Mehr Sicherheit durch Abgleich mit der Realität

Digitale Zwillinge haben sich in den vergangenen Jahren zu einer Schlüsseltechnologie für die Resilienz kritischer Infrastrukturen entwickelt. Weil virtuelle Modelle mit Echtzeitdaten verknüpft werden, können Infrastrukturbetreiber den Zustand ihrer Anlagen kontinuierlich überwachen, Krisenszenarien simulieren und fundierte Entscheidungen treffen. Damit diese Technologie jedoch zuverlässig funktioniert, muss das digitale Abbild den tatsächlichen Zustand der realen Anlage jederzeit exakt widerspiegeln.

In der Praxis führen Wartungsarbeiten, Umwelteinflüsse und unerwartete Ereignisse jedoch kontinuierlich zu Veränderungen. Dadurch weichen das digitale Modell und Realität schnell voneinander ab. Um die Qualität Digitaler Zwillinge langfristig zu sichern, ist es daher entscheidend, solche Abweichungen frühzeitig zu erkennen. Dies gilt insbesondere in sicherheitskritischen Bereichen wie dem Schienenverkehr.

Um diese Herausforderung zu lösen, haben Tamara Lenhard und Tobias Koch vom DLR‑Institut für den Schutz terrestrischer Infrastrukturen auf der UAS Rail 2026 des Deutschen Zentrums für Schienenverkehrsforschung einen neuen innovativen Ansatz präsentiert. Das Verfahren ist in der Lage, solche Abweichungen automatisch zu erkennen. Der entwickelte Prototyp vergleicht reale Bilddaten mit synthetischen Ansichten des Digitalen Zwillings. Mögliche Unterschiede analysiert er mithilfe moderner Foundation Models – aktuelle KI-Modelle, die auf Basis großer Datenmengen trainiert wurden und komplexe Bildinhalte deshalb besser verstehen.

Dafür werden reale und synthetische Szenen zunächst in semantische Karten überführt. Diese stellen Objekte und Infrastrukturelemente wie Straßen, Schienen, Brücken, Gebäude oder Vegetation strukturiert dar. Anschließend analysieren Vision-Transformer-Modelle die erzeugten Darstellungen und vergleichen deren semantische Merkmale, um potenzielle Abweichungen zwischen Realität und dem Digitalen Zwilling zu identifizieren.

Um die erkannten Auffälligkeiten weiter zu bewerten, kommen Vision-Language-Modelle zum Einsatz, die Bildinformationen mit natürlicher Sprache kombinieren. Das Modell beschreibt die jeweiligen Bildbereiche textlich und prüft, ob die Inhalte von Realität und Digitalem Zwilling übereinstimmen. Durch diese zusätzliche Analyse können relevante Veränderungen robuster erkannt sowie Fehlklassifikationen und rein visuelle Artefakte gezielt reduziert werden. Erste Untersuchungen in einem kontrollierten Setup zeigen bereits vielversprechende Ergebnisse.

Ein besonderer Vorteil des vorgestellten Ansatzes liegt darin, dass er sehr flexibel und unabhängig von der jeweiligen Branche funktioniert.  Das Verfahren lässt sich mit vergleichsweise geringem Aufwand auf andere Anwendungsbereiche wie den Schienenverkehr übertragen. Dafür müssen lediglich die domänenspezifischen Objekte und Infrastrukturelemente, wie etwa Gleise, Weichen oder Signale, angepasst werden, während der übrige Prozess unverändert bleibt. Auch bei der eingesetzten Sensorplattform ist der Ansatz flexibel und funktioniert sowohl mit stationären Kameras als auch mit mobilen Plattformen wie Inspektionsfahrzeugen oder Drohnen.