KI-gestützte Versorgungsroutenplanung für die Militärlogistik: Optimierung unter Bedrohungsbedingungen

Versorgungsgüter zur richtigen Zeit an den richtigen Ort zu bringen, ist in einer harmlosen Umgebung ein einfaches Logistikproblem. In einem umkämpften Einsatzgebiet wird daraus eine Mehrziel-Optimierung unter gegnerischer Unsicherheit: Jedes Straßensegment trägt nicht nur eine Fahrzeit, sondern auch eine Wahrscheinlichkeit der Unterbrechung, und diese Wahrscheinlichkeit ändert sich, während sich das Bedrohungsbild entwickelt. Die manuelle Routenplanung -- ein Stabsoffizier, der mit Routenkarten und Konvoiplänen an einer Karte arbeitet -- kann Aktualisierungen der Bedrohungsaufklärung nicht schnell genug verarbeiten, um den Bewegungsplan aktuell zu halten. Die KI-gestützte Versorgungsroutenplanung ersetzt diesen manuellen Zyklus durch eine kontinuierliche Optimierungs-Engine, die Bedrohungs-Overlays, den Zustand des Straßennetzes und Konvoipläne aufnimmt und Routen erzeugt, die die Risikoexposition minimieren und gleichzeitig die Lieferfristen einhalten. Dieser Artikel behandelt die Kernalgorithmen hinter der KI-Optimierung der Militärlogistik, von der Graphenmodellierung und Bedrohungsintegration über die Konvoi-Entflechtung, die Netzdegradation bis hin zur Echtzeit-Neuplanung.

Die Komplexität der Versorgungsroutenplanung in umkämpften Umgebungen

Die klassische Routenplanung optimiert ein einzelnes Ziel -- üblicherweise Entfernung oder Fahrzeit -- auf einem statischen Netz. Die militärische Versorgungsroutenplanung ist weder einzielorientiert noch statisch. Ein Planer muss gleichzeitig die Bedrohungsexposition minimieren, Lieferzeitfenster einhalten, Beschränkungen hinsichtlich Fahrzeugnutzlast und Straßenkapazität beachten, mehrere Konvois entflechten, die um dieselben Engpässe konkurrieren, und der Möglichkeit Rechnung tragen, dass das Straßennetz selbst zwischen der Ausgabe des Plans und der Bewegung des Konvois degradiert. Jede dieser Dimensionen fügt eine Ebene kombinatorischer Komplexität hinzu, und die Wechselwirkungen zwischen ihnen sind nicht trivial: Die Route mit der geringsten Bedrohung kann über eine Brücke mit unzureichender Tragfähigkeit für das schwerste Fahrzeug im Konvoi führen, oder die Route, die zwei Konvois am besten entflechtet, kann eine Abfahrtszeit erfordern, die eine Lieferfrist verletzt.

Das Bedrohungsbild ist besonders schwer zu handhaben, da es sowohl räumlich verteilt als auch zeitlich instabil ist. Eine IED-Wahrscheinlichkeits-Heatmap, die aus historischen Vorfallsdaten und einer aktuellen Pattern-of-Life-Analyse abgeleitet wird, ist eine kontinuierliche Rasterfläche, die in Kosten pro Segment auf einem diskreten Straßengraphen übersetzt werden muss. Diese Übersetzung ist unvollkommen: Ein Straßensegment, das den Rand einer Hochwahrscheinlichkeitszone streift, sollte geringere Bedrohungskosten erhalten als eines, das durch deren Mitte verläuft, und dasselbe Segment kann in den beiden Fahrtrichtungen sehr unterschiedliche Bedrohungsstufen aufweisen, wenn die Bedrohungsquellen asymmetrisch positioniert sind. Darüber hinaus ist die Heatmap in dem Moment veraltet, in dem sie erstellt wird -- neue Vorfälle, Routensperrungen und feindliche Verlegungen verschieben die Bedrohungsfläche kontinuierlich auf eine Weise, die ein statischer Planungslauf nicht vorhersehen kann.

Das Ergebnis ist ein Planungsproblem, das eine wiederholte Neuoptimierung anstelle einer einzelnen Lösung erfordert. Der Wert der KI-gestützten Routenplanung liegt nicht nur darin, dass sie bessere Routen findet als manuelle Methoden -- sondern darin, dass sie schnell genug neu planen kann, um den Bewegungsplan gültig zu halten, während sich die Bedingungen ändern, und dies für Dutzende gleichzeitiger Konvois über ein straßennetz im Maßstab eines Theaters hinweg.

