IT:U-Forscher entwickelt Methode zur Stress-Messung bei Radfahrern
Linzer Forscher nutzt Sensoren und KI, um gefährliche Radwege zu identifizieren. Die Methode soll Stadtplanern bei der Verbesserung der Infrastruktur helfen.
Im Frühling steigen vermehrt Menschen aufs Fahrrad – vorausgesetzt, sie fühlen sich im Straßenraum sicher. Ein Linzer Forscher hat im Rahmen seiner Dissertation eine Methode entwickelt, die Stress beim Radfahren sichtbar macht und Planungsbehörden konkrete Gefahrenstellen zeigt.
Martin Moser von der Interdisciplinary Transformation University (IT:U) in Linz hat im Rahmen seiner Dissertation Radfahrende mit Sensoren ausgestattet, die Stressreaktionen erfassen. Diese werden mit GPS-Daten verknüpft, um Schwachstellen in der Infrastruktur zu identifizieren.
"Wenn 30 von 40 Radfahrenden an derselben Kreuzung Stress empfinden, ist das ein klarer Hinweis: Dort muss geprüft werden, was die Ursache ist – und wie sich die Situation verbessern lässt", erklärt Moser, PhD der Forschungsgruppe GeoSoziale KI an der IT:U.
Laut Daten des Innenministeriums (Verkehrsunfallbilanz 2025) hat sich die Zahl der tödlich verunglückten Rad- und E-Bike-Fahrer:innen im Jahr 2025 von 32 auf 65 erhöht – seit 2002 die höchste Opferzahl.
Die Methode hat bereits das Interesse städtischer Stellen geweckt. Ein Beispiel aus Salzburg zeigt den Nutzen: In Faistenau entstand durch einen neu errichteten Supermarkt an einer stark befahrenen Straße ein potenziell gefährlicher Weg. Die Analyse machte die Stelle objektiv sichtbar und lieferte eine Grundlage für gezielte Maßnahmen zur Entschärfung.
"Wir können mit wissenschaftlich gesicherten Erkenntnissen zeigen, welche Stellen in der Stadt gefährlich sind und dass eine Maßnahme gesetzt werden sollte, beispielsweise der Bau eines Radweges", verdeutlicht Bernd Resch, Professor für GeoSoziale KI und Betreuer der Dissertation.
Am 31. März 2026 verteidigte Moser seine Dissertation erfolgreich am IT:U Education Campus. Begonnen hatte er seine Arbeit an der Universität Salzburg (Fachbereich Geoinformatik), in den vergangenen zwei Jahren setzte er sie an der IT:U fort.
"Der Unterschied liegt in der gelebten Interdisziplinarität: Für meine Forschung brauche ich Kenntnisse aus Machine Learning, Stadt- und Verkehrsplanung sowie erklärbarer KI", sagt Moser, der als Postdoc an der IT:U bleibt und das Forschungsprojekt weiterführen wird.
Bernd Resch und sein Team haben eigene Algorithmen entwickelt, die körperliche Stressreaktionen beim Radfahren messbar machen. Diese Daten werden mit Einflüssen aus der Umgebung verknüpft. "Der Algorithmus funktioniert bereits gut. Wenn ein Stadt- oder Planungsamt mit einer konkreten Problemstelle – etwa einer Kreuzung oder Straße – auf uns zukommt, können wir vor Ort eine Studie durchführen und bei der Planung unterstützen", erklärt Resch.
Die Forscher sehen weiteren Forschungsbedarf. "Wir entwickeln die KI-Methoden laufend weiter, um möglichst genaue und verlässliche Information für Stadt- und Mobilitätsplanung zu liefern", betont Resch.
Die Forschung verbindet Sensorik, KI und Stadtplanung und liefert Daten, mit denen Schwachstellen in der Infrastruktur identifiziert werden können.