INNOVATION SCOUT · IMPULSPROFIL

KI-gestützte Ressourcen- und Baustellenlogistik

KI-gestützte Ressourcen- und Baustellenlogistik nutzt lernende Prognose, Entscheidungsunterstützung oder Wahrnehmung, um Material, Lieferungen und knappe Ressourcen zu koordinieren. Sie verbindet aktuelle Zustandsdaten mit zulässiger Planung, freigegebener Disposition und Rückmeldungen aus der Ausführung.

Um was geht es bei KI-gestützte Ressourcen- und Baustellenlogistik?

Eine Dispositionsentscheidung braucht einen belastbaren Zustand von Bedarf, Bestand, zugesagten Lieferungen und verfügbaren Menschen, Maschinen und Flächen. Ein Modell kann Engpässe oder die nächste Aktion vorschlagen; ein Optimierer muss die tatsächlich abgebildeten Randbedingungen berücksichtigen. Erst die Freigabe löst einen Auftrag aus. Ausführung und Rückmeldung bilden eigene Schritte: Eine berechnete zulässige Route ist noch kein erledigter Transport.

Quelle 1: ADAPT: An Autonomous Forklift for Construction Site Operation, Fundstelle(n): §§3–5 · §6.5 Quelle 7: Carbon-management decision support for prefabricated component production and delivery under dynamic energy–carbon signals, Fundstelle(n): §§2–3 Quelle 8: Analysis of intelligent construction scheduling optimization based on reinforcement learning and its carbon emission reduction effect, Fundstelle(n): §6.3

Einordnung im Impulsradar

Die Forschung untersucht lernende Bestell- und Ressourcenverfahren häufig in Simulationen. Reale Maschinenversuche und einzelne betriebliche Transporte zeigen begrenzte Einsatzmöglichkeiten. Telematik, mathematische Optimierung und autonome Fahrt sind jeweils vom Lernanteil zu unterscheiden. Maßgeblich für den Nutzen ist der vollständige Auftrag einschließlich Wartezeit, Übergabe, Aufsicht und Eingriffen. Eine allgemeine Steigerung des Netto-Durchsatzes ist nicht belegt.

Quelle 1: ADAPT: An Autonomous Forklift for Construction Site Operation, Fundstelle(n): §6 Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): §IV · Tabellen 4–5 Quelle 3: Innok x MARKGRAF: Perfekte Werkslogistik mit dem INDUROS, Fundstelle(n): Anwendungsbericht Quelle 5: Simulation-driven Reinforcement Learning vs. Search-based Optimization for Real-time Control in Construction Manufacturing, Fundstelle(n): §4 und Schluss

Zustand, Disposition und ausgeführter Auftrag

Telematik und IoT liefern zunächst Beobachtungen. Bedarfsschätzung, Auswahl einer Bestellung und gelernte Greifsteuerung sind unterschiedliche KI-Aufgaben. Klassische Suche und festgelegte Ablaufregeln können daneben eine wesentliche Rolle spielen. Die Bewertung sollte daher benennen, welcher Schritt lernt und welcher nur vorhandene Vorgaben ausführt.

Quelle 1: ADAPT: An Autonomous Forklift for Construction Site Operation, Fundstelle(n): §§3–5 Quelle 7: Carbon-management decision support for prefabricated component production and delivery under dynamic energy–carbon signals, Fundstelle(n): §§2–3 Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): §III E–F; §IV Tabellen 4–5

Materialmenge, Standort, Datenalter und freier Übergabeplatz müssen zum selben Auftrag passen. Bei Störungen braucht es eine zuständige Stelle, die den Zustand prüft und eine neue zulässige Folge freigibt. Eine Kapazitätszahl bildet noch keine Personalqualifikation, Schichtregel oder tatsächlich verfügbare Ladeleistung ab. Solche Voraussetzungen dürfen nicht hinter einem guten Optimierungswert verschwinden.

Quelle 1: ADAPT: An Autonomous Forklift for Construction Site Operation, Fundstelle(n): §6.5 Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): §III F Quelle 8: Analysis of intelligent construction scheduling optimization based on reinforcement learning and its carbon emission reduction effect, Fundstelle(n): §6.3 · Methodik; §4.5; §6.3 Quelle 15: Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership, Fundstelle(n): Menschliche Kontrolle

Der Schwerpunkt liegt auf konkreter Zuteilung und Bewegung von Ressourcen. Übergreifende Projektprognosen und vorgelagerte Preis- oder Beschaffungsrisiken liefern Eingaben, ersetzen aber diese operative Aufgabe nicht. Ebenso kann ein Transportroboter einen freigegebenen Auftrag ausführen, ohne selbst den gesamten Baustellenbedarf zu disponieren. Vollautonomie aller Ressourcen ist keine Voraussetzung, um eine abgegrenzte Funktion sinnvoll zu bewerten.