Graphbasierte Straßennetzmodellierung für die Militärlogistik

Die Grundlage der KI-gestützten Routenplanung ist ein geospatialer Graph, der das Straßennetz als gerichtete Menge von Knoten und Kanten darstellt. Knoten entsprechen Straßenkreuzungen, Wegpunkten, Versorgungspunkten, Lieferpunkten und benannten Orten. Kanten entsprechen Straßensegmenten, wobei die Richtungsabhängigkeit es dem Modell ermöglicht, Einbahnstraßenbeschränkungen, Fahrspursperrungen und asymmetrische Bedrohungsstufen abzubilden. Jede Kante trägt eine Reihe von Attributen: Länge in Metern, nominale Fahrzeit je Fahrzeugklasse (leicht radgebunden, schwer radgebunden, kettengebunden), Oberflächentyp (befestigt, unbefestigt, Pfad), maximale Tragfähigkeit und ein Befahrbarkeits-Flag, das auf falsch gesetzt werden kann, um die Kante vom gesamten Routing auszuschließen. Brücken werden als eigenständige Kantentypen mit ihrer eigenen Tragfähigkeitsklassifizierung modelliert -- typischerweise ausgedrückt in Militärischer Lastenklasse (MLC) -- weil eine Brücke, die für ein leichtes Radfahrzeug passierbar ist, für eine Kombination aus Kampfpanzer und Tankwagen unpassierbar sein kann.

Straßennetzdaten für die militärische Planung stammen aus mehreren Quellen, die zu einem einzigen Graphen harmonisiert werden müssen. Kommerzielle Vektor-Straßendaten liefern die Basisgeometrie und Konnektivität. Pioniererkundungsberichte aktualisieren Brückenbewertungen, Straßenzustandsbewertungen und Sperrungen. Die Analyse von Satelliten- und Luftbildaufnahmen liefert Schadensbewertungen für Segmente in Gebieten, in denen eine Bodenerkundung nicht möglich ist. Die Herausforderung der Datenfusion besteht darin, den Graphen mit der Realität synchron zu halten: Eine Brücke, die im Vektordatensatz passierbar erscheint, kann Wochen zuvor zerstört worden sein. Graph-Aktualisierungspipelines, die strukturierte Aufklärungsberichte aufnehmen und sie als Patches für Kantenattribute anwenden -- anstatt einen vollständigen Netzneuaufbau zu erfordern -- sind für das operative Tempo unerlässlich.

Sobald der Graph konstruiert ist, finden Kürzeste-Wege-Algorithmen optimale Routen. Der Dijkstra-Algorithmus berechnet den global optimalen Pfad, skaliert aber schlecht für große Graphen mit häufigen Neuoptimierungszyklen. Die A*-Suche mit einer geospatialen Heuristik (Luftlinienentfernung zum Ziel) reduziert den Suchraum für Punkt-zu-Punkt-Abfragen erheblich. Für Mehrhalt-Routen mit geordneten Wegpunkten gilt die Formulierung des Problems des Handlungsreisenden; für praktische Netze im Theater-Maßstab erzeugen Nächste-Nachbar-Heuristiken mit lokalen Verbesserungsschritten Lösungen innerhalb von 5--10 % des Optimums in Millisekunden. Die Wahl des Algorithmus hängt von der erforderlichen Lösungszeit, der Netzgröße und davon ab, ob die Optimierung im Batch-Betrieb (vor einem Bewegungsfenster) oder in Echtzeit (als Reaktion auf ein Ereignis während der Bewegung) ausgeführt wird.

Integration von Bedrohungsebenen: IED-Wahrscheinlichkeit, Beobachtung und Feuerwirkungskarten

