INNOVATION SCOUT · IMPULSPROFIL

IoT, Edge AI und Echtzeitdaten im Bau

Sensorik und vernetzte Geräte liefern Zustandsdaten aus Baustellen, Gebäuden und Maschinen. Edge AI wertet einen Teil davon mit gelernten Modellen vor Ort aus. Ob daraus eine rechtzeitige Warnung oder ein belastbarer Eingriff entsteht, hängt von der gesamten Verarbeitungskette ab.

Um was geht es bei IoT, Edge AI und Echtzeitdaten im Bau?

Messung, Datenübertragung, Berechnung und Handlung haben unterschiedliche Zeitgrenzen. Edge Computing bezeichnet Datenverarbeitung nahe an ihrer Entstehung; erst ein gelerntes Modell macht daraus Edge AI. Ein Sensorportal oder eine kalibrierte Berechnungsregel ist deshalb noch keine lokale KI. Alarmierung und sicherheitsgerichtete Steuerung müssen getrennt bewertet werden.

Quelle 8: Concremote – Optimising your construction, Fundstelle(n): Sensoren; App und Webportal Quelle 7: AI 360 Camera System – Backeye 360 AI, Fundstelle(n): How Does an AI 360 Camera System Work? Quelle 9: Concremote Software – User Manual, 999808602, 10/2024, Fundstelle(n): S.16–18; S.23; S.25

Einordnung im Impulsradar

Das Internet der Dinge (IoT) mit seinen vernetzten Geräten ist in abgegrenzten Bauanwendungen etabliert; lokale KI reicht von Geräteversuchen bis zu kommerziellen Warnsystemen. Modellpflege, Datenzuordnung und technische Integration werden aktiv weiterentwickelt. Selektive Einführung ist belegt, allgemeine Unfallvermeidung, Wirtschaftlichkeit oder ausfallsichere autonome Steuerung dagegen nicht.

Quelle 6: Budimex, Fundstelle(n): Budimex Einsatz2025 · Einleitung Quelle 8: Concremote – Optimising your construction, Fundstelle(n): Erfolgsgeschichten Quelle 1: Rechtzeitig erkennen, was morgen Schaden anrichtet, Fundstelle(n): S.3 Reallabor Quelle 18: Construct-X: Fraunhofer IFF stärkt digitale Zusammenarbeit im Bauwesen, Fundstelle(n): Digitale Leistungsmeldung

Vom Messwert zur verantworteten Reaktion

Die geeignete Architektur folgt der Entscheidung: Betonreife, Raumklima und Personenwarnung benötigen andere Aktualisierungsraten und Ausfallreaktionen. Lokal verfügbare Daten können die Abhängigkeit vom Übertragungsweg verringern. Cloudtraining, lokale Auswertung und zentrale Dokumentation können dennoch zum selben System gehören.

Ein verwendbarer Messwert braucht Zeitbezug, Einheit und eine eindeutige Zuordnung zu Sensor und beobachtetem Objekt. Schnittstellen erleichtern den Austausch; physische Messqualität und Aktualität müssen zusätzlich geprüft werden. Bei wechselnder Baustellengeometrie gehören auch Sichtfeld und Geräteposition zur Gültigkeit einer Beobachtung.

Quelle 16: OGC SensorThings API Part 1: Sensing Version 1.1, Fundstelle(n): 7.3 Overview;8.2 Datastream/Observation; Observation properties · Observation;Datastream Quelle 17: Visual detection of workers’ personal protective equipment for underground construction safety management, Fundstelle(n): 4.3.4;5

Der praktische Nutzen entsteht beim Empfänger: Eine zuständige Person muss eine Warnung beurteilen und die weitere Handlung verantworten. Wartung, Kalibrierung und Modelländerungen gehören zum laufenden Aufwand. Für den Einstieg ist deshalb eine begrenzte Aufgabe mit überprüfbaren Alarmen und geregeltem Ausfallverhalten zweckmäßig.

Quelle 9: Concremote Software – User Manual, 999808602, 10/2024, Fundstelle(n): S.16–18; S.23; S.25 · S.16–18/25 · S.16–18/25–26 Quelle 17: Visual detection of workers’ personal protective equipment for underground construction safety management, Fundstelle(n): 4.3.4;5

Worauf es bei IoT, Edge AI und Echtzeitdaten im Bau fachlich ankommt

ImaB-Edge: lokale Vorverarbeitung im Reallabor

Studien-/Praxisbefund

Fraunhofer IZFP beschreibt zum Projektabschluss im Oktober 2025 lokale Vorverarbeitung und KI auf Gateways. Erprobt wurde das System an der Parkplatzeinfahrt des Instituts in Saarbrücken mit Verkehrs-, Wetter- und Kameradaten.

Quelle 1: Rechtzeitig erkennen, was morgen Schaden anrichtet, Fundstelle(n): S.2 Technologische Basis; S.3 Reallabor

Fachliche Einordnung

Die Gateways verbinden lokale Vorverarbeitung und KI mit den Verkehrs-, Wetter- und Kameradaten des Reallabors. Der Versuch an einer Institutseinfahrt lässt die Übertragung auf laufenden Brücken- oder Autobahnbetrieb offen. Quantitative Diagnosegüte und übertragbare Betriebskennzahlen nennt die Abschlussmeldung nicht.

Quelle 1: Rechtzeitig erkennen, was morgen Schaden anrichtet, Fundstelle(n): S.2 Technologische Basis; S.3 Reallabor

Gebäudepilot: kurze Berechnung bei langsamerer Erfassung

Studien-/Praxisbefund

Ein Bürogebäudepilot in Bari verbindet ESP32-Sensoren über WLAN und das Nachrichtenprotokoll MQTT mit lokaler Anomalieerkennung auf einem Kleinrechner Raspberry Pi 4 und zentraler Modellpflege. Die Arbeit berichtet rund 89 Tage und 448.124 Datensätze; die Ressourcen- und Verfügbarkeitsmessung umfasst gesondert sieben Tage. Bei einminütiger Erfassung benötigt das Fenster 30 Messwerte und anfangs 30–60 Minuten. Angegeben werden 42–48 ms für die Modellauswertung sowie 65–120 ms von Erfassung bis Anomalieausgabe.

