1102 Meldungen hat die Mülheimer Entsorgungsgesellschaft (MEG) nach Angaben von Remondis Digital in einem Halbjahr abgearbeitet. Die Hinweise stammten dabei nicht nur von Bürger:innen oder dem Ordnungsamt, sondern auch von Müllfahrzeugen