Um unsere digitale Souveränität zu stärken und unsere Wissenschaft im Bereich AI und Bilderkennung zu bündeln, brauchen wir in Deutschland eine eigene Panoramax-Instanz. Dieser Blogpost beschreibt das Zielbild, ordnet die aktuelle Lage ein und skizziert, was passieren müsste, damit wir dort hinkommen.
Das Zielbild: aktuelle, präzise und einfach aktualisierbare Daten
In Zeiten tiefgreifender Transformationen im öffentlichen Raum brauchen wir detaillierte, präzise und einfach zu aktualisierende Daten.
Je länger wir mit den nötigen Transformationen warten — aus Sicht des Klimawandels, der Digitalisierung und der Energiepolitik — desto dringender wird der Bedarf an Werkzeugen und Prozessen, die uns ermöglichen, hochaktuelle und hochpräzise Daten zu erzeugen und zu nutzen.
Die beste Datenquelle, die wir in Deutschland dafür haben, ist OpenStreetMap.
OpenStreetMap ist eine weltweit verfügbare, einheitliche und standardisierte Datenbank für Geoinformationen. OpenStreetMap ist klar definiert und zugleich offen genug, um die Perspektiven vieler verschiedener Stakeholder zusammenzuführen. Dadurch wird kollaborative Datenpflege möglich, ohne dass sich alle Beteiligten ständig im Detail miteinander abstimmen müssen.
Viele Projekte — oft finanziert mit öffentlichen Geldern — scheitern genau an dieser Stelle: an der Komplexität der Abstimmungen oder an fehlender Technologie.
Aktuelle Geodaten brauchen aktuelle Informationen aus der Realität
Damit wir Geodaten im Straßenraum und öffentlichen Raum in diesem Detailgrad aktuell halten können, brauchen wir hochwertige und aktuelle Informationen über die Realität vor Ort.
Diese Informationen bekommen wir am besten aus 360°-Straßenfotos — also aus Aufnahmen, die Firmen, Kommunen, aber vor allem auch Ehrenamtliche von Straßen, Radwegen und anderen Teilen des öffentlichen Raums machen und der Community zur Verfügung stellen.
Genau hier müssen wir ansetzen, um unser Zielbild zu erreichen: Wir brauchen eine Software-Instanz in Deutschland, die es uns ermöglicht, diese bereits erprobten und etablierten Methoden der digitalen Datenpflege auf deutschen Servern, unter unserer Kontrolle und nach unseren Regeln zu betreiben — und mit eigenen Prozessierungen und AI-Datenanalysen zu erweitern.
Mehr als nur Fotos: eine neue Sphäre der Zusammenarbeit
Wenn wir so eine Infrastruktur schaffen, entsteht automatisch mehr als nur eine Foto-Plattform. Es eröffnet sich eine neue Sphäre der Kollaboration zwischen Menschen, die Fotos beitragen, Menschen, die OpenStreetMap aktualisieren, und Menschen, die mit AI auf Basis dieser Daten neue Ableitungen erzeugen.
Und genau hier liegt eine große Chance für Forschung in Deutschland.
An vielen Einrichtungen gibt es bereits öffentliche Forschung, die Fotos als Datengrundlage nimmt und daraus Signale oder strukturierte Daten ableitet. Diese Projekte existieren jedoch meist isoliert voneinander. Sie sind Einzelprojekte, die nicht in eine gemeinsame Datenpipeline integriert sind. Außerdem greifen sie oft auf proprietäre Daten zu, wie Mapillary. Und genau diese externen Plattformen erlauben es nicht, eine moderne, langfristig wertschöpfende Datenpipeline aufzubauen.
Stellen wir uns das alternative Vorgehen vor: Viele Akteure tragen Straßenlevel-Bilder bei — unabhängig voneinander. Viele Akteure nutzen diese Fotos in ihrer direkten Form, um OpenStreetMap zu aktualisieren, aber auch, um beispielsweise Verkehrsplanung zu betreiben — ebenfalls unabhängig voneinander. Und zusätzlich generieren Analysen aus Forschungseinrichtungen — wiederum unabhängig voneinander — neue Datensätze, die Informationen aus den Bildern ableiten. Diese Daten können dann ihrerseits für Planungen und zur Verbesserung von Datensätzen wie OpenStreetMap genutzt werden.
