaluiert. Neben der wissenschaftlichen Methodik sollen auch die Erfahrungen, welche in realen Szenarien gesammelt worden sind, vorgestellt werden.

Mängel erhöhen die Kosten und die Dauer von Bauprojekten, da sie einen erheblichen Untersuchungs- und Dokumentationsaufwand erfordern. Die Automatisierung der Fehlererkennung könnte diesen Aufwand erheblich reduzieren. Diese Arbeit konzentriert sich daher auf die Erkennung von Kiesnestern, einem wesentlichen Fehler in Betonstrukturen, der die strukturelle Integrität beeinträchtigen kann. Wir haben Bilder von Kiesnestern aus dem Internet mit Bildern verglichen, die bei echten Bauwerksinspektionen aufgenommen wurden. Dabei haben wir festgestellt, dass Web-Bilder nicht die gesamte Varianz erfassen, die in realen Szenarien vorkommt, und dass es in diesem Bereich immer noch einen Mangel an Daten gibt. Unser Datensatz ist daher für weitere Forschungsarbeit frei verfügbar. Ein Mask R-CNN und EfficientNet-B0 wurden für die Erkennung von Kiesnestern trainiert. Das Mask R-CNN-Modell ermöglicht die Erkennung von Kiesnestern auf der Grundlage der Segmentierung von Instanzen, während das EfficientNet-B0-Modell eine Patch-basierte Klassifizierung ermöglicht. Unsere Experimente zeigen, dass beide Ansätze geeignet sind, die Kiesnestererkennung zu lösen und zu automatisieren.

Großbaustellen, wie etwa das aufsehenerregende Bauprojekt am Flughafen Berlin-Brandenburg BER, sorgen regelmäßig international für Schlagzeilen. Fehlplanungen, Bieterstürze und deutliche Missstände in der Projektorganisation werden medial aufgearbeitet und es offenbaren sich massive Probleme in unterschiedlichsten Bereichen.

Im Rahmen dieses Artikels wird der Einsatz der OCR-Technologie in Kombination mit NLP-Algorithmen in der Bauindustrie anhand eines konkreten Praxisbeispiels untersucht. Dazu werden zuerst wesentliche Charakteristika der Bauindustrie erschlossen und daraus anschließend die Motivation für den Technologieeinsatz dargelegt. Daran anknüpfend findet eine Einführung in die beiden Technologien statt, gefolgt von konkreten Anwendungsbeispielen in der Bauindustrie. Dabei werden beide Technologien zuerst unabhängig voneinander betrachtet, bevor im Hauptteil des Artikels am Beispiel der Betonlieferkette eine Kombination stattfindet. Der Artikel liefert damit erstmalig ein konkretes Anwendungsszenario mit Maßnahmen zur technischen Realisierung und einer Feststellung von Herausforderungen und Schwierigkeiten. Dabei zeigt der Beitrag, dass sich Arbeitsprozesse insbesondere durch eine Verbindung der Technologien OCR und NLP maßgeblich erleichtern lassen. Er liefert damit einen wertvollen Beitrag für die nachhaltige Digitalisierung von Lieferketten in der Bauindustrie.

Die Transportbeton-Lieferkette ist, genauso wie auch die gesamte Wertschöpfungskette der Bauindustrie, geprägt von vielen Beteiligten. Beteiligte, die im Prozess unmissverständlich mit einander kommunizieren müssen, um die Bauaufgaben bestmöglich ausführen zu können und deren Zusammensetzung von Projekt zu Projekt unterschiedlich ist. In der Praxis ist diese Kommunikation jedoch oft gehemmt. Unterschiedliche Worte und unterschiedliches Verständnis von Begriffen und Zusammenhängen erschweren die Kommunikation. Das gilt nicht nur in der Kommunikation zwischen Menschen, sondern auch, wenn Maschinen und Computer Arbeiten unterstützen sollen. Probleme in der Kommunikation resultieren aus unterschiedlichen Worten und Schreibweisen, Verständnis, Datenstrukturen und Austauschformaten. Vermeintlich technisch einfache Vorgänge wie beispielsweise der Austausch von Lieferscheinen werden dadurch in der Praxis zu einer Herausforderung.

Zur Definition von einheitlichen Begriffen und Verständnis gibt es seit Langem technische Normen und Standards sowie Regelwerke und Wörterbücher, jedoch sind diese nur für den Menschen lesbar und nicht für eine Maschine. Mittels sogenannter Ontologien ist es möglich, Wissen in maschinenlesbarer und -interpretierbarer Form abzubilden. Graphen basierte Ansätze im sogenannten Semantic Web versprechen die häufig geforderte Interoperabilität zwischen unterschiedlichen Systemen und Anwendern. Es gibt bereits verschiedenste Ansätze für Ontologien, jedoch gibt es noch keine Ontologie, welche die Domäne der Lieferkette des Transportbetons betrifft.