Quelle 2: Cloud-Edge MLOps for Diagnostic Analytics and Anomaly Detection in Smart Office Digital Twins, Fundstelle(n): 3.1–3.3;4.1–4.4 · 4.3;4.4, Tabelle5

Fachliche Einordnung

Diese Zeitangaben erfassen weder die Wartezeit bis zur nächsten Messung noch einen wirksamen Eingriff. Mangels gelabelter Anomalien ist die Schwelle des Rekonstruktionsfehlers kein Nachweis von Fehlalarm- oder Übersehensraten realer Defekte.

Quelle 2: Cloud-Edge MLOps for Diagnostic Analytics and Anomaly Detection in Smart Office Digital Twins, Fundstelle(n): 4.3;4.4, Tabelle5

Rissklassifikation auf begrenzter Hardware

Studien-/Praxisbefund

Die Arbeit zu maschinellem Lernen auf kleinen Geräten (TinyML) von März 2026 untersucht 16.800 ausgewogene SDNET-Bildausschnitte. Der Split erfolgt nach Ursprungsbild im Verhältnis 80/10/10. Auf einem STM32H7-basierten OpenMV-Gerät erreicht die beste Variante beim Klassifikationsmaß F1 den Wert 0,938 ± 0,022; Zeit für die Modellauswertung und die gesamte Verarbeitungskette betragen 408,3 ± 8,4 beziehungsweise 461,6 ± 8,8 ms.

Quelle 3: TinyML pipeline for efficient crack classification in UAV-based structural health inspections, Fundstelle(n): Dataset; Tabelle5; On-device deployment

Fachliche Einordnung

Der Gerätebenchmark belegt eine begrenzte Klassifikationsaufgabe. Er ist kein Test neuer Baustellen oder einer vollständigen Drohnenmission. Energie- und Flugzeiteffekte beruhen teilweise auf Annahmen; aggressive Kompression kann die Erkennungsleistung verschlechtern und spart ohne passende Laufzeitunterstützung nicht automatisch Speicher.

Quelle 3: TinyML pipeline for efficient crack classification in UAV-based structural health inspections, Fundstelle(n): Dataset; Tabelle5; On-device deployment · TinyML integration; Tabelle5; Impact on UAVs’ flight time; Conclusions

Kompression verändert auch die Ergebnisqualität

Studien-/Praxisbefund

Eine Vorabveröffentlichung von Mai 2025 untersucht Risssegmentierung mit 5.000 Bildern. Für eine kleine U-Net-Variante sinkt der berichtete F1-Wert durch die Darstellung mit 8-Bit-Ganzzahlen (INT8-Quantisierung) von 0,576 auf 0,531. Der Split umfasst 3.500 Trainings-, 750 Validierungs- und 750 Testbilder; eine belastbare Trennung nach Bauprojekten ist daraus nicht abzuleiten.

Quelle 4: On-Device Crack Segmentation for Edge Structural Health Monitoring, Fundstelle(n): II Dataset; III-C; TabelleIII, U-Net4ConvBlocks Conv2D x1/16

Fachliche Einordnung

Segmentierung und binäre Klassifikation lösen verschiedene Aufgaben. Der Vergleich mit der späteren TinyML-Arbeit misst deshalb keinen zeitlichen Fortschritt im Feldeinsatz. Qualitätsverlust, Laufzeit und Speicher müssen am vorgesehenen Gerät gemeinsam geprüft werden.

Quelle 4: On-Device Crack Segmentation for Edge Structural Health Monitoring, Fundstelle(n): II Dataset; III-C; TabelleIII, U-Net4ConvBlocks Conv2D x1/16

Budimex: kommerzielle Personenwarnung

Studien-/Praxisbefund

Der Anbieter Brigade berichtet für 2025 die Ausstattung von fast 40 Budimex-Maschinen, darunter Walzen, Kompaktlader und Dumper, mit KI-Kameras und 360-Grad-Systemen. Die heutige Backeye-Produktbeschreibung nennt eingebettete Personenerkennung in definierten Zonen und Warnung an den Fahrer.

Quelle 6: Budimex, Fundstelle(n): Einleitung; Safety on Budimex Construction Sites Quelle 7: AI 360 Camera System – Backeye 360 AI, Fundstelle(n): How Does an AI 360 Camera System Work?; Contents; Power

Fachliche Einordnung

Die eingebauten Systeme erweitern die Personenwarnung im Maschinenumfeld bei Budimex. Welche der 2025 installierten Geräte der aktuellen Produktversion entsprechen, ist nicht hinreichend dokumentiert. Der Anbieterbericht enthält keine kontrollierte Unfallbilanz oder Alarmqualität; automatische Bremsfunktion und verlässliche Gesamtlatenz sind ebenfalls nicht nachgewiesen.

Betonmonitoring: Kalibrierung vor Entscheidung

Studien-/Praxisbefund

Der Anbieter Doka beschreibt für sein Betonmonitoring Concremote Temperaturmessung mit Mobilfunk- oder Bluetooth-Übertragung und cloudbasierter Festigkeitsberechnung. Benannte Anwendungen betreffen unter anderem die A1-Aurachbrücke, die Galerie Mingèr und die Medizinische Universität Wien. Das Handbuch verlangt die passende Kalibrierung und Zuordnung zur Betonmischung; seine Szenariofunktion ist keine Ausschalentscheidung.

Quelle 8: Concremote – Optimising your construction, Fundstelle(n): Sensoren; Erfolgsgeschichten Quelle 9: Concremote Software – User Manual, 999808602, 10/2024, Fundstelle(n): S.16–18; S.23; S.25

Fachliche Einordnung

Das sind konkrete IoT-Anwendungen ohne ausgewiesenen Nachweis eines lokal gelernten KI-Modells. Verantwortliche müssen Messstelle, Mischung und Kurve prüfen. Ein manueller Bluetooth-Export belegt für sich keinen automatisch weiterlaufenden Cloudprozess bei Netzausfall.