Die Übersetzung von Aufklärungsprodukten in Routing-Kosten erfordert eine räumliche Verknüpfung zwischen dem Straßennetzgraphen und den Bedrohungs-Overlay-Ebenen. Für Raster-Bedrohungsebenen wie IED-Wahrscheinlichkeits-Heatmaps -- erstellt von prädiktiven Analysemodellen, die historische Vorfallsdaten mit Gelände-, Infrastruktur- und Pattern-of-Life-Merkmalen kombinieren -- berechnet die Verknüpfung den mittleren oder maximalen Bedrohungswert entlang jedes Straßensegments, indem das Raster an entlang der Kantengeometrie verteilten Punkten abgetastet wird. Der resultierende Bedrohungswert pro Kante wird auf eine Skala von 0--1 normalisiert und mit den anderen Bedrohungsebenen über eine gewichtete Summe kombiniert, deren Koeffizienten vom Bediener konfigurierbar sind. Ein Bediener, der eine Kraftstoffnachschublieferung plant, könnte das IED-Risiko am höchsten gewichten; einer, der eine medizinische Evakuierung plant, könnte den Wirkungsbereich direkten Feuers am stärksten gewichten, weil die Fahrzeuge sich keine Feindberührung leisten können.

Vektor-Bedrohungsebenen erfordern eine Polygon-zu-Kante-Verschneidung anstelle einer Rasterabtastung. Ein Polygon des Wirkungsbereichs direkten Feuers, das die Sichtlinien-Bedrohung von einer bekannten gegnerischen Waffenstellung darstellt, wird mit jeder Straßenkante verschnitten, um den Anteil der Kantenlänge zu berechnen, der innerhalb des Wirkungsbereichs liegt. Kanten, die vollständig innerhalb einer Feuerwirkungszone liegen, erhalten die vollen Bedrohungskosten; Kanten, die die Zonengrenze streifen, erhalten anteilige Kosten. Beobachtungsposten-Puffer -- die Gebiete darstellen, in denen der Konvoi beobachtet und gemeldet würde, was die Sekundärbedrohung erhöht -- werden auf dieselbe Weise behandelt. Die entscheidende Designentscheidung ist, ob alle Bedrohungsebenen zu einzelnen zusammengesetzten Kosten kombiniert oder als separate Dimensionen in einer Mehrziel-Optimierung beibehalten werden. Einzelne zusammengesetzte Kosten sind rechnerisch einfacher, erfordern aber, dass sich der Bediener vor der Lösung auf eine Gewichtung festlegt. Die Mehrziel-Optimierung liefert eine Pareto-Front von Routen, die Fahrzeit gegen Bedrohungsexposition abwägen, was dem Kommandanten mehr Informationen liefert, allerdings um den Preis einer komplexeren Entscheidungsschnittstelle.

Die zeitliche Bedrohungsvariation ist die am schwierigsten zu integrierende Ebene. Aktivitätsmuster des Gegners -- höheres IED-Verlegungsrisiko bei Dunkelheit, höheres Risiko direkten Feuers bei Tageslicht in bestimmtem Gelände -- bedeuten, dass sich die optimale Route für einen Nachtkonvoi von der optimalen Route für einen Tageskonvoi auf demselben Ausgangs-Ziel-Paar unterscheidet. Zeitindizierte Kantenkosten ermöglichen es dem Optimierer, diese Muster zu berücksichtigen, wenn die Abfahrtszeit bekannt ist, sie erhöhen jedoch die Speicher- und Abfragekomplexität des Graphen erheblich. Ein praktischer Ansatz besteht darin, Routenempfehlungen für drei oder vier repräsentative Zeitfenster (Morgendämmerung, Tag, Abenddämmerung, Nacht) vorzuberechnen und den Planer das anwendbare Fenster zur Einsatzplanungszeit auswählen zu lassen, anstatt einen vollständig zeitindizierten Graphen in Echtzeit zu lösen.

Mehrfahrzeug-Konvoi-Entflechtung und Zeitfensterplanung

Ein logistischer Plan im Theater-Maßstab umfasst typischerweise Dutzende bis Hunderte gleichzeitiger Konvois, die sich durch ein gemeinsames Straßennetz bewegen. Ohne Entflechtung werden mehrere Konvois an denselben Engpässen zusammenlaufen -- Brückenübergänge, Gebirgspässe, urbane Transitkorridore -- und Warteschlangen erzeugen, die die Verweildauer und die Bedrohungsexposition vervielfachen. Die Konvoi-Entflechtung löst nach einer Reihe von Routen und Abfahrtszeiten, die dieses Zusammenlaufen verhindern und dennoch die Lieferfristen einhalten. Die zugrunde liegende mathematische Struktur ist ein Vehicle-Routing-Problem mit Zeitfenstern (VRPTW): Jeder Konvoi ist ein Fahrzeug mit fester Kapazität, jeder Lieferpunkt hat ein Zeitfenster, und Straßensegmente haben Kapazitätsbeschränkungen, die sich aus ihrer Breite, ihren verkehrstechnischen Bewertungen und der Einsatzrichtlinie zum Konvoiabstand ableiten.