Quelle 1: ADAPT: An Autonomous Forklift for Construction Site Operation, Fundstelle(n): §§3–5 · §6 Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): §IV Quelle 3: Innok x MARKGRAF: Perfekte Werkslogistik mit dem INDUROS, Fundstelle(n): Anwendungsbericht

Worauf es bei KI-gestützte Ressourcen- und Baustellenlogistik fachlich ankommt

ADAPT: gelernte Wahrnehmung im realen Transportzyklus

Studien-/Praxisbefund

ADAPT von AIT und TU Wien kombiniert trainierte Palettenerkennung mit regel- und modellbasierter Aufgabenfolge, Navigation und Regelung. Im Außenbereich einer Robotik-Versuchsanlage wurden drei Lade- und Entladeszenarien untersucht. Bei 60 Palettentransporten berichten die Autoren 17 Eingriffe. Ein erfahrener Bediener benötigte 82,5 Prozent der autonomen Zykluszeit. GNSS- und Hardwareprobleme gehören zu den dokumentierten Grenzen.

Quelle 1: ADAPT: An Autonomous Forklift for Construction Site Operation, Fundstelle(n): §§3–5 · §6, insbesondere 6.4–6.5

Fachliche Einordnung

Der Versuch trägt Pilotierung einer physischen Logistikfunktion, nicht die Reife einer lernenden Flottendisposition. Für einen Einsatzvergleich zählen sämtliche Lade-, Fahr- und Übergabeschritte sowie die Eingriffe. Eine erfolgreiche Teilbewegung oder ein Versuch bei Regen begründet keine allgemeine Allwetter- oder Sicherheitsfreigabe.

Quelle 1: ADAPT: An Autonomous Forklift for Construction Site Operation, Fundstelle(n): §6, insbesondere 6.4–6.5 · §6

Großmaschinen: Teilgeschwindigkeit und Gesamtleistung

Studien-/Praxisbefund

Die ETH-/Liebherr-Arbeit verbindet gelernte Angriffspunktwahl und Bewegungssteuerung mit Planung und einer festen Zustandsmaschine. Auf der realen 40-t-Maschine benötigt die Variante Fast Throw im vollständigen Zyklus 32,55 Sekunden, der schnelle Expertenvergleich 17,44 Sekunden bei ähnlichem mittlerem Volumen. Etwa 20 Zyklen je Bedingung und mögliche manuelle Rücksetzungen begrenzen den Versuch. Kennzahlen ohne Greifphase beschreiben einen anderen Ablauf.

Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): §III E–F; §IV Tabellen 4–5

Fachliche Einordnung

Autonome Ausführung und höherer Durchsatz sind getrennte Eigenschaften. Eine betriebliche Prüfung sollte auch Bereitstellung, Greifen, Entladen, Rückfahrt und Störungsbehebung zählen. Herstellerbeteiligte Forschung kann eine Funktion nachvollziehbar zeigen, ersetzt aber keine unabhängige Wirtschaftlichkeitsprüfung auf wechselnden Baustellen.

Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): §III E–F; §IV Tabellen 4–5 · Tabellen 4–5

MARKGRAF: benannte Werkslogistik mit offener Lernmethodik

Studien-/Praxisbefund

Innok beschreibt im November 2025 den INDUROS-Einsatz bei MARKGRAF für Pakettransporte und die Bereitstellung von Baustellenmaterial an Abholboxen. Mitarbeitende starten Aufträge über eine Oberfläche; Halle, Hof, Tore und Anhängerhandhabung gehören zum beschriebenen Ablauf. Das als KI vermarktete Rückwärtsrangieren wird methodisch nicht offengelegt. Ein Begleitartikel vom Juli 2026 nennt den Anwender erneut; er dokumentiert keine zweite Installation oder gemessene Ausweitung.

Quelle 3: Innok x MARKGRAF: Perfekte Werkslogistik mit dem INDUROS, Fundstelle(n): Absätze zu zwei Logistikprozessen und ReverseParkingAI Pro Quelle 4: Kundenvideo: Warum die W. Markgraf GmbH & Co KG auf die Brownfield-Automatisierung von Innok Robotics setzt, Fundstelle(n): Artikeltext zum Anwenderinterview

Fachliche Einordnung

Der Fall trägt eine berichtete betriebliche Transportanwendung in der Bauunternehmenslogistik. Eine beliebig wechselnde Baustelle, ein bestimmtes Lernverfahren oder autonome Gesamt-Disposition sind damit nicht nachgewiesen. Die beiden Herstellerberichte zählen als eine Belegkette. Ohne Betreiberlogs zu Aufträgen, Eingriffen und Wartezeiten bleibt auch der Nettoeffekt offen.

Quelle 3: Innok x MARKGRAF: Perfekte Werkslogistik mit dem INDUROS, Fundstelle(n): Absätze zu zwei Logistikprozessen und ReverseParkingAI Pro · Anwendungsbericht Quelle 4: Kundenvideo: Warum die W. Markgraf GmbH & Co KG auf die Brownfield-Automatisierung von Innok Robotics setzt, Fundstelle(n): Artikeltext zum Anwenderinterview

Fertigteilproduktion: Lernen gegen Suche vergleichen

Studien-/Praxisbefund

Flood und Hill vergleichen einen trainierten Entscheidungsagenten, lokale Suche und deren Kombination für simulierte Fertigteilproduktion und Lieferung. Eine nicht im Training verwendete Folge von 2.000 Komponenten ermöglicht Vergleiche; sie wird jedoch wiederholt zur Modellauswahl verwendet. Weiteres Training nach dem besten Stand verschlechtert die Leistung durch Überanpassung. Suchläufe werden wiederholt, aber ein externer Baustellentest fehlt.