Bauabfälle mit robotischen Anlagen sortieren

Studien-/Praxisbefund

Der Roboteranbieter ZenRobotics berichtet die Einweihung einer Anlage für Bauabfälle bei Solum in Roskilde am 7. Oktober 2024. Zur RGS-Anlage in Kopenhagen beschreibt eine undatierte Anbieterfallstudie vier HeavyPicker-Roboter und erreichten Betrieb. Sie ergänzt die Bestellmeldung vom Januar 2025.

Quelle 10: Denmark Inaugurates First Robotic Sorting Plant for Construction Waste, Fundstelle(n): Absätze Einweihung und Robotersystem Quelle 11: RGS Nordic Invests in Robotic Sorting Plant for Construction Waste, Fundstelle(n): Einleitung, Formulierungen set to be installed / will supply Quelle 19: RGS Nordic – Case study, Fundstelle(n): AI-Powered Robotic Sorting; Remote Monitoring and Enhanced Safety, Schlussabsatz now operational

Fachliche Einordnung

Die Solum-Meldung belegt eine Einweihung mit Vorführung. Der RGS-Betriebsbericht nennt keinen belastbaren Inbetriebnahmezeitpunkt; die frühere Ankündigung enthält widersprüchliche Zeitangaben. Keine dieser Quellen bestätigt langfristige Leistung, lokale Inferenzarchitektur oder eine geprüfte Frist bis zur Stellhandlung.

Risikohinweise berechnen und Schutzausrüstung erkennen

Studien-/Praxisbefund

Eine Arbeit zu Edge Intelligence für Straßen und Brücken verwendet den Webdienst-Datensatz WS-DREAM als Ersatz für Felddaten. Ihr TimeLSH-Verfahren benötigt kein Training. Eine weitere Studie zur Schutzausrüstung im Untertagebau beschreibt Detektionsversuche und menschliche Nachprüfung; Kompression für Edge-Geräte ist dort erst eine künftige Aufgabe.

Quelle 5: Edge intelligence for on-site risk detection in road and bridge engineering, Fundstelle(n): Our method; Evaluation/Dataset and experimental setup; Conclusion; Data availability Quelle 17: Visual detection of workers’ personal protective equipment for underground construction safety management, Fundstelle(n): 4.1.1; Tabelle2;4.3.4;5 Conclusion

Fachliche Einordnung

Der Webdienstvergleich ist kein Nachweis lokaler Baustellendiagnostik. Auch Detektionsgüte auf Bildern bestätigt noch keine Inferenz auf der vorgesehenen Hardware oder eine Fehlalarmrate pro Betriebsstunde. Datenherkunft, Testtrennung und tatsächlicher Ausführungsort sind entscheidend.

Gebäude-, Sensor- und Kameradaten für Bauabläufe verbinden

Studien-/Praxisbefund

Das Forschungsprojekt BUILDSPACE verbindet Gebäude- und Weltraumdaten; der erste Periodenbericht endet am 31. Juli 2024 und beschreibt eine Cloudplattform. Das Projekt RADIANCE läuft von September 2025 bis August 2029 und benennt geplante Validierungen. Das Projekt Construct-X beschreibt im Oktober 2025 die Verbindung von Kamera-, Temperatur- und LiDAR-Daten mit Edge-KI für digitale Leistungsmeldungen.

Quelle 12: Enabling Innovative Space-driven Services for Energy Efficient Buildings and Climate Resilient Cities, Fundstelle(n): Project Information; Objective Quelle 13: Periodic Reporting for period 1 – BUILDSPACE, Fundstelle(n): Reporting period; Work performed; BUILDSPACE Core platform Quelle 15: Robotic, Automated and DIgital solutions for improving building renovAtion and New Construction Efficiency (RADIANCE), Fundstelle(n): Project Information; Objective Quelle 18: Construct-X: Fraunhofer IFF stärkt digitale Zusammenarbeit im Bauwesen, Fundstelle(n): Use Case Digitale Leistungsmeldung als Basis für Baustellencontrolling und Baufortschrittskontrolle

Fachliche Einordnung

Die Programme bearbeiten die Verbindung unterschiedlicher Datenquellen mit Bau- und Gebäudeaufgaben. BUILDSPACE beschreibt dafür eine Cloudarchitektur im ersten Berichtszeitraum. Bei RADIANCE stehen die vorgesehenen Validierungen noch aus; Construct-X entwickelt die Kombination von Kamera-, Temperatur- und LiDAR-Daten für Leistungsmeldungen. Für die jeweilige Anwendung muss geklärt werden, welche Daten wo verarbeitet werden und welche Reaktionszeit der Ablauf benötigt.

Zeit- und Objektbezug vor schneller Übertragung

Studien-/Praxisbefund

OGC SensorThings API 1.1 strukturiert Sensoren, Datenströme und Beobachtungen. Wenn die Ereigniszeit fehlt, kann bei der Erzeugung einer Beobachtung eine Serverzeit ergänzt werden. Der Data Act behandelt dagegen den Zugang zu Daten vernetzter Produkte und zugehöriger Dienste.

Quelle 14: Data Act, Fundstelle(n): Background and Highlights; What are the new measures? Quelle 16: OGC SensorThings API Part 1: Sensing Version 1.1, Fundstelle(n): 7.3 Overview;8.2 Datastream/Observation; Observation properties

Fachliche Einordnung

Ein formal gültiger Zeitstempel muss nicht den physischen Messzeitpunkt abbilden. Für die Auswertung ist deshalb zu klären, wann der Sensor tatsächlich gemessen hat und auf welches Objekt sich der Wert bezieht. Offene Schnittstelle, Zugangsrecht und Erlaubnis für eine konkrete Weiterverwendung sind getrennt zu prüfen; auch ein vorgesehenes Modelltraining braucht eine passende Nutzungsberechtigung.

Einführung mit überprüfbarer Fehlerbehandlung

Studien-/Praxisbefund

Die beschriebenen Betriebsabläufe machen Kalibrierung, Modellversionen, Datenpuffer und menschliche Nachprüfung zu Bestandteilen des Betriebs. Sichtverdeckung, unklare Zuordnung oder veraltete Messwerte können die Aussage einer Beobachtung begrenzen.