Die vorliegende Forschungsarbeit liefert einen Ansatz, um die bestehende Lücke zu schließen und durch eine dafür entwickelte Ontologie die maschinenlesbare Kommunikation im Bereich der Transportbeton-Lieferkette zu ermöglichen. Es werden der Zweck und die wichtigsten Bestandteile der Ontologie vorgestellt und anhand eines Beispiels ihr Nutzen sowie ihre Funktionalität evaluiert.

Für eine erfolgreiche Umsetzung von Bauprojekten ist eine kontinuierliche Kontrolle der Ausführung notwendig. Falls Abweichungen von der ursprünglichen Planung festgestellt werden, können entsprechende Maßnahmen ergriffen werden, um negative Auswirkungen auf den Bauablauf und die Gebäudequalität zu verhindern. Heutzutage können Projektstatusdaten bezüglich des gebauten Produkts und der durchgeführten Prozesse automatisiert und kontinuierlich gesammelt werden, um sie über eine Internet of Things-Plattform zugänglich zu machen. Es ist entscheidend, aus den gesammelten Rohdaten zeitnah aussagekräftige Informationen zu extrahieren, um einen Nutzen aus den Daten zu ziehen. Aufgrund der großen Datenmengen wird Künstliche Intelligenz, insbesondere Maschinelles Lernen, zur vereinfachten und automatisierten Auswertung eingesetzt. Die gewonnenen Informationen ermöglichen die Implementierung des Konzepts des Digitalen Zwillings, der für die Kontrolle des Projektstatus und das datenbasierte Management anstehender Arbeiten genutzt werden kann. Dieser iterative Prozess bietet allen Projektbeteiligten eine einheitliche Wissensbasis und dauert an, bis die Ausführungen abgeschlossen sind. In diesem Beitrag wird das Konzept des Digitalen Zwillings während der Bauphase vorgestellt und anhand eines Anwendungsbeispiels für das Management ablaufender Bauprozesse näher erläutert. Eine kontinuierliche Datensammlung und -verarbeitung während des Bauprozesses ermöglicht ein datenbasiertes und effektives Management.

In diesem Kapitel werden verschiedene Ansätze für die Bestandserfassung mithilfe von ComputerVision (CV) Methoden dargestellt. Verschiedene Subdomänen von CV, wie beispielsweise semantische oder Instanz-Segmentierung, unterstützen bei der automatischen Anreicherung von semantischen Informationen basierend auf verschiedenen Eingangsdaten. Im ersten Anwendungsfall werden 2D-Zeichnung als Datenquelle verwendet, um geometrische As-Designed-Modelle zu rekonstruieren. Als zweite wichtige Datenquelle werden im zweiten Anwendungsfall räumlich-visuelle Bestandsaufnahmen (Punktwolken und Bilder) betrachtet und deren semantische Extraktionsmethoden vorgestellt.

Für eine moderne Volkswirtschaft sind Mobilität und damit eine funktionierende Infrastruktur unabdingbar. Dabei nehmen Brücken, als zentrale Bindeglieder des Verkehrs, eine Schlüsselstellung ein. Für die Gewährleistung der Verkehrssicherheit und des planmäßigen Betriebs der Brücken müssen in regelmäßigen Abständen Brückenprüfungen durchgeführt werden. Die personellen Ressourcen sind dabei begrenzt. Die Brückenprüfung erfolgt zudem unter einem hohen Zeitaufwand. Zum einen liegen Bauwerkinformationen zerstreut in verschiedenen Quellen und zum anderen finden die Prüfungen überwiegend manuell statt: Schäden werden auf Papier dokumentiert, mit Kameras aufgezeichnet und manuell in Datenbanken eingegeben.

In vielen Branchen ist eine zunehmende Serviceorientierung zu beobachten. Die entsprechenden Dienstleistungen sind vielfältig und reichen von z. B. Car- oder Bike-sharing-Diensten, die Mobilität als Dienstleistung anbieten, über die IT-Branche, die sich von lizensierten Softwareprodukten hin zur Software als Dienstleistung verlagert, bis hin zu vorausschauenden Wartungsdiensten für vernetzte Waschmaschinen. Ein weiterer Bereich, der in der Literatur über Dienstleistungen behandelt wird, sind Gebäude und ihr Wandel von einem Vermögenswert hin zu einem Anbieter von Dienstleistungen (Pasini et al. 2016).

Die Möglichkeiten zum Einsatz von Künstlicher Intelligenz (KI) im Bauwesen sind vielfältig und erstrecken sich zum Beispiel von der Optimierung des Projektmanagements über die Entwicklung der vorteilhaftesten Planungsvariante mittels Generative Design bis hin zur Unterstützung und Steuerung des Facilitymanagements (Giannakidis et al. 2021). Eine weitere Einsatzmöglichkeit liegt in der lebenszyklusübergreifenden Bauwerksdokumentation.

