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 zunächst einen Verarbeitungsort; 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

IoT 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

Das benannte Reallabor belegt eine integrierte Erprobung. Es ersetzt keine Validierung im laufenden Brücken- oder Autobahnbetrieb; quantitative Diagnosegüte und übertragbare Betriebskennzahlen nennt die Meldung 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 MQTT mit lokaler Anomalieerkennung auf 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 Inferenz 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 TinyML-Arbeit 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 F1 0,938 ± 0,022; Modell- und gesamte Pipelinezeit 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

Ein Preprint von Mai 2025 untersucht Risssegmentierung mit 5.000 Bildern. Für eine kleine U-Net-Variante sinkt der berichtete F1-Wert durch 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

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

Der Anbieterfall stützt tatsächliche Einführung bei einem benannten Bauunternehmen. Er liefert keine kontrollierte Unfallbilanz oder Alarmqualität. Die aktuelle Produktversion darf nicht pauschal allen 2025 installierten Geräten zugeschrieben werden; eine automatische Bremsfunktion oder verlässliche Gesamtlatenz ist hier nicht nachgewiesen.

Betonmonitoring: Kalibrierung vor Entscheidung

Studien-/Praxisbefund

Doka beschreibt 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.

Sortierung: Betriebsmeldung und Bestellmeldung unterscheiden

Studien-/Praxisbefund

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.

Passender Titel ersetzt keine passende Validierung

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.

Integrationsprogramme liefern unterschiedliche Belegarten

Studien-/Praxisbefund

BUILDSPACE verbindet Gebäude- und Weltraumdaten; der erste Periodenbericht endet am 31. Juli 2024 und beschreibt eine Cloudplattform. RADIANCE läuft von September 2025 bis August 2029 und benennt geplante Validierungen. 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

Der ältere BUILDSPACE-Bericht dient als Architekturkontext. RADIANCE-Ziele und Construct-X-Entwicklungsaufgaben sind keine abgeschlossenen Leistungsnachweise. Sie zeigen konkrete Integrationsrichtungen, tragen aber weder eine aktuelle Verbreitungsquote noch allgemeine Echtzeitfähigkeit.

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 daher nicht den physischen Messzeitpunkt abbilden. Offene Schnittstelle, Zugangsrecht und Erlaubnis für eine konkrete weitere Nutzung sind verschiedene Fragen. Keiner dieser Rahmen belegt allein Messgenauigkeit, geringe Latenz oder uneingeschränktes Modelltraining.

Einführung mit überprüfbarer Fehlerbehandlung

Studien-/Praxisbefund

Die untersuchten Systeme 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 eine Einführung lassen sich daraus konkrete Prüfaufgaben ableiten: Datenalter anzeigen, Mess- und Modellstände dokumentieren, Strom- und Netzausfall behandeln, unsichere Meldungen zur Prüfung weitergeben und Updates rückverfolgbar halten. Eine vollständige Störfallprüfung oder sichere autonome Reaktion ist durch die vorliegenden Einzelbelege nicht allgemein abgedeckt.

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

MR-04–MR-06 bleibt im bestehenden breiten Zuschnitt erhalten. 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

EV-03 gilt für abgegrenzte Forschungs- und Praxisbefunde 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.

ED-02 stützt sich auf unterschiedliche Arbeiten zur lokalen Modellpflege, ressourcenbegrenzten Bildauswertung und Baustellenintegration. 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.

MD-02 bezieht sich eng auf den 2025 berichteten Einbau in fast 40 Maschinen einer Organisation. Jahresangabe und Anbieterbericht begrenzen die zeitliche und unabhängige Absicherung. Der Fall belegt keine branchenweite Verbreitung und keine Ausweitung sämtlicher IoT- oder Edge-AI-Funktionen.

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. Sie bilden eine Voraussetzung für Projektentscheidungen; eine eigene Investitionsbewertung ist im vorliegenden Zuschnitt nicht belegt.

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. Die Daten unterstützen spätere Modellabgleiche; die betrachtete Infrastruktur enthält keine eigenständige generative Planungsfunktion.

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

Im vorhandenen Zuschnitt ist keine unmittelbare KI-Funktion für Ausschreibung oder Vergabe nachgewiesen. Die Beschaffung von Sensoren und Netzen allein begründet keine direkte Prozessrelevanz.

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; der Anbieterfall ersetzt keine eigene Nutzenmessung.

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 automatische Ursache oder Wartungsentscheidung liefert eine Anomalie allein nicht.

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

TF-04 ist das primäre Feld: Sensoranbindung, Datenströme und lokale oder zentrale Verarbeitung bilden die Infrastruktur. Einheitliche Beobachtungsmodelle erleichtern die Kopplung; die tatsächliche Qualität der Eingangsdaten bleibt eine eigene Aufgabe.

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. Ein Datenabbild kann Zustände darstellen; daraus folgt noch keine zuverlässige Prognose oder geschlossene Regelung.

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

Fachbegriffe und Detailthemen

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
Gelesener Originalpreprint mit Ablationen und Gerätewerten; 24-Monats-Erweiterung für Segmentierung statt Klassifikation. 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
Volltext geprüft: Evaluation auf Webdienst-QoS statt Bauwerksdaten; widersprüchliche Data-availability-Angabe. Für Methodenskizze und Gegenbefund brauchbar, nicht für realen Brückeneinsatz.
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
Originales Betriebshandbuch, konkrete Zuordnung/Kalibrierung und Funktionsgrenzen; 24-Monats-Erweiterung für Betriebsdetails. 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
Benannte Inbetriebnahme Solum/Roskilde am 07.10.2024; 24-Monats-Erweiterung für reale BP-06-Kette. Vermischt Reinheit und Recyclingquote, daher Leistungszahlen nicht übernommen.
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
Originale Investitionsmeldung; 24-Monats-Erweiterung zur Trennung Ankündigung/Betrieb. Geplante Installation, keine abgeschlossene Inbetriebnahme aus diesem Text.
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 Projektbestand, Titel/Laufzeit geprüft. Ziele nicht Leistungsnachweis; Aktualisierung kein Publikationsdatum.
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
Originaler Projektbericht; Berichtszeitraum 01.02.2023–31.07.2024, nur Altquellen-/Architekturkontext außerhalb des Evidenzfensters, keine aktuelle Leistungsbestätigung.
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 ältere Normgrundlage ausschließlich zur Funktions-/Metadatenabgrenzung, keine aktuelle Entwicklungs- oder Verbreitungsevidenz. Nur eigene Kurzparaphrase.
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
Original mit Ablationen/Unsicherheitsabgabe; Stichprobenumfang und konkrete Edge-Hardware in gelesener Versuchsbeschreibung nicht nachvollziehbar. Kompression/Deployment zukünftige Arbeit; nur methodischer Gegenbefund.
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. Kein belastbarer Inbetriebnahmetermin, unabhängiger Leistungsnachweis oder Nachweis lokaler Inferenz. Gezielte Ergänzung nach Research-Rückfrage.
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

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