Quelle 9: Concremote Software – User Manual, 999808602, 10/2024, Fundstelle(n): S.16–18; S.23; S.25 · S.16–18/25–26 Quelle 16: OGC SensorThings API Part 1: Sensing Version 1.1, Fundstelle(n): Observation;Datastream Quelle 17: Visual detection of workers’ personal protective equipment for underground construction safety management, Fundstelle(n): 4.3.4;5

Fachliche Einordnung

Für die Einführung sind Datenalter anzuzeigen, Mess- und Modellstände zu dokumentieren und Strom- sowie Netzausfälle zu behandeln. Unsichere Meldungen brauchen einen geregelten Weg zur fachlichen Prüfung; Updates müssen rückverfolgbar bleiben. Diese Aufgaben verbinden die technische Auswertung mit einer zuständigen Person und einem festgelegten Ausfallverhalten.

Quelle 16: OGC SensorThings API Part 1: Sensing Version 1.1, Fundstelle(n): Observation;Datastream Quelle 9: Concremote Software – User Manual, 999808602, 10/2024, Fundstelle(n): S.16–18/25–26 Quelle 17: Visual detection of workers’ personal protective equipment for underground construction safety management, Fundstelle(n): 4.3.4;5

Warum IoT, Edge AI und Echtzeitdaten im Bau relevant ist

Reifegraderste Marktanwendung bis etablierte Anwendung

Die Spanne von erster Marktanwendung bis etablierter Anwendung gilt für den beschriebenen breiten Zuschnitt. Kommerzielle Personenwarnung trägt die Marktuntergrenze; mehrere benannte Betonmonitoring-Anwendungen tragen qualitativ die etablierte IoT-Komponente. Neue lokale Diagnoseverfahren bleiben teilweise Labor oder Pilot. Die Obergrenze gilt nicht pauschal für Edge AI oder autonome sicherheitsgerichtete Steuerung.

Quelle 6: Budimex, Fundstelle(n): Budimex Einsatz2025 Quelle 8: Concremote – Optimising your construction, Fundstelle(n): Erfolgsgeschichten Quelle 1: Rechtzeitig erkennen, was morgen Schaden anrichtet, Fundstelle(n): S.3 Reallabor

Evidenzbelastbare Praxis- oder Forschungsbelege

Forschungs- und Praxisbefunde beschreiben abgegrenzte Funktionen mit nachvollziehbaren Daten und Messbedingungen. Fehlende Anomalie-Labels, begrenzte Testumgebungen und abhängige Anbieterberichte beschränken die Übertragung. Langfristige Ausfallsicherheit, Unfallreduktion und allgemeine Nettoeinsparungen sind damit nicht nachgewiesen.

Quelle 2: Cloud-Edge MLOps for Diagnostic Analytics and Anomaly Detection in Smart Office Digital Twins, Fundstelle(n): 4.2–4.4 Quelle 3: TinyML pipeline for efficient crack classification in UAV-based structural health inspections, Fundstelle(n): Dataset; Tabelle5; Conclusions

EntwicklungsdynamikAktive Weiterentwicklung

Modellpflege, Gerätekompression und Integration mehrerer Datenarten werden konkret weiterentwickelt.

Arbeiten zur lokalen Modellpflege, zur Bildauswertung auf begrenzter Hardware und zur Baustellenintegration entwickeln unterschiedliche Teile der Datenverarbeitung weiter. Die beiden Rissarbeiten überlappen personell und bilden keine unabhängigen Trendlinien. Eine beschleunigte Entwicklungsrate ist nicht gemessen.

Quelle 2: Cloud-Edge MLOps for Diagnostic Analytics and Anomaly Detection in Smart Office Digital Twins, Fundstelle(n): 4.3 Quelle 3: TinyML pipeline for efficient crack classification in UAV-based structural health inspections, Fundstelle(n): Methodology;Results Quelle 18: Construct-X: Fraunhofer IFF stärkt digitale Zusammenarbeit im Bauwesen, Fundstelle(n): Digitale Leistungsmeldung

MarktdynamikSelektive Ausweitung

Die Einführung bei Budimex 2025 zeigt eine selektive Ausweitung kommerzieller KI-Warnsysteme.

Der für 2025 berichtete Einbau in fast 40 Budimex-Maschinen zeigt eine selektive Ausweitung kommerzieller Personenwarnung innerhalb einer Organisation. Die Zeitangabe ist auf das Jahr begrenzt und stammt vom Anbieter. Für eine branchenweite Verbreitung oder die Ausweitung anderer IoT- und Edge-AI-Funktionen lässt sich daraus kein Umfang bestimmen.

Quelle 6: Budimex, Fundstelle(n): Einleitung

Für welche Bauprozesse IoT, Edge AI und Echtzeitdaten im Bau relevant ist

Strategie & Projektentwicklung

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Vorhandene Zustandsdaten helfen, Monitoringziele, Datenzugang und Zuständigkeiten festzulegen. Auftraggeber können damit bestimmen, welche Beobachtungen sie für spätere Projektentscheidungen benötigen und wer die Messwerte bereitstellt und beurteilt.

Quelle 16: OGC SensorThings API Part 1: Sensing Version 1.1, Fundstelle(n): 7.3 Overview;8.2 Datastream/Observation; Observation properties Quelle 8: Concremote – Optimising your construction, Fundstelle(n): Sensoren und Referenzen

Planung & Design

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Sensoranordnung, Messgrößen und Übergaben an Betriebssysteme müssen früh geplant werden. So können die späteren Messreihen den vorgesehenen Modellabgleichen zugeordnet werden. Messort, beobachtetes Objekt und technische Datenübergabe müssen dafür zusammenpassen.

Quelle 2: Cloud-Edge MLOps for Diagnostic Analytics and Anomaly Detection in Smart Office Digital Twins, Fundstelle(n): 4.5 · 3/4.5 Quelle 13: Periodic Reporting for period 1 – BUILDSPACE, Fundstelle(n): Core platform/building services

Ausschreibung & Vergabe

Relevanz: 0 von 3 Punkten, Keine unmittelbare Relevanz

Die beschriebenen Funktionen erfassen Zustände, werten Messungen aus und unterstützen Warn- oder Sortierabläufe. Eine unmittelbare KI-Unterstützung von Ausschreibung und Vergabe ist in diesen Anwendungen nicht dokumentiert.