In anderen industriellen Sektoren ist der Mehrwert von Robotern in den operativen Prozessen schon seit mehreren Jahrzehnten bekannt (McKinsey Global Institute 2017). Zudem werden Robotiksysteme umfänglich und erfolgreich entlang der Wertschöpfungskette eingesetzt (Carra et al. 2018). In der Bauindustrie gibt es zwar schon verschiedene Entwicklungsansätze (Bock 2015; Chu et al. 2008; Saidi et al. 2016) und Verwendungszwecke (Elattar 2008), dennoch schreitet die Integration lediglich sehr langsam voran (Bock 2015). Dies resultiert aus der mehrdimensionalen Komplexität von Bauprojekten sowie vorhandenen Herausforderungen auf verschiedensten Ebenen. Zeitgleich sind die Mehrwerte bekannt (Carra et al. 2018; Martinez et al. 2008) und die wesentlichen Treiber für eine Integration und Nutzung identifiziert (Jäkel et al. 2022). Diese existierenden Herausforderungen und Treiber für eine Integration und Verwendung von Robotiksystemen entlang der Wertschöpfungskette der Bauwirtschaft werden in diesem Kapitel dargestellt. Zudem wird zuvor die Thematik der Robotik durch eine Begriffsdefinition und einer Klassifikation erklärt. Zusätzlich werden die grundlegenden Spezifika von Baurobotern aufgeführt. Dieses grundständige Wissen über Robotik und Baurobotik sowie die vorhandenen Herausforderungen und Treiber für deren Einsätze schaffen ein grundlegendes Verständnis über die wichtigen Themenbereiche der Bauindustrie der Zukunft. Dadurch wird die generelle Akzeptanz für diese neuartigen Technologien gestärkt und mittelfristig die Hemmschwelle für Personen sowie die vorhandenen Eintrittsbarrieren für Unternehmen minimiert.

Robotersysteme gelten als eine Schlüsseltechnologie der Zukunft und bieten vielfältige Möglichkeiten zur Steigerung der Automatisierung und Digitalisierungs in vorhandenen Prozessstrukturen. Auch in der Bauindustrie rückte die Robotik in den letzten Jahren immer mehr in den Fokus von Wissenschaft und Wirtschaft. Zwar sind die Mehrwerte auch für die Bauindustrie bekannt, jedoch mangelt es noch an Wissen über schon vorhandene und noch mögliche Anwendungsfelder von Robotersystemen in Bauprojekten sowie der richtigen Implementierungsweise in das Unternehmensumfeld. Dieser Artikel schließt die vorhandene Wissenslücke und gibt einen umfassenden Überblick über vorhandene Anwendungsfelder der Robotik im Bauwesen und präsentiert zwei Implementierungsmodelle aus strategischer und operativer Unternehmensebene. Dadurch dient der Artikel als Grundlagenlektüre zur Schaffung eines grundlegenden Verständnisses der Mannigfaltigkeit von Robotiksystemen in der Bauindustrie.

Die Bauindustrie steht vor einer bedeutenden Transformation. Die Integration von Robotik und Künstlicher Intelligenz (KI) verspricht eine erhebliche Steigerung des Automatisierungsgrades und damit eine Revolutionierung der Branche. Doch um diese Vision zu verwirklichen, sind noch erhebliche Fortschritte in der Digitalisierung und in der Entwicklung von spezialisierten Robotik-Technologien für den Einsatz auf Baustellen erforderlich. In diesem Kapitel werden wir innovative Konzepte und Technologien beleuchten, die den Weg für den breiten Einsatz von Robotik in der Bauindustrie ebnen könnten. Dabei liegt der Fokus auf der entscheidenden Schnittstelle zwischen digitalen Gebäudemodellen und der automatisierten Umsetzung von Bauarbeiten durch Robotersysteme. Diese Schnittstelle kann nur mithilfe von KI effizient realisiert werden, insbesondere um die baustellenbezogene Planungsaufgaben zu automatisieren. Wir zeigen zudem die Potenziale von Künstlicher Intelligenz für Bauroboter auf und hier im Besonderen in der modellgestützten Navigation auf.

Noch vor weniger als zwanzig Jahren konnte sich kaum einer den permanenten Einsatz von Smartphones im privaten und beruflichen Umfeld vorstellen. Smartphones der neuesten Generation ermöglichen eine immer schnellere Datenübertragung, sie bieten immer höhere Kameraauflösungen und einige bieten sogar integrierte Sensoren, um akkurate 3D Modelle von Objekten und Gebäuden zu erstellen. Analog zu damals, stehen wir heute erneut vor einer neuen digitalen Revolution. Diese Revolution wird angetrieben durch Fortschritte in der Robotik und durch Künstliche Intelligenz (KI), mit deren Kombination sich viele manuelle Abläufe automatisieren lassen. Eine der aussichtsreichsten Technologien hierbei sind Drohnen, mit denen sich Baustellen schnell, sicher und effizient digitalisieren lassen. Sie stellen damit in Kombination mit KI eine Schlüsseltechnologie für die Bau- und Immobilienwirtschaft in den kommenden Jahren dar.