Was wir damit erreichen können
Wenn wir all das zusammenführen, können wir die Qualität von OpenStreetMap deutlich erhöhen:
- Lücken füllen – dort, wo Daten fehlen, können neue Informationen ergänzt werden.
- Daten anreichern – dort, wo Informationen schon vorhanden, aber nur rudimentär erfasst sind, können sie verbessert und detaillierter beschrieben werden.
- Daten aktualisieren – dort, wo Informationen nicht mehr aktuell sind, können sie geändert oder gelöscht werden.
Genau dafür brauchen wir eine belastbare, offene und aktuelle Bilddaten-Infrastruktur.
Die aktuelle Marktsituation
Schauen wir auf die heutige Situation, sehen wir eine starke Verteilung auf verschiedene Dienste. Einige davon sind kommerziell, und bei mehreren ist unklar, wie langfristig ihre Nutzbarkeit für die Community eigentlich gesichert ist.
Die Prozesskette beginnt bei den Fotos. In Deutschland gibt es bereits eine große Community, die Straßenraum-Fotos beiträgt. Diese Fotos werden aktuell typischerweise auf Plattformen wie Mapillary hochgeladen.
Mapillary: starkes Werkzeug, aber Teil der Abhängigkeit
Mapillary war früher ein Startup auf der Suche nach einem Geschäftsmodell und wurde vor einigen Jahren von Meta (Facebook) übernommen.
Bis heute ist Mapillary eine der einfachsten Plattformen für den hier beschriebenen Datenkreislauf: Es ist einfach, Fotos hochzuladen, sie für die Aktualisierung von OpenStreetMap zu nutzen, sie in der Webanwendung anzusehen und auch für Forschungsprojekte einzelne Fotos oder Fotogruppen herunterzuladen.
Mapillary ist eine hervorragende Plattform und zeigt jeden Tag, was in diesem Bereich technisch und organisatorisch möglich ist.
Gleichzeitig sehen wir aber auch die Grenzen. Die Interessen von Meta liegen nicht primär in der Aktualisierung offener Geodaten. Einige Funktionen, die für die Community besonders interessant wären — etwa Fortschritte bei der Erkennung von Verkehrszeichen oder bei anderen AI-gestützten Datenpipelines — entwickeln sich dort nicht sichtbar weiter. Und es ist auch nicht zu erwarten, dass sich das grundlegend ändert.
Hinzu kommt: Standort und Kontrolle der Daten liegen bei Meta.
Andere vergleichbare Plattformen lösen dieses Grundproblem ebenfalls nicht. Im Kern bleibt dort dieselbe Konstellation bestehen: eine starke Abhängigkeit von einzelnen Firmen, Closed-Source-Software und damit kaum Möglichkeiten für die Community, selbst Erweiterungen zu bauen oder grundlegende Weiterentwicklungen mitzugestalten.
Genau an dieser Stelle wird Panoramax interessant.
Panoramax: ein offener Gegenentwurf
Panoramax ist ein Open-Source-Projekt aus Frankreich, das seit 2022 aufgebaut wird und maßgeblich vom französischen Institut national de l’information géographique et forestière (IGN) gemeinsam mit OpenStreetMap France und weiteren öffentlichen Partnern getragen wird. Im Kern erlaubt es vieles von dem, was ich hier als Zielbild beschreibe.
Panoramax ist Mapillary in vieler Hinsicht sehr ähnlich: Beitragende können Fotos hochladen, diese werden anonymisiert, anschließend können sie auf einer Webplattform betrachtet und für die Arbeit mit Geodaten genutzt werden. Genau diese Ähnlichkeit ist eine Stärke, weil sie zeigt, dass sich die bekannten Arbeitsweisen rund um Straßenraumfotos auch in einem offenen System abbilden lassen. Gleichzeitig ist die Nutzererfahrung an einigen Stellen noch deutlich ausbaufähig.
Der zentrale Unterschied ist jedoch ein anderer: Bei Panoramax liegen die Daten auf den Servern derjenigen, die die jeweilige Instanz betreiben.
Panoramax ist als föderiertes System gedacht. Es soll viele Instanzen geben — zum Beispiel Länderinstanzen oder auch mehrere Instanzen innerhalb eines Landes, betrieben von unterschiedlichen Akteuren.