Das VRPTW ist NP-schwer, was bedeutet, dass exakte Lösungen für große Instanzen rechnerisch nicht handhabbar sind. Produktive Militärlogistikplaner verwenden metaheuristische Solver -- die Adaptive Large Neighborhood Search (ALNS) ist der aktuelle Stand der Praxis -- die für Instanzen mit 50--200 Konvois und 500--2.000 Lieferpunkten innerhalb von zwei bis fünf Minuten Lösungszeit nahezu optimale Lösungen finden. ALNS funktioniert, indem es iterativ einen Teil der aktuellen Lösung zerstört (eine Teilmenge der Konvoizuweisungen entfernt) und sie mit einer gierigen Einfügeheuristik repariert, wobei Verbesserungen akzeptiert und gelegentlich schlechtere Lösungen akzeptiert werden, um lokalen Optima zu entkommen. Der Reparaturoperator respektiert alle Bedingungen: Zeitfenster, Fahrzeugkapazität, Straßentragfähigkeiten und die Bedrohungskostenhülle. Lösungen, die eine harte Bedingung verletzen (Brückentragfähigkeit, Lieferfrist), werden verworfen; Lösungen, die die Bedrohungsexposition über eine vom Bediener festgelegte Toleranz hinaus erhöhen, werden in der Zielfunktion bestraft.

Der Konvoiabstand innerhalb eines einzelnen Konvois ist ein separates, aber verwandtes Problem. Ein Konvoi aus zehn Fahrzeugen, der sich mit 40 km/h und 100 m Abstand bewegt, belegt 1 km Straße. Wenn die Route durch einen 500 m langen urbanen Korridor führt, ist der Konvoi für die Dauer des Transits zusammengedrängt, was ein erweitertes Zeitfenster als hochwertiges Ziel schafft. Routenplanungssoftware, die konvoilängenbewusst ist, wird den Konvoi entweder in zwei Marschblöcke mit gestaffelten Abfahrtszeiten aufteilen oder Routen identifizieren, die lange beengte Korridore für große Konvois vermeiden. Dies erfordert Kantenattribute, die nicht nur die Befahrbarkeit, sondern auch die effektive Durchsatzkapazität als Funktion von Konvoigröße und -geschwindigkeit kodieren.

Straßennetzdegradation: Modellierung von Brückenkapazität, Straßenzustand und Engpässen

Ein Straßennetz in einer umkämpften Umgebung degradiert kontinuierlich. Brücken werden angegriffen, gesprengt oder überflutet. Unbefestigte Straßen werden nach starkem Regen oder anhaltendem Kettenfahrzeugverkehr unpassierbar. Urbane Engpässe werden durch verlassene Fahrzeuge, Trümmer oder absichtliche Hindernisse blockiert. Ein Routenplan, der zur H-Stunde optimal war, kann bis H+12 teilweise oder vollständig unbrauchbar sein. Die Modellierung der Straßennetzdegradation versucht, diesen Verfall zu antizipieren und in die Routenoptimierung einzubeziehen, anstatt ihn zu entdecken, wenn der Konvoi an einem unpassierbaren Segment ankommt.

Die Brückendegradation ist der folgenschwerste Einzelpunktausfall in einem Straßennetz. Eine zerstörte Brücke an einem Flussübergang kann alle Routen in einem Korridor eliminieren und Konvois auf alternative Übergänge zwingen, die Stunden an Fahrzeit hinzufügen und die Bedrohungsexposition erhöhen können. Der Planer sollte für jeden Übergang einen Brückenverwundbarkeitswert führen, der seine strukturelle Bedeutung (die Anzahl der von ihm abhängigen Routen), seine bewertete gegnerische Zielpriorität und seinen aktuellen Zustand kombiniert. Routen, die sich auf hochverwundbare Brücken stützen, sollten zusätzliche Kontingenzkosten tragen, und der Plan sollte alternative Übergänge vorab identifizieren, damit Konvoikommandanten über eine Rückfallroute verfügen, ohne eine vollständige Neuplanung über Funk zu benötigen, falls der primäre Übergang verwehrt wird.