Quelle 8: Concremote – Optimising your construction, Fundstelle(n): Sensoren und Referenzen Quelle 10: Denmark Inaugurates First Robotic Sorting Plant for Construction Waste, Fundstelle(n): Einweihung/Sensor-Sortierfunktion

Bauausführung & Baustellenmanagement

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Personenwarnung und Betonmonitoring verbinden Messungen mit konkreten Entscheidungen auf der Baustelle. Verantwortliche müssen die Warnung prüfen beziehungsweise die fachliche Freigabe erteilen; ein automatischer Eingriff folgt daraus nicht.

Quelle 6: Budimex, Fundstelle(n): Einleitung; Safety on Budimex Construction Sites Quelle 9: Concremote Software – User Manual, 999808602, 10/2024, Fundstelle(n): S.16–18; S.23; S.25

Betrieb & Instandhaltung

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Messreihen und lokale Diagnose unterstützen Gebäude- und Infrastrukturmonitoring. Für belastbare Instandhaltung müssen Datenqualität, Kalibrierung und Alarmbearbeitung organisatorisch gesichert sein.

Quelle 2: Cloud-Edge MLOps for Diagnostic Analytics and Anomaly Detection in Smart Office Digital Twins, Fundstelle(n): 4.5 · 4.3–4.4 Quelle 9: Concremote Software – User Manual, 999808602, 10/2024, Fundstelle(n): S.16–18/25–26

Rückbau & Kreislaufwirtschaft

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Sensorik und Auswertung liefern Materialdaten an Sortieranlagen und Rückbauprozesse. Konkrete robotische Sortierung ist beschrieben; der Ort der Inferenz und die sichere Übergabe an Aktoren sind je Anlage zu prüfen.

Quelle 10: Denmark Inaugurates First Robotic Sorting Plant for Construction Waste, Fundstelle(n): Absätze Einweihung und Robotersystem · Einweihung/Sensor-Sortierfunktion

Für wen IoT, Edge AI und Echtzeitdaten im Bau relevant ist

Bauunternehmen und Generalunternehmer

Bauunternehmen erhalten Hinweise auf Personen im Maschinenumfeld und auf Betonentwicklung. Sie müssen Zuständigkeiten für Warnungen, Geräteeinbau und fachliche Freigaben festlegen. Die Wirkung im eigenen Ablauf hängt davon ab, ob Meldungen rechtzeitig ankommen, geprüft und in eine passende Handlung überführt werden.

Quelle 6: Budimex, Fundstelle(n): Einleitung; Safety on Budimex Construction Sites · Safety on Budimex Construction Sites Quelle 9: Concremote Software – User Manual, 999808602, 10/2024, Fundstelle(n): S.16–18; S.23; S.25 · S.16–18/25

Betreiber, Facility- und Asset-Management

Betreiber können auffällige Messreihen zur fachlichen Prüfung nutzen. Ihr Aufwand umfasst Kalibrierung, Alarmbearbeitung und Pflege der Sensorzuordnung; eine Anomalie allein liefert weder eine Ursachenermittlung noch eine Wartungsentscheidung.

Quelle 2: Cloud-Edge MLOps for Diagnostic Analytics and Anomaly Detection in Smart Office Digital Twins, Fundstelle(n): 4.3;4.4, Tabelle5 · 3.4;4.3;4.5 Quelle 9: Concremote Software – User Manual, 999808602, 10/2024, Fundstelle(n): S.16–18; S.23; S.25 · S.16–18/25

Baustoff-, Produkt- und Maschinenhersteller

Hersteller können Messung und definierte Warn- oder Diagnosefunktionen in Produkte integrieren. Sie müssen den zulässigen Einsatzbereich, Gerätestand und das Verhalten bei unsicheren Eingaben nachvollziehbar machen.

Quelle 7: AI 360 Camera System – Backeye 360 AI, Fundstelle(n): How Does an AI 360 Camera System Work?; Contents; Power Quelle 9: Concremote Software – User Manual, 999808602, 10/2024, Fundstelle(n): S.16–18; S.23; S.25 · S.16–18/25

Technologieanbieter und Systemintegratoren

Systemintegratoren verbinden Sensoren, Datenmodelle und Modellversionen. Nutzen entsteht durch nachvollziehbare Übergaben und Betriebspflege; hierfür müssen Zeitbezug, Datenschnittstellen und Rollenzuständigkeiten zusammenpassen.

Quelle 16: OGC SensorThings API Part 1: Sensing Version 1.1, Fundstelle(n): 7.3 Overview;8.2 Datastream/Observation; Observation properties Quelle 2: Cloud-Edge MLOps for Diagnostic Analytics and Anomaly Detection in Smart Office Digital Twins, Fundstelle(n): 3.4;4.3;4.5

Öffentliche Hand, Kommunen und Vergabestellen

Öffentliche Betreiber können Anforderungen an Datenzugang, Nachvollziehbarkeit und Übergabe früh bestimmen. Der Data Act liefert einen Rahmen für Produktdaten; konkrete Nutzungsrechte und technische Betriebsfähigkeit bleiben gesondert zu klären.

Quelle 14: Data Act, Fundstelle(n): Background and Highlights; What are the new measures? · What are the new measures?

Mit welchen Technologie- und Anwendungsfeldern IoT, Edge AI und Echtzeitdaten im Bau verknüpft ist

Hauptbezug

Datenplattformen & KI-Infrastruktur

Sensoranbindung, Datenströme und lokale oder zentrale Verarbeitung verbinden Geräte mit der Auswertung. Einheitliche Beobachtungsmodelle erleichtern die Kopplung. Die tatsächliche Qualität und Aktualität der Eingangsdaten müssen zusätzlich geprüft werden.

Verknüpftes Feld

Robotik, Automatisierung & Physical AI

Lokale Erkennung kann Warnungen oder Sortieraktionen vorbereiten. Robotik benötigt darüber hinaus eine geprüfte Übergabe an die Handlungsebene; Bildauswertung allein bestätigt keine sichere Maschinensteuerung.