Mit jeder Instanz können Regeln festgelegt werden, etwa unter welcher Lizenz die Fotos veröffentlicht werden, wie Betrieb und Governance organisiert sind und welche Zusatzprozesse an die Plattform angeschlossen werden.
Die Instanzen sind miteinander verknüpft, sodass auf einen Gesamtkatalog der Fotos zugegriffen werden kann — ähnlich wie man es von zentralisierten Plattformen kennt.
Für die Endnutzerinnen und Endnutzer kann die Verteilung auf mehrere Instanzen deshalb weitgehend im Hintergrund bleiben, weil die Daten trotzdem zusammengeführt und gemeinsam nutzbar gemacht werden können.
Zusätzliches Potenzial: offene AI-Datenpipelines
Ein besonders großes Potenzial von Panoramax liegt neben Datenschutz und Kontrolle vor allem darin, dass sich AI-Datenpipelines direkt an die Plattform anschließen lassen.
Es gibt bereits erste Beispiele, etwa eine Pipeline zur Erkennung französischer Verkehrszeichen.
Das Ziel sollte aus meiner Sicht sein, dass wir eine deutsche Panoramax-Instanz haben, die wir für in Deutschland erzeugte Straßenraum-Fotos als zentrale Anlaufstelle nutzen können. Und diese Plattform sollte offen sein für Erweiterungen — insbesondere für AI-Datenpipelines aus relevanten Forschungsprojekten.
Die daraus abgeleiteten Daten sollten als Open Data veröffentlicht werden.
Wie ein solches System aussehen könnte
Stellen wir uns vor, wir hätten eine Plattform auf deutschen Servern unter einer deutschen Domain. Dort gäbe es drei Gruppen von Akteuren: Menschen und Organisationen, die Fotos hochladen; Teams, die AI-Prozesse bereitstellen; und Menschen und Institutionen, die mit den daraus entstehenden Daten arbeiten.
Diese Akteure könnten aus ganz unterschiedlichen Bereichen kommen: aus dem Ehrenamt, aus Unternehmen, aus Kommunen und Verwaltungen oder aus Forschungseinrichtungen und Forschungsprojekten.
Die Daten, die daraus entstehen, wären sowohl einzeln als auch in Kombination hoch relevant.
Die Fotos selbst sind wichtig als Grundlage für die Aktualisierung von OpenStreetMap, als Input für AI-Datenpipelines, aber auch als Arbeitsgrundlage für Verwaltungen, Planerinnen und Planer, etwa bei Verkehrsprojekten.
Zusätzlich entstehen aus den AI-Pipelines strukturierte Datensätze, die wiederum in andere Prozesse einfließen können.
In den ehrenamtlichen Projekten der Community OSM Verkehrswende wurde bereits gezeigt, dass man mit erheblichem Aufwand aus Mapillary einen Datensatz für radverkehrsrelevante Verkehrszeichen in Deutschland erzeugen kann. Im Idealfall wäre ein solcher Datensatz künftig ein direktes Ergebnis der Pipeline eines deutschen Panoramax-Systems.
Mit einem solchen Datensatz könnte man die Infrastruktur in OpenStreetMap abgleichen und daraus gezielt Arbeitslisten erzeugen: etwa Wegeabschnitte, in denen relevante Infrastruktur vermutlich noch gar nicht erfasst ist, Abschnitte, in denen die in der AI-Pipeline erkannte Infrastruktur nicht zu den OSM-Daten passt, oder Bereiche, in denen erfasste Infrastruktur inzwischen entfernt wurde oder sich verändert hat.
Hoch spannend: Quasi-Luftbilder aus Bodenfotos
Eine besonders spannende Erweiterung dieses Gesamtsystems wäre die Erzeugung von quasi-Orthofotos auf Basis von 360°- oder Straßenraum-Fotos. Das Ergebnis wäre ein hochauflösender Datensatz für kleine Gebiete — etwa einen Bahnhofsvorplatz, einen Bahnsteig unter einem Dach oder einen Abschnitt eines Radwegs.