Quelle 5: Simulation-driven Reinforcement Learning vs. Search-based Optimization for Real-time Control in Construction Manufacturing, Fundstelle(n): §§2–4, insbesondere 4.1–4.2; Schluss

Fachliche Einordnung

Für eine operative Einführung reicht ein Vorteil gegenüber einer schwachen Regel nicht aus. Vergleichbar sein müssen Aufgabe, zulässige Entscheidungen, Rechenbudget und verfügbare Daten. Eine zur Modellauswahl verwendete Folge ist kein unangetasteter Abschlusstest. Simulation kann Verfahren eingrenzen; die Frist für eine rechtzeitige reale Disposition und deren Nutzen müssen gesondert geprüft werden.

Quelle 5: Simulation-driven Reinforcement Learning vs. Search-based Optimization for Real-time Control in Construction Manufacturing, Fundstelle(n): §§2–4, insbesondere 4.1–4.2; Schluss · §4 und Schluss

Planung und Ausführung: integrierte Ansätze mit engen Nachweisen

Studien-/Praxisbefund

Das institutionelle Abstract von Lin et al. beschreibt 2026 die Verbindung von Ressourcenplanung, mobiler Lieferung und räumlichem Greifen. Der Fachvolltext war nicht zugänglich; Versuchsort, Wiederholungen und Gesamtwirkung bleiben deshalb offen. Wang, Hua und Chen untersuchen getrennt eine PPO-Planung mit Zulässigkeitsmaske für Vorgänger sowie Personal- und Gerätekapazität. Ihre Vergleiche bleiben kontrollierte Simulation mit deterministischen Annahmen.

Quelle 6: Integrated Resource Scheduling and Delivery in Construction Using Autonomous Mobile Robots and Enhanced 6-DoF Grasping, Fundstelle(n): Abstract und Publikationsmetadaten Quelle 8: Analysis of intelligent construction scheduling optimization based on reinforcement learning and its carbon emission reduction effect, Fundstelle(n): Methodik; §4.5; §6.3

Fachliche Einordnung

Die Verbindung von Planung und Ausführung ist fachlich relevant, doch ein Abstract trägt keine Detailquote. Auch eine Aktionsmaske schützt nur die modellierten Bedingungen. Personalkapazität ersetzt keine Prüfung von Befähigung und Schicht; fehlende Sperrflächen oder falsche Lieferdaten bleiben außerhalb der mathematischen Zulässigkeit. Für Beton-Live-Disposition und kombinierte Schicht-/Ladeplanung fehlen hier unabhängige Feldbelege.

Energieziele: Modellverbesserung ist keine gemessene CO₂-Wirkung

Studien-/Praxisbefund

Lu und Gary koppeln Fertigteilproduktion und Auslieferung mit Kapazität, Fahrzeugrückkehr sowie Energie- und CO₂-Signalen. Q-Learning verteilt dabei Suchaufwand zwischen Optimierungsebenen; es ist keine pauschal lernende Gesamtsteuerung. Neun synthetische Instanzen und ein repräsentatives Metro-Szenario bilden die Prüfung. Die Arbeit benennt fehlende vollständige Feldvalidierung sowie deterministische Bearbeitungs- und Fahrannahmen.

Quelle 7: Carbon-management decision support for prefabricated component production and delivery under dynamic energy–carbon signals, Fundstelle(n): §§3–5, §6 Grenzen

Fachliche Einordnung

Ein besserer Wert im mehrzieligen Optimierungsvergleich belegt keine reale Emissionsminderung. Für eine betriebliche Bilanz müssen Energieherkunft, Auslastung, Leerfahrten, Zusatzaufwand und Systemgrenzen zusammenpassen. Die untersuchte Energiekoordination ist außerdem kein Nachweis tatsächlich verfügbarer Ladefenster elektrischer Baumaschinen.

Quelle 7: Carbon-management decision support for prefabricated component production and delivery under dynamic energy–carbon signals, Fundstelle(n): §§3–5, §6 Grenzen · Modellgrenzen

Integrationsvorhaben und Standortplanung richtig einordnen

Studien-/Praxisbefund

Der KI-Baustellenkoordinator der RWTH ist für August 2026 bis August 2028 als Forschungsprojekt dokumentiert. Er soll Erkennung, Bedarfsprognose und Modellrückmeldung verbinden. RADIANCE und sein SINTEF-Partnerbeitrag beschreiben ebenfalls laufende Robotik-, Logistik- und Simulationsarbeit, keine abgeschlossene Logistikwirkung. Der undatierte ALICE-/Implenia-Fall ergänzt die Variantenplanung eines norwegischen Betonproduktionsstandorts mit Bewegungswegen und Stationsabläufen.

Quelle 10: KI-Baustellenkoordinator, Fundstelle(n): Projektlaufzeit, Ausgangslage und Ziele Quelle 11: RADIANCE – Robotic, Automated and Digital solutions for improving building renovation and new construction efficiency, Fundstelle(n): Factsheet, Objective, Laufzeit Quelle 12: RADIANCE project, Fundstelle(n): Projektbeschreibung / SINTEF-Beitrag Quelle 13: Implenia optimizes concrete production hub with ALICE, Fundstelle(n): Falltext zu Windworks und Produktionslayout

Fachliche Einordnung

Projektstarts tragen aktuelle Entwicklungsaktivität, noch keine Markteinführung. CORDIS und der Partnerbericht beschreiben dieselbe Projektkette. Beim ALICE-Fall bleiben Lernverfahren, zeitliche Einordnung und realisierter Durchsatz offen; er dient als Planungskontext. Für die Baustellenanwendung müssen Layout und zulässige Wege laufend mit dem tatsächlich nutzbaren Raum abgeglichen werden.