Quelle 7: AI 360 Camera System – Backeye 360 AI, Fundstelle(n): How Does an AI 360 Camera System Work?; Contents; Power Quelle 10: Denmark Inaugurates First Robotic Sorting Plant for Construction Waste, Fundstelle(n): Absätze Einweihung und Robotersystem · Sensorik und Sortierhandlung

Verknüpftes Feld

BIM & Digitaler Zwilling

Zeitlich und räumlich zugeordnete Beobachtungen ergänzen Bauwerks- und Betriebsmodelle. Das Datenabbild macht erfasste Zustände im jeweiligen Objektkontext verfügbar. Verwendbare Auswertungen benötigen einen nachvollziehbaren Messzeitpunkt und eine passende Zuordnung zum Gebäude oder zur Anlage.

Quelle 13: Periodic Reporting for period 1 – BUILDSPACE, Fundstelle(n): Reporting period; Work performed; BUILDSPACE Core platform · Core platform/building services Quelle 2: Cloud-Edge MLOps for Diagnostic Analytics and Anomaly Detection in Smart Office Digital Twins, Fundstelle(n): 3/4.5

Verknüpftes Feld

Predictive Analytics & Entscheidungen

Zustandsdaten werden zu Eingaben für Diagnose und Entscheidungsunterstützung. Eine statistische Auffälligkeit ist zunächst ein Prüfhinweis; Bedeutung, Fehlerfolgen und Reaktion müssen für den jeweiligen Prozess bestimmt werden.

Quelle 2: Cloud-Edge MLOps for Diagnostic Analytics and Anomaly Detection in Smart Office Digital Twins, Fundstelle(n): 4.3;4.4, Tabelle5 · 3/4.5

Verknüpfte Fachbegriffe und Detailthemen

Datenstreaming: Datenstreaming führt laufend eintreffende Messwerte der weiteren Analyse und Ereignisverarbeitung zu.
Drahtloses lokales Netzwerk: Im beschriebenen Bari-Piloten übernimmt WLAN die drahtlose Datenübertragung innerhalb der Erfassungs- und Verarbeitungskette.
Edge Computing: Edge Computing verarbeitet Messdaten nahe an ihrer Entstehung und unterstützt kurze Wege zwischen Erfassung und Reaktion.
Edge-KI: Edge-KI wertet Messdaten mit gelernten Modellen vor Ort aus und ergänzt die lokale Datenverarbeitung.
Ereignisverarbeitung: Die Ereignisverarbeitung übersetzt relevante Veränderungen in Meldungen und Bearbeitungsschritte für den Baustellen- oder Gebäudebetrieb.
Internet der Dinge: Vernetzte Geräte liefern Zustandsdaten aus Baustellen, Gebäuden und Maschinen für die fortlaufende Auswertung.
Sensorik: Sensoren erfassen die physikalischen Größen, auf denen Warnungen und zustandsbezogene Eingriffe aufbauen.
SensorThings API: Die SensorThings API bietet einen standardisierten Zugang zu Sensorbeobachtungen und ihrem räumlichen sowie zeitlichen Kontext.

Quellen und Evidenz zu IoT, Edge AI und Echtzeitdaten im Bau

Die Quellenangaben dokumentieren die fachliche Grundlage des Impulsprofils. Öffnen Sie bei Bedarf die Verwendung im Profil, um zu den belegten Textstellen zurückzukehren.