Die Degradation des Straßenzustands auf unbefestigten Wegen wird mithilfe einer Befahrbarkeitsfunktion modelliert, die die Bodentragfähigkeit, den Bodenfeuchtegehalt, die Fahrzeugachslast und die kumulierte Verkehrszählung kombiniert. Jede Fahrzeugüberfahrt verringert die Bodentragfähigkeit einer wassergesättigten unbefestigten Straße; jenseits eines Schwellenwerts wird die Straße für Radfahrzeuge unpassierbar und muss umfahren werden. Dieser Effekt ist besonders ausgeprägt während der Frühjahrsschneeschmelze in kontinentalen Klimazonen, wenn die Frostgrenze sinkt und gesättigte Böden über Wochen an Tragfähigkeit verlieren. Routenplanungssoftware, die Bodenfeuchte-Vorhersagedaten aus numerischen Wettervorhersagemodellen einbezieht, kann erkennen, welche unbefestigten Routensegmente während des Planungshorizonts wahrscheinlich unpassierbar werden, und sie entsprechend gewichten, wodurch Konvois zu befestigten Alternativen gelenkt werden, bevor die Oberfläche degradiert, anstatt danach.

Echtzeit-Neuplanung bei Routenkompromittierung oder Bedrohungsaktualisierung

Routenkompromittierungsereignisse -- ein IED-Anschlag, eine Routensperrung, eine Feindberührungsmeldung auf einem einem aktiven Konvoi zugewiesenen Segment -- erfordern eine Neuplanung, die schneller ist, als es ein Batch-Optimierungszyklus zulässt. Die inkrementelle Neuplanungsarchitektur trennt die vollständige Netzoptimierung, die periodisch ausgeführt wird (alle 15--60 Minuten, abhängig von der Rate der Aufklärungsaktualisierungen), von der ereignisgesteuerten Neuplanung, die innerhalb von Sekunden nach einem Auslöseereignis ausgeführt wird und nur die Konvois betrifft, deren verbleibende Routen das kompromittierte Segment enthalten. Die ereignisgesteuerte Neuplanung verwendet einen inkrementellen Kürzeste-Wege-Algorithmus wie D*-Lite, der einen rückwärtsgerichteten Kürzeste-Wege-Baum vom Ziel aus pflegt und Kantenkostenänderungen nur durch den von der Aktualisierung betroffenen Teil des Baums propagiert. Für eine typische Änderung, die eine einzelne Kante oder eine kleine Gruppe benachbarter Kanten betrifft, berechnet D*-Lite den optimalen Pfad in einer Zeit neu, die proportional zur Größe des betroffenen Teilgraphen ist, und nicht zum gesamten Netz.

Die Neuplanungspipeline muss mit geringer Latenz an die Aufklärungsmeldekette angebunden sein. Eine Feindberührungsmeldung, die im Operationszentrum eintrifft, aber 20 Minuten benötigt, um transkribiert und als Kostenaktualisierung in das Routenplanungssystem eingegeben zu werden, bietet einem Konvoi, der sich noch auf die Bedrohung zubewegt, keinen operativen Nutzen. Produktive Implementierungen integrieren die Routenplanungs-Engine direkt mit dem C2-Ereignisstrom -- jedes als feindlicher Akt oder Routensperrung gekennzeichnete CoT-Ereignis löst automatisch eine Kostenaktualisierung für die betroffene Kante aus und initiiert eine Neuplanung für alle dieser Kante zugewiesenen Konvois. Die überarbeitete Route wird innerhalb von zwei Minuten nach dem auslösenden Ereignis an das Terminal des Konvoikommandanten übermittelt, was dem Kommandanten Zeit gibt, zu handeln, bevor er den kompromittierten Punkt erreicht.

Eine Neuplanung ist nicht immer möglich. Ein Konvoi, der sich bereits in einem engen Tal ohne alternative Ausfahrten befindet, kann nicht per Software umgeleitet werden; es erfordert eine taktische Reaktion durch den Konvoikommandanten. Das Routenplanungssystem sollte nicht nur die überarbeitete Route, sondern auch den Grund für die Neuplanung und das Vertrauensniveau der Bedrohungsbewertung kommunizieren, damit der Kommandant beurteilen kann, ob er den vorgeschlagenen Umweg akzeptiert oder auf der ursprünglichen Route fortfährt, basierend auf seinem lokalen Lagebewusstsein. Dieser Aspekt der Mensch-Maschine-Teaming -- die Software liefert die optimierte Empfehlung, der Kommandant behält die Befugnis, sie zu übersteuern -- ist zentral für das Einsatzkonzept der KI-gestützten Logistikplanung in umkämpften Umgebungen, im Einklang mit umfassenderen Ansätzen zur Sichtbarkeit auf der letzten taktischen Meile und Versorgungsverfolgung.