Quelle 11: RADIANCE – Robotic, Automated and Digital solutions for improving building renovation and new construction efficiency, Fundstelle(n): Factsheet, Objective, Laufzeit Quelle 12: RADIANCE project, Fundstelle(n): Projektbeschreibung / SINTEF-Beitrag Quelle 13: Implenia optimizes concrete production hub with ALICE, Fundstelle(n): Falltext zu Windworks und Produktionslayout Quelle 1: ADAPT: An Autonomous Forklift for Construction Site Operation, Fundstelle(n): §6.5

Validierung: Simulation, Pilotbericht und Betriebsnutzen

Studien-/Praxisbefund

Sepehris Multi-Agent-Arbeit berichtet historisch parametrisierte Digital-Twin-Szenarien und prospektive Piloten, verwendet jedoch uneindeutige Sprache zu ihrem Einsatzstatus. Unbenannte Baustellen und gebündelte Effekte begrenzen die Aussagekraft; Erfolgsprozente werden hier nicht übernommen. RICS liefert Branchenkontext und FIEC eine Position zu Verantwortung und Erprobung. Beide belegen keine konkrete Dispositionsleistung.

Quelle 9: Autonomous Multi-Agent Coordination for Dynamic Construction Project Scheduling Under Resource Constraints and Environmental Uncertainties, Fundstelle(n): §§3.5, 4.1, 5 und 6.1 Quelle 14: RICS Construction Productivity Report 2026, Fundstelle(n): Berichtsseite: Produktivität, Skills und Technologie Quelle 15: Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership, Fundstelle(n): PDF S.1 und Positionen zu menschlicher Kontrolle

Fachliche Einordnung

Ein betrieblicher Vergleich sollte erledigte Aufträge je Schicht, Leer- und Wartezeiten, Einrichtung, Aufsicht, Eingriffe und Restriktionsverletzungen erfassen. Bei ungesichertem Zustand muss eine verantwortliche Stelle betroffene Aufträge prüfen und einen Ersatzablauf freigeben. Diese Anforderungen sind praktische Ableitungen, keine bereits universell implementierte Ausfallsicherheit oder garantierte Nettoersparnis.

Quelle 1: ADAPT: An Autonomous Forklift for Construction Site Operation, Fundstelle(n): §6 · §6.5 Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): Tabellen 4–5 · §III F Quelle 5: Simulation-driven Reinforcement Learning vs. Search-based Optimization for Real-time Control in Construction Manufacturing, Fundstelle(n): §4 und Schluss Quelle 8: Analysis of intelligent construction scheduling optimization based on reinforcement learning and its carbon emission reduction effect, Fundstelle(n): §6.3 Quelle 15: Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership, Fundstelle(n): Menschliche Kontrolle

Warum KI-gestützte Ressourcen- und Baustellenlogistik relevant ist

ReifegradPilotierung bis erste Marktanwendung

Reale Versuche lernender Wahrnehmung und Maschinensteuerung tragen Pilotierung abgegrenzter Logistikfunktionen. Der benannte MARKGRAF-Fall dokumentiert erste betriebliche Transporte, allerdings mit nur begrenzt offengelegtem Lernanteil. MR-03–MR-04 bleibt in dieser funktionsbezogenen Reichweite bestehen. Simulierte Bestell- und Planungsverfahren übernehmen dadurch weder automatisch Pilotreife noch die Reife autonomer Gesamt-Disposition.

Evidenzwachsende Evidenz

Originalarbeiten liefern nachvollziehbare Methoden, Vergleiche und reale Maschinenversuche; Herstellerberichte ergänzen eine konkrete betriebliche Anwendung. Aussagekraft und Unabhängigkeit bleiben unterschiedlich. Langzeitmessungen lernender Live-Disposition und belastbare Nettoeffekte fehlen in der geprüften Auswahl. EV-02 bezeichnet diese begrenzte gemeinsame Evidenz, nicht eine allgemein bestätigte Produktivitätswirkung.

EntwicklungsdynamikAktive Weiterentwicklung

Aktuelle Arbeiten verbinden Lernen, Suche, Ressourcenplanung und physische Ausführung.

Simulationen vergleichen Lern- und Suchverfahren, integrierte Ansätze verknüpfen Planung mit Lieferung und Greifen, und neue Vorhaben bearbeiten die Datenrückmeldung. Das trägt aktive Weiterentwicklung über mehrere Linien. Eine zunehmende Entwicklungsrate ist daraus nicht belegt; Überanpassung, begrenzter Originalzugang und fehlende Feldvalidierung bleiben wichtige Grenzen.