Warum ist das so relevant? Wenn man hochdetaillierte Geodaten aktuell halten will, reichen viele bestehende Datenquellen nicht aus. Luftbilder sind oft nicht aktuell genug, ihre Auflösung ist häufig nicht ausreichend, und unter Dächer kann man mit ihnen ohnehin nicht schauen. Genau in diesen Situationen bieten Fotos von Kameras auf Augenhöhe des Menschen eine hervorragende Datengrundlage.
Das Problem ist nur: Einzelfotos sind nicht ideal, um größere Flächen schnell und präzise zu erfassen. Dafür ist eine Aufsicht, wie sie ein Luftbild bietet, deutlich besser geeignet. Die gute Nachricht ist, dass sich aus einer Fotostrecke im Straßenraum zumindest theoretisch ein solches quasi-Luftbild erzeugen lässt. Diese Prozesskette wurde als Proof of Concept bereits mehrfach demonstriert, zum Beispiel hier: Creating aerial imagery with a bike helmet camera and OpenDroneMap
Bislang wurde so etwas jedoch nirgends in eine stabile, offene Datenpipeline überführt.
Wenn wir uns die oben beschriebene Plattform vorstellen, dann wäre das eine hervorragende Erweiterung: Man könnte die Fotos eines Abschnitts automatisiert verarbeiten und daraus zügig ein hochauflösendes, georeferenziertes Bildprodukt erzeugen. Solche Bilddaten könnten dann beispielsweise über OpenAerialMap verfügbar gemacht werden.
Auf dieser Grundlage ließen sich komplexe Flächen wie Bahnhofsvorplätze oder schwierige Straßenräume sehr detailliert erfassen — auch dort, wo klassische Luftbilder nicht ausreichen. Man könnte Flächen präzise ausmessen, Objekte unter Dächern erfassen und sogar Breiten von Infrastruktur wie Radwegen sehr genau bestimmen, etwa im Bereich von 5 bis 10 Zentimetern.
Was jetzt fehlt
Mit Blick auf das eingangs beschriebene Ziel — schnell hohe Datenqualität zu erzeugen — ist eine Datenpipeline, wie ich sie hier beschrieben habe, aus meiner Sicht genau das Setup, das wir jetzt brauchen.
Große Teile davon sind bereits entwickelt, insbesondere in Frankreich. Es geht also nicht darum, alles neu zu erfinden, sondern darum, diese Bausteine in Deutschland auszurollen und nachhaltig zu betreiben.
In der Community gibt es dazu bereits Gespräche. Was fehlt, ist eine Finanzierung für eine systematische Umsetzung und einen verlässlichen Rollout.
Denn die Sache ist komplexer, als dass man sie als Hobbyprojekt mal eben an ein paar Abenden aufsetzen und dauerhaft betreiben könnte. Es geht um große Datenmengen, um langfristige Wartung, um verlässlichen Betrieb, um Support für Nutzerinnen und Nutzer, um Datenschutz, um rechtliche Rahmenbedingungen und um saubere betriebliche Prozesse.
Warum Forschungseinrichtungen ein großes Interesse haben sollten
Aus meiner Sicht müssten Forschungseinrichtungen in Deutschland ein sehr großes Interesse daran haben, dass eine solche Plattform existiert und betrieben wird.
Denn nur dann können sie ihre Arbeit an eine gemeinsame, offene Infrastruktur andocken, statt immer wieder isolierte Einzellösungen auf proprietären Datengrundlagen zu bauen.
Eine deutsche Panoramax-Instanz wäre damit nicht nur Infrastruktur für OpenStreetMap und für Bürgerbeteiligung, sondern auch Forschungsinfrastruktur.
Wo so ein Projekt andocken könnte
Lasst uns also gemeinsam schauen, wo wir die nötigen finanziellen und strukturellen Mittel finden können, um ein Projekt wie dieses aufzusetzen.
Aus meiner Sicht ist ein idealer Ort, um diese Ideen zu bündeln und potenziell ein solches Projekt zu tragen, der FOSSGIS e.V. Der Verein ist als Open-Source- und Geoinformatik-Akteur sowie als Local Chapter von OpenStreetMap in Deutschland bereits heute an vielen der hier beschriebenen Bausteine aktiv beteiligt.
Wenn wir digitale Souveränität, offene Daten, bessere Karten und anschlussfähige Forschung wirklich ernst meinen, dann ist jetzt der richtige Zeitpunkt, eine deutsche Panoramax-Instanz auf den Weg zu bringen.