Quelle 1
Rechtzeitig erkennen, was morgen Schaden anrichtet
Herausgeber
Fraunhofer IZFP
Publiziert
31.10.2025
Quellentyp
Wissenschaftliche Originalarbeit
Geltungsbereich
Originale Abschlussmeldung mit benanntem Reallabor; Eigenbericht ohne unabhängige Fehler-, Latenz- oder Kostenmessung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- S.3 ReallaborTextstelle 3 Textstelle 29
- S.2 Technologische Basis; S.3 ReallaborTextstelle 7 Textstelle 8
Quelle 2
Cloud-Edge MLOps for Diagnostic Analytics and Anomaly Detection in Smart Office Digital Twins
Herausgeber
Ieva et al.; Sensors 26(12),3807
Publiziert
15.06.2026
Quellentyp
Wissenschaftliche Originalarbeit
Geltungsbereich
Offener Originalvolltext mit realem Pilot, Architektur und Messbedingungen. Entwickler-/Betreiberbeteiligung, keine Anomalie-Labels, kein unabhängiger Nutzenbeweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (11 Textstellen)
- 3.1–3.3;4.1–4.4Textstelle 9
- 4.3;4.4, Tabelle5Textstelle 9 Textstelle 10 Textstelle 40 Textstelle 47
- 4.2–4.4Textstelle 30
- 4.3Textstelle 31
- 4.5Textstelle 34 Textstelle 37
- 3/4.5Textstelle 34 Textstelle 44 Textstelle 46 Textstelle 47
- 4.3–4.4Textstelle 37
- 3.4;4.3;4.5Textstelle 40 Textstelle 42
Quelle 3
TinyML pipeline for efficient crack classification in UAV-based structural health inspections
Herausgeber
Zhang et al.; Scientific Reports 16,8964
Publiziert
12.03.2026
Quellentyp
Wissenschaftliche Originalarbeit
Geltungsbereich
Offener Originalvolltext; parent-image-Split, Wiederholungen und Gerätebenchmark. Labor und abgeleitete Energie-/Flugzeitbetrachtung; keine validierte Flugmission. Tabelleninkonsistenz in Datensatzgesamtzahl einzelner Zeile.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- Dataset; Tabelle5; On-device deploymentTextstelle 11 Textstelle 12
- TinyML integration; Tabelle5; Impact on UAVs’ flight time; ConclusionsTextstelle 12
- Dataset; Tabelle5; ConclusionsTextstelle 30
- Methodology;ResultsTextstelle 31
Quelle 4
On-Device Crack Segmentation for Edge Structural Health Monitoring
Herausgeber
Zhang et al.; arXiv:2505.07915v1
Publiziert
12.05.2025
Quellentyp
Wissenschaftliche Originalarbeit
Geltungsbereich
Originalpreprint zur Segmentierung mit Ablationen und Gerätewerten; keine unabhängige Replikation oder Standortvalidierung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- II Dataset; III-C; TabelleIII, U-Net4ConvBlocks Conv2D x1/16Textstelle 13 Textstelle 14
Quelle 5
Edge intelligence for on-site risk detection in road and bridge engineering
Herausgeber
Xu, Wang, Khosravi; Journal of Cloud Computing 15,36
Publiziert
07.02.2026
Quellentyp
Wissenschaftliche Originalarbeit
Geltungsbereich
Evaluation auf Webdienst-QoS statt Bauwerksdaten; widersprüchliche Data-availability-Angabe. Die Methode ist damit nicht im realen Brückeneinsatz validiert.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Our method; Evaluation/Dataset and experimental setup; Conclusion; Data availabilityTextstelle 21 Textstelle 22
Quelle 6
Budimex
Herausgeber
Brigade Electronics
Publiziert
undatiert
Quellentyp
Anbieterquelle
Geltungsbereich
Benannter Kunde, Einsatzjahr und Ausrüstungsumfang; Herstellerfall ohne Unfallnenner, Zeitreihenvergleich oder unabhängige Kontrolle. Publikationsdatum auf Seite nicht gesichert.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- Budimex Einsatz2025Textstelle 3 Textstelle 29
- EinleitungTextstelle 3 Textstelle 32
- Einleitung; Safety on Budimex Construction SitesTextstelle 15 Textstelle 16 Textstelle 36 Textstelle 39
- Safety on Budimex Construction SitesTextstelle 39
Quelle 7
AI 360 Camera System – Backeye 360 AI
Herausgeber
Brigade Electronics
Publiziert
undatiert
Quellentyp
Anbieterquelle
Geltungsbereich
Originale Produktarchitektur mit eingebetteter Erkennung; technische Eigenangabe ohne Feldvalidierung. Aktuelles HFR-Produkt nicht pauschal identisch mit jeder 2025 installierten Version.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- How Does an AI 360 Camera System Work?Textstelle 1 Textstelle 2 Textstelle 4
- How Does an AI 360 Camera System Work?; Contents; PowerTextstelle 15 Textstelle 16 Textstelle 41 Textstelle 45
Quelle 8
Concremote – Optimising your construction
Herausgeber
Doka
Publiziert
undatiert
Quellentyp
Anbieterquelle
Geltungsbereich
Originale Datenkette und mehrere benannte Anwendungen; Referenzzeiträume und Nutzenmessmethoden fehlen. Kein lernendes Modell belegt.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (9 Textstellen)
- Sensoren; App und WebportalTextstelle 1 Textstelle 2 Textstelle 4
- ErfolgsgeschichtenTextstelle 3 Textstelle 29
- Sensoren; ErfolgsgeschichtenTextstelle 17 Textstelle 18
- Sensoren und ReferenzenTextstelle 33 Textstelle 35
Quelle 9
Concremote Software – User Manual, 999808602, 10/2024
Herausgeber
Doka GmbH / Concrefy
Publiziert
Oktober 2024
Quellentyp
Anbieterquelle
Geltungsbereich
Betriebshandbuch von Oktober 2024 mit konkreter Zuordnung, Kalibrierung und Funktionsgrenzen; kein unabhängiger Nutzennachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (12 Textstellen)
- S.16–18; S.23; S.25Textstelle 2 Textstelle 4 Textstelle 6 Textstelle 17 Textstelle 18 Textstelle 27 Textstelle 36 Textstelle 39 Textstelle 40 Textstelle 41
- S.16–18/25Textstelle 6 Textstelle 39 Textstelle 40 Textstelle 41
- S.16–18/25–26Textstelle 6 Textstelle 27 Textstelle 28 Textstelle 37
Quelle 10
Denmark Inaugurates First Robotic Sorting Plant for Construction Waste
Herausgeber
ZenRobotics / Terex
Publiziert
20.11.2024
Quellentyp
Anbieterquelle
Geltungsbereich
Bericht zur Einweihung der Solum-Anlage in Roskilde am 07.10.2024. Reinheit und Recyclingquote werden vermischt; die Leistungsangaben sind dadurch nicht eindeutig interpretierbar.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- Absätze Einweihung und RobotersystemTextstelle 19 Textstelle 20 Textstelle 38 Textstelle 45
- Einweihung/Sensor-SortierfunktionTextstelle 35 Textstelle 38
- Sensorik und SortierhandlungTextstelle 45
Quelle 11
RGS Nordic Invests in Robotic Sorting Plant for Construction Waste
Herausgeber
ZenRobotics / Terex
Publiziert
08.01.2025
Quellentyp
Anbieterquelle
Geltungsbereich
Investitionsmeldung vom Januar 2025 zu einer geplanten Installation; sie beschreibt noch keine abgeschlossene Inbetriebnahme.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Einleitung, Formulierungen set to be installed / will supplyTextstelle 19 Textstelle 20
Quelle 12
Enabling Innovative Space-driven Services for Energy Efficient Buildings and Climate Resilient Cities
Herausgeber
CORDIS / Europäische Kommission
Publiziert
undatiert
Quellentyp
Originalquelle
Geltungsbereich
Offizieller Projekteintrag mit Titel, Laufzeit und Zielen; Publikationsdatum unbekannt.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Project Information; ObjectiveTextstelle 23 Textstelle 24
Quelle 13
Periodic Reporting for period 1 – BUILDSPACE
Herausgeber
BUILDSPACE-Konsortium / CORDIS
Publiziert
undatiert
Quellentyp
Wissenschaftliche Originalarbeit
Geltungsbereich
Projektbericht für den Zeitraum 01.02.2023–31.07.2024; beschreibt die damalige Architektur und Entwicklung, keine aktuelle Leistungsbewertung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- Reporting period; Work performed; BUILDSPACE Core platformTextstelle 23 Textstelle 24 Textstelle 46
- Core platform/building servicesTextstelle 34 Textstelle 46
Quelle 14
Data Act
Herausgeber
Europäische Kommission, Shaping Europe’s digital future
Publiziert
undatiert
Quellentyp
Originalquelle
Geltungsbereich
Offizielle Übersicht zum Rechtsrahmen; Anwendungsdatum vom Publikationsdatum getrennt, keine Einzelfallrechts- oder technische Leistungsbewertung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Background and Highlights; What are the new measures?Textstelle 25 Textstelle 26 Textstelle 43
- What are the new measures?Textstelle 43
Quelle 15
Robotic, Automated and DIgital solutions for improving building renovAtion and New Construction Efficiency (RADIANCE)
Herausgeber
CORDIS / Europäische Kommission
Publiziert
undatiert
Quellentyp
Originalquelle
Geltungsbereich
Offizieller Originaltitel und Laufzeit; geplante Resultate/Validierung erkennbar. Kein messbarer Edge-Betrieb nachgewiesen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Project Information; ObjectiveTextstelle 23 Textstelle 24
Quelle 16
OGC SensorThings API Part 1: Sensing Version 1.1
Herausgeber
Open Geospatial Consortium; Liang, Khalafbeigi, van der Schaaf
Publiziert
04.08.2021
Quellentyp
Technischer Standard
Geltungsbereich
Offizielle Normgrundlage von 2021 zu Sensorbeobachtungen und Metadaten; keine aktuelle Entwicklungs- oder Verbreitungsmessung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- 7.3 Overview;8.2 Datastream/Observation; Observation propertiesTextstelle 5 Textstelle 25 Textstelle 26 Textstelle 33 Textstelle 42 Textstelle 44
- Observation;DatastreamTextstelle 5 Textstelle 27 Textstelle 28
Quelle 17
Visual detection of workers’ personal protective equipment for underground construction safety management
Herausgeber
Zhensen Zhang; Frontiers in Earth Science 14:1878141
Publiziert
08.07.2026
Quellentyp
Wissenschaftliche Originalarbeit
Geltungsbereich
Originalarbeit mit Ablationen und menschlicher Nachprüfung unsicherer Ergebnisse. Stichprobenumfang und konkrete Edge-Hardware sind nicht nachvollziehbar beschrieben; Kompression und Deployment sind künftige Aufgaben.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- 4.3.4;5Textstelle 5 Textstelle 6 Textstelle 27 Textstelle 28
- 4.1.1; Tabelle2;4.3.4;5 ConclusionTextstelle 21 Textstelle 22
Quelle 18
Construct-X: Fraunhofer IFF stärkt digitale Zusammenarbeit im Bauwesen
Herausgeber
Fraunhofer IFF
Publiziert
09.10.2025
Quellentyp
Wissenschaftliche Originalarbeit
Geltungsbereich
Originale Beschreibung laufender Entwicklung von Sensor-/Edge-Anwendungen; keine abgeschlossene Wirksamkeitsmessung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- Digitale LeistungsmeldungTextstelle 3 Textstelle 31
- Use Case Digitale Leistungsmeldung als Basis für Baustellencontrolling und BaufortschrittskontrolleTextstelle 23 Textstelle 24
Quelle 19
RGS Nordic – Case study
Herausgeber
Terex ZenRobotics
Publiziert
undatiert
Quellentyp
Anbieterfallstudie
Geltungsbereich
Undatierte Anbieterfallstudie berichtet Betrieb von vier HeavyPicker-Robotern in Kopenhagen. Belastbarer Inbetriebnahmetermin, unabhängiger Leistungsnachweis und Nachweis lokaler Inferenz fehlen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- AI-Powered Robotic Sorting; Remote Monitoring and Enhanced Safety, Schlussabsatz now operationalTextstelle 19 Textstelle 20