Quelle 5: Simulation-driven Reinforcement Learning vs. Search-based Optimization for Real-time Control in Construction Manufacturing, Fundstelle(n): 2025, Methodik Quelle 6: Integrated Resource Scheduling and Delivery in Construction Using Autonomous Mobile Robots and Enhanced 6-DoF Grasping, Fundstelle(n): 2026, Abstract Quelle 7: Carbon-management decision support for prefabricated component production and delivery under dynamic energy–carbon signals, Fundstelle(n): 2026, Methodik Quelle 10: KI-Baustellenkoordinator, Fundstelle(n): Projektstart 08.2026

MarktdynamikBegrenzte Marktbewegung

Ein benannter Transportfall trägt punktuelle Nutzung; eine Ausweitung derselben KI-Funktion bleibt offen.

Die datierten MARKGRAF-Berichte stützen punktuelle beziehungsweise fortgesetzt berichtete betriebliche Anwendung. Sie beschreiben dieselbe Hersteller- und Anwenderkette, keine unabhängigen Einführungen. Der konkrete Lernmechanismus bleibt offen. Projektpartner, digitale Flottenplattformen und allgemeine Kundenzahlen tragen keine darüber hinausgehende Ausweitung genau dieser Funktion; ein fehlender breiter Nachweis bedeutet umgekehrt keinen schrumpfenden Markt.

Quelle 3: Innok x MARKGRAF: Perfekte Werkslogistik mit dem INDUROS, Fundstelle(n): 06.11.2025 Quelle 4: Kundenvideo: Warum die W. Markgraf GmbH & Co KG auf die Brownfield-Automatisierung von Innok Robotics setzt, Fundstelle(n): 15.07.2026

Für welche Bauprozesse KI-gestützte Ressourcen- und Baustellenlogistik relevant ist

Strategie & Projektentwicklung

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Früh lassen sich Bedarfsmengen, Versorgungsrisiken sowie Zufahrts- und Flächenreserven als Anforderungen festlegen. Sie geben der späteren Planung und Vergabe einen prüfbaren Rahmen. Dies ist eine vorbereitende Schnittstelle; eine eigenständige strategische KI-Entscheidung ist hier nicht validiert.

Quelle 13: Implenia optimizes concrete production hub with ALICE, Fundstelle(n): Produktionslayout Quelle 3: Innok x MARKGRAF: Perfekte Werkslogistik mit dem INDUROS, Fundstelle(n): Materialversorgung

Planung & Design

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Planung stellt Lagerzonen, Übergabepunkte, Wege und wechselnde Bauzustände als Referenz bereit. So lassen sich Logistikvarianten prüfen und mit dem Bauablauf abstimmen. Die tatsächliche Nutzbarkeit von Flächen und Wegen muss im Betrieb bestätigt werden; ein Planstand allein reicht nicht.

Ausschreibung & Vergabe

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Lieferfenster, Kapazitäten, Datenformate und Zuständigkeiten können als überprüfbare Lieferbedingungen beschrieben werden. Klare Rückmeldungen erleichtern spätere Disposition. Dieser indirekte Beitrag belegt weder autonome Vergabe noch garantierte Erfüllung einer vereinbarten Lieferung.

Bauausführung & Baustellenmanagement

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Der Kern ist der Abgleich von Bedarf und Bestand mit Transportaufträgen sowie knappen Personal-, Maschinen- und Flächenkapazitäten. Verfahren können Nachschub priorisieren und neue zulässige Abläufe vorschlagen. Die Freigabe bei Störungen und die Rückmeldung tatsächlich erledigter Aufträge bleiben entscheidend.

Quelle 3: Innok x MARKGRAF: Perfekte Werkslogistik mit dem INDUROS, Fundstelle(n): Materialversorgung Quelle 1: ADAPT: An Autonomous Forklift for Construction Site Operation, Fundstelle(n): §6.5 Quelle 8: Analysis of intelligent construction scheduling optimization based on reinforcement learning and its carbon emission reduction effect, Fundstelle(n): §6.3

Betrieb & Instandhaltung

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Versorgungs- und Instandhaltungsaufträge können von aktuellen Bestands-, Zugangs- und Bereitstellungsdaten profitieren. Das ist eine bedingte Übertragung auf wiederkehrende Aufgaben. Der Werkslogistikfall bestätigt keine eigenständige Langzeitvalidierung im Facility Management oder eine Wartungsprognose.

Rückbau & Kreislaufwirtschaft

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Abholfenster, Zwischenlager, Materialmengen und Behälterzustände können die Koordination von Rückbauströmen unterstützen. Der Nutzen liegt in nachvollziehbaren Transport- und Flächenentscheidungen. Eine verbesserte Recyclingquote oder ein unabhängig gemessener Rückbaunutzen ist damit nicht belegt.

Für wen KI-gestützte Ressourcen- und Baustellenlogistik relevant ist

Bauunternehmen und Generalunternehmer

Bauunternehmen bestimmen Mengen, Prioritäten und nutzbare Flächen und erhalten bearbeitbare Bestell- oder Transportvorschläge. Ein Disponent muss den aktuellen Zustand und Entscheidungen bei Störungen prüfen. Berichtete betriebliche Nutzung zeigt die Aufgabe; eine allgemeine Personaleinsparung ist daraus nicht ableitbar.