Integration mit logistischen Theatersystemen und C2-Berichterstattung

Eine Routenplanungs-Engine, die isoliert vom breiteren Logistik- und C2-Ökosystem arbeitet, liefert nur einen Bruchteil ihres potenziellen Werts. Die Integration mit logistischen Managementsystemen des Theaters -- die Bestandsmengen, Fahrzeugverfügbarkeit, Wartungsstatus und Lieferpläne verfolgen -- ermöglicht es dem Routenoptimierer, Entscheidungen zu treffen, die den gesamten Lieferkettenkontext berücksichtigen. Ein Routenplaner, der weiß, dass einem bestimmten Versorgungspunkt kritisch der Kraftstoff ausgeht, wird den Kraftstoffnachschubkonvoi gegenüber einer Fracht mit niedrigerer Priorität bevorzugen und Abfahrtszeiten und Routen entsprechend anpassen, anstatt alle Konvois als Optimierungseingaben gleicher Priorität zu behandeln. Dieses Lieferkettenbewusstsein verwandelt den Routenplaner von einer Einzellösung in eine Komponente einer größeren KI-gesteuerten Architektur der Militärlogistikoptimierung.

Die Integration der C2-Berichterstattung stellt sicher, dass Routenpläne für die Kommandanten sichtbar sind, die für den Kräfteschutz und die taktische Koordinierung verantwortlich sind. Die geplante Route, die geplanten Wegpunkte und die geschätzten Ankunftszeiten jedes Konvois werden als Overlays auf dem COP veröffentlicht, sodass Kommandanten erkennen können, wann ein Konvoi einen Sektor durchqueren wird, für den sie verantwortlich sind, und entsprechend Begleitschutz oder Überwachung koordinieren können. Die Routenentflechtung mit Manövereinheiten -- um sicherzustellen, dass ein Logistikkonvoi ein Straßensegment nicht zur selben Zeit durchquert wie ein in entgegengesetzter Richtung fahrendes Manöverelement -- erfordert Zugriff auf das Bewegungs-Overlay des Manöverplans. Die Integration in das gemeinsame Lagebild durch CoT-Ereignisveröffentlichung oder direkten GIS-Overlay-Austausch macht diese Koordinierung möglich, ohne für jede Konvoibewegung einen separaten Anruf zu erfordern. Die Integration unterstützt auch die Nachmissionsanalyse: Tatsächliche Konvoispuren, die von Fahrzeugpositionssystemen aufgezeichnet werden, können mit den geplanten Routen verglichen werden, um systematische Abweichungen, Engpässe, an denen Konvois konsistent langsamer werden, und Routensegmente zu identifizieren, an denen die Planungsdaten nicht mit der Bodenrealität übereinstimmen.

Die Standardkonformität ist eine Voraussetzung für die Theaterintegration. Routendaten müssen in Formaten austauschbar sein, die die empfangenden Systeme ohne benutzerdefinierte Adapter verarbeiten können: MIL-STD-2525C-taktische Overlays für die COP-Visualisierung, standardisierte Logistikdatenaustauschformate für die Interoperabilität von Lieferkettenmanagementsystemen und CoT für ereignisgesteuerte Benachrichtigungen an Clients des TAK-Ökosystems. Die Unterstützung autonomer Nachschubplattformen fügt eine weitere Integrationsanforderung hinzu: Unbemannte Boden- und Luftnachschubfahrzeuge benötigen Routendaten in einem maschinenlesbaren Format mit Wegpunktkoordinaten, Höhenprofilen und Freigabestatus auf Segmentebene, anstatt der für menschliche Bediener konzipierten Kartenoverlays. Eine Routenplanungs-Engine, die auf offenen geospatialen Standards aufbaut -- OGC WFS/WMS für Netzdaten, GeoJSON für die Routenausgabe und CoT für Ereignisnachrichten -- kann sowohl menschliche Bediener als auch autonome Plattformen aus derselben Routenberechnung ohne Formatkonvertierungsaufwand bedienen.