Alle Impulse im Radar entdecken

IoT, Edge AI und Echtzeitdaten im Bau

Um was geht es bei IoT, Edge AI und Echtzeitdaten im Bau?

Einordnung im Impulsradar

Vom Messwert zur verantworteten Reaktion

Worauf es bei IoT, Edge AI und Echtzeitdaten im Bau fachlich ankommt

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Warum IoT, Edge AI und Echtzeitdaten im Bau relevant ist

Für welche Bauprozesse IoT, Edge AI und Echtzeitdaten im Bau relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen IoT, Edge AI und Echtzeitdaten im Bau relevant ist

Bauunternehmen und Generalunternehmer

Betreiber, Facility- und Asset-Management

Baustoff-, Produkt- und Maschinenhersteller

Technologieanbieter und Systemintegratoren

Öffentliche Hand, Kommunen und Vergabestellen

Mit welchen Technologie- und Anwendungsfeldern IoT, Edge AI und Echtzeitdaten im Bau verknüpft ist

Datenplattformen & KI-Infrastruktur

Robotik, Automatisierung & Physical AI

BIM & Digitaler Zwilling

Predictive Analytics & Entscheidungen

Verknüpfte Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu IoT, Edge AI und Echtzeitdaten im Bau

Quellen und Evidenz zu IoT, Edge AI und Echtzeitdaten im Bau

Rechtzeitig erkennen, was morgen Schaden anrichtet

Cloud-Edge MLOps for Diagnostic Analytics and Anomaly Detection in Smart Office Digital Twins

TinyML pipeline for efficient crack classification in UAV-based structural health inspections

On-Device Crack Segmentation for Edge Structural Health Monitoring

Edge intelligence for on-site risk detection in road and bridge engineering

Budimex

AI 360 Camera System – Backeye 360 AI

Concremote – Optimising your construction

Concremote Software – User Manual, 999808602, 10/2024

Denmark Inaugurates First Robotic Sorting Plant for Construction Waste

RGS Nordic Invests in Robotic Sorting Plant for Construction Waste

Enabling Innovative Space-driven Services for Energy Efficient Buildings and Climate Resilient Cities

Periodic Reporting for period 1 – BUILDSPACE

Data Act

Robotic, Automated and DIgital solutions for improving building renovAtion and New Construction Efficiency (RADIANCE)

OGC SensorThings API Part 1: Sensing Version 1.1

Visual detection of workers’ personal protective equipment for underground construction safety management

Construct-X: Fraunhofer IFF stärkt digitale Zusammenarbeit im Bauwesen

RGS Nordic – Case study