Quelle 3: Innok x MARKGRAF: Perfekte Werkslogistik mit dem INDUROS, Fundstelle(n): Anwenderabläufe Quelle 1: ADAPT: An Autonomous Forklift for Construction Site Operation, Fundstelle(n): Architektur und Versuche · §6.5 Quelle 15: Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership, Fundstelle(n): Menschliche Kontrolle

Betreiber, Facility- und Asset-Management

Betreiber sowie Facility- und Asset-Management stellen Zugangs- und Versorgungsbedingungen für wiederkehrende Materialaufträge bereit. Bereitstellung muss mit dem laufenden Nutzungsbetrieb vereinbar sein. Dieser Nutzen ist eine plausible Übertragung, im geprüften Bestand aber nicht separat gemessen.

Baustoff-, Produkt- und Maschinenhersteller

Baustoff-, Produkt- und Maschinenhersteller liefern Kapazitäts-, Liefer- und Gerätedaten. Damit lassen sich Abrufe und Übergaben besser abstimmen, sofern Produktionsgrenzen und Schnittstellen verlässlich gepflegt werden. Herstellerbeteiligte Forschung ersetzt keine unabhängige Prüfung des wirtschaftlichen Effekts.

Technologieanbieter und Systemintegratoren

Technologieanbieter und Systemintegratoren verbinden Zustandsdaten, Prognose oder Optimierung, Auftrag und Ausführungsrückmeldung. Datenalter, Modellversion, Schnittstellenfehler und manuelle Eingriffe müssen nachvollziehbar bleiben. Der zusätzliche Integrations- und Kontrollaufwand gehört zum Nutzenvergleich.

Mit welchen Technologie- und Anwendungsfeldern KI-gestützte Ressourcen- und Baustellenlogistik verknüpft ist

Hauptbezug

Predictive Analytics & Entscheidungen

Der Schwerpunkt liegt in der nächsten Ressourcenentscheidung: Bedarf oder Engpass einschätzen und zulässige Optionen priorisieren. Ein lernender Vorschlag und ein nachgeschalteter Optimierer können dabei verschiedene Funktionen übernehmen. Das Primärfeld bezeichnet diese Entscheidungsunterstützung, nicht zwingend eine vollständig autonome Steuerung.

Quelle 1: ADAPT: An Autonomous Forklift for Construction Site Operation, Fundstelle(n): Architektur · §§3–5 · §6.5 Quelle 10: KI-Baustellenkoordinator, Fundstelle(n): Projektziele Quelle 7: Carbon-management decision support for prefabricated component production and delivery under dynamic energy–carbon signals, Fundstelle(n): Modellgrenzen · §§2–3

Verknüpftes Feld

Robotik, Automatisierung & Physical AI

Robotik und automatisierte Maschinen führen freigegebene Fahr-, Lade- oder Greifaufträge aus und melden Erfolg oder Abbruch zurück. Diese physische Schnittstelle kann lernende Wahrnehmung oder Regelung enthalten. Autonome Bewegung belegt jedoch keine baustellenweite Ressourcenplanung.

Verknüpftes Feld

Datenplattformen & KI-Infrastruktur

Datenplattformen müssen Bestand, Lieferung, Personal-, Maschinen- und Positionsdaten mit verlässlichen Zeit- und Auftragsbezügen verbinden. Ein gemeinsamer Datenzugang unterstützt Entscheidungen, ersetzt aber weder Datenpflege noch das konkrete Lernverfahren. Eine Plattforminstallation allein ist kein KI-Nutzennachweis.

Verknüpftes Feld

BIM & Digitaler Zwilling

BIM und digitale Zwillinge liefern räumliche und zeitliche Referenzen für Bedarf, Zonen und Wege. Sie können Varianten und Restriktionen sichtbar machen. Eine Simulation oder ein veraltetes Modell bestätigt keinen ausgeführten Auftrag; tatsächliche Zustandsänderungen müssen zurückgemeldet werden.

Fachbegriffe und Detailthemen

Quellen und Evidenz zu KI-gestützte Ressourcen- und Baustellenlogistik

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

Quelle 1
ADAPT: An Autonomous Forklift for Construction Site Operation
Herausgeber
Huemer et al.; AIT / TU Wien, arXiv
Publiziert
18.03.2025
Quellentyp
Preprint
Geltungsbereich
Forschungsstapler auf Versuchsanlage; Eingriffe und menschlicher Gesamtzyklusvergleich, keine Serienbaustelle.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (21 Textstellen)
- §§3–5Textstelle 1 Textstelle 2 Textstelle 4 Textstelle 6 Textstelle 7 Textstelle 37 Textstelle 38 Textstelle 39 Textstelle 40
- §6.5Textstelle 1 Textstelle 2 Textstelle 5 Textstelle 20 Textstelle 22 Textstelle 30 Textstelle 33 Textstelle 34 Textstelle 35 Textstelle 36 Textstelle 37 Textstelle 38 Textstelle 39 Textstelle 40
- §6Textstelle 3 Textstelle 6 Textstelle 8 Textstelle 22 Textstelle 23 Textstelle 24
- §6, insbesondere 6.4–6.5Textstelle 7 Textstelle 8
- Architektur und VersucheTextstelle 33 Textstelle 34 Textstelle 35 Textstelle 36
- ArchitekturTextstelle 37 Textstelle 38 Textstelle 39 Textstelle 40
Quelle 2
Large Scale Robotic Material Handling: Learning, Planning, and Control
Herausgeber
Spinelli et al.; ETH Zürich / Liebherr, arXiv
Publiziert
12.08.2025
Quellentyp
Preprint
Geltungsbereich
Herstellerbeteiligter Preprint mit realer Großmaschine; begrenzte Zyklen und manueller Reset.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (10 Textstellen)
- §III FTextstelle 1 Textstelle 5 Textstelle 22
- §IVTextstelle 3 Textstelle 6 Textstelle 23 Textstelle 24
- Tabellen 4–5Textstelle 3 Textstelle 10 Textstelle 22 Textstelle 24
- §III E–F; §IV Tabellen 4–5Textstelle 4 Textstelle 9 Textstelle 10
Quelle 3
Innok x MARKGRAF: Perfekte Werkslogistik mit dem INDUROS
Herausgeber
Innok Robotics
Publiziert
06.11.2025
Quellentyp
Anbieterbericht
Geltungsbereich
Benannter Bauanwender auf Herstellerkanal; Werkslogistik, Lernmethodik und Nettoeffekt offen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (17 Textstellen)
- AnwendungsberichtTextstelle 3 Textstelle 6 Textstelle 12 Textstelle 23 Textstelle 24
- Absätze zu zwei Logistikprozessen und ReverseParkingAI ProTextstelle 11 Textstelle 12
- 06.11.2025Textstelle 26
- MaterialversorgungTextstelle 27 Textstelle 28 Textstelle 29 Textstelle 30 Textstelle 31 Textstelle 32
- AnwenderabläufeTextstelle 33 Textstelle 34 Textstelle 35 Textstelle 36
Quelle 4
Kundenvideo: Warum die W. Markgraf GmbH & Co KG auf die Brownfield-Automatisierung von Innok Robotics setzt
Herausgeber
Innok Robotics
Publiziert
15.07.2026
Quellentyp
Anbieterbericht
Geltungsbereich
Begleitartikel derselben Anwendung; Video nicht ausgewertet, keine zweite unabhängige Installation.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Artikeltext zum AnwenderinterviewTextstelle 11 Textstelle 12
- 15.07.2026Textstelle 26
Quelle 5
Simulation-driven Reinforcement Learning vs. Search-based Optimization for Real-time Control in Construction Manufacturing
Herausgeber
Flood und Hill; Winter Simulation Conference 2025
Publiziert
2025
Quellentyp
Originalstudie
Geltungsbereich
Simulation mit Lern-/Suchvergleich und Überanpassung; kein externer Baustellentest, genauer Publikationstag offen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- §4 und SchlussTextstelle 3 Textstelle 14 Textstelle 22 Textstelle 24
- §§2–4, insbesondere 4.1–4.2; SchlussTextstelle 13 Textstelle 14
- 2025, MethodikTextstelle 25
Quelle 6
Integrated Resource Scheduling and Delivery in Construction Using Autonomous Mobile Robots and Enhanced 6-DoF Grasping
Herausgeber
Lin et al.; HKUST Research Portal / Automation in Construction
Publiziert
20.04.2026
Quellentyp
Institutionelles Abstract
Geltungsbereich
Nur institutionelles Abstract und Metadaten eingesehen; keine ungeprüften Detailkennzahlen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Abstract und PublikationsmetadatenTextstelle 15 Textstelle 16
- 2026, AbstractTextstelle 25
Quelle 7
Carbon-management decision support for prefabricated component production and delivery under dynamic energy–carbon signals
Herausgeber
Lu und Gary; Frontiers in Environmental Science
Publiziert
21.08.2026
Quellentyp
Originalstudie
Geltungsbereich
Synthetische Instanzen und repräsentatives Szenario; keine gemessene betriebliche Emissionswirkung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (10 Textstellen)
- §§2–3Textstelle 1 Textstelle 2 Textstelle 4 Textstelle 37 Textstelle 38 Textstelle 39 Textstelle 40
- §§3–5, §6 GrenzenTextstelle 17 Textstelle 18
- ModellgrenzenTextstelle 18 Textstelle 37 Textstelle 38 Textstelle 39 Textstelle 40
- 2026, MethodikTextstelle 25
Quelle 8
Analysis of intelligent construction scheduling optimization based on reinforcement learning and its carbon emission reduction effect
Herausgeber
Wang, Hua und Chen; Discover Artificial Intelligence / Springer Nature
Publiziert
19.05.2026
Quellentyp
Originalstudie
Geltungsbereich
Kontrollierte Simulation mit deterministischen Ressourcen- und Emissionsannahmen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- §6.3Textstelle 1 Textstelle 2 Textstelle 5 Textstelle 16 Textstelle 22 Textstelle 30
- Methodik; §4.5; §6.3Textstelle 5 Textstelle 15 Textstelle 16
Quelle 9
Autonomous Multi-Agent Coordination for Dynamic Construction Project Scheduling Under Resource Constraints and Environmental Uncertainties
Herausgeber
Sepehri; Advances in Civil Engineering / Wiley
Publiziert
10.07.2026
Quellentyp
Originalstudie
Geltungsbereich
Uneindeutige Simulation-/Pilotdarstellung; nur Methodensignal und Gegenbefund, kein Wirkungsanker.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (1 Textstelle)
- §§3.5, 4.1, 5 und 6.1Textstelle 21
Quelle 10
KI-Baustellenkoordinator
Herausgeber
Zukunft Bau / BBSR; RWTH Aachen
Publiziert
undatiert
Quellentyp
Projektbeschreibung
Geltungsbereich
Offizielles Forschungsziel, Laufzeit August 2026–August 2028; keine erreichte operative Leistung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- Projektlaufzeit, Ausgangslage und ZieleTextstelle 19
- Projektstart 08.2026Textstelle 25
- ProjektzieleTextstelle 37 Textstelle 38 Textstelle 39 Textstelle 40
Quelle 11
RADIANCE – Robotic, Automated and Digital solutions for improving building renovation and new construction efficiency
Herausgeber
Europäische Kommission / CORDIS
Publiziert
undatiert
Quellentyp
Projektbeschreibung
Geltungsbereich
Laufendes EU-Projekt seit September 2025; Ziele, keine abgeschlossene Logistik-Testserie.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Factsheet, Objective, LaufzeitTextstelle 19 Textstelle 20
Quelle 12
RADIANCE project
Herausgeber
SINTEF
Publiziert
undatiert
Quellentyp
Projektbeschreibung
Geltungsbereich
Partnerbeschreibung derselben RADIANCE-Kette; keine unabhängige Ergebnisbestätigung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Projektbeschreibung / SINTEF-BeitragTextstelle 19 Textstelle 20
Quelle 13
Implenia optimizes concrete production hub with ALICE
Herausgeber
ALICE Technologies
Publiziert
undatiert
Quellentyp
Anbieterbericht
Geltungsbereich
Undatierter, älterer Planungskontext; Lernverfahren und realisierter Durchsatz nicht nachgewiesen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- Falltext zu Windworks und ProduktionslayoutTextstelle 19 Textstelle 20
- ProduktionslayoutTextstelle 27 Textstelle 28 Textstelle 29 Textstelle 31 Textstelle 32
Quelle 14
RICS Construction Productivity Report 2026
Herausgeber
RICS
Publiziert
undatiert
Quellentyp
Branchenbericht
Geltungsbereich
Branchenkontext; Jahreszahl im Titel allein bestätigt kein Publikationsdatum oder Logistikleistung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (1 Textstelle)
- Berichtsseite: Produktivität, Skills und TechnologieTextstelle 21
Quelle 15
Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership
Herausgeber
FIEC
Publiziert
22.10.2025
Quellentyp
Branchenposition
Geltungsbereich
Branchenposition vom 22.10.2025; keine Wirksamkeits- oder Sicherheitsfreigabe.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- Menschliche KontrolleTextstelle 1 Textstelle 5 Textstelle 22 Textstelle 33 Textstelle 34 Textstelle 35 Textstelle 36
- PDF S.1 und Positionen zu menschlicher KontrolleTextstelle 21

Alle Impulse im Radar entdecken

KI-gestützte Ressourcen- und Baustellenlogistik

Um was geht es bei KI-gestützte Ressourcen- und Baustellenlogistik?

Einordnung im Impulsradar

Zustand, Disposition und ausgeführter Auftrag

Worauf es bei KI-gestützte Ressourcen- und Baustellenlogistik 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

Warum KI-gestützte Ressourcen- und Baustellenlogistik relevant ist

Für welche Bauprozesse KI-gestützte Ressourcen- und Baustellenlogistik relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen KI-gestützte Ressourcen- und Baustellenlogistik relevant ist

Bauunternehmen und Generalunternehmer

Betreiber, Facility- und Asset-Management

Baustoff-, Produkt- und Maschinenhersteller

Technologieanbieter und Systemintegratoren

Mit welchen Technologie- und Anwendungsfeldern KI-gestützte Ressourcen- und Baustellenlogistik verknüpft ist

Predictive Analytics & Entscheidungen

Robotik, Automatisierung & Physical AI

Datenplattformen & KI-Infrastruktur

BIM & Digitaler Zwilling

Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu KI-gestützte Ressourcen- und Baustellenlogistik

Quellen und Evidenz zu KI-gestützte Ressourcen- und Baustellenlogistik

ADAPT: An Autonomous Forklift for Construction Site Operation

Large Scale Robotic Material Handling: Learning, Planning, and Control

Innok x MARKGRAF: Perfekte Werkslogistik mit dem INDUROS

Kundenvideo: Warum die W. Markgraf GmbH & Co KG auf die Brownfield-Automatisierung von Innok Robotics setzt

Simulation-driven Reinforcement Learning vs. Search-based Optimization for Real-time Control in Construction Manufacturing

Integrated Resource Scheduling and Delivery in Construction Using Autonomous Mobile Robots and Enhanced 6-DoF Grasping

Carbon-management decision support for prefabricated component production and delivery under dynamic energy–carbon signals

Analysis of intelligent construction scheduling optimization based on reinforcement learning and its carbon emission reduction effect

Autonomous Multi-Agent Coordination for Dynamic Construction Project Scheduling Under Resource Constraints and Environmental Uncertainties

KI-Baustellenkoordinator

RADIANCE – Robotic, Automated and Digital solutions for improving building renovation and new construction efficiency

RADIANCE project

Implenia optimizes concrete production hub with ALICE

RICS Construction Productivity Report 2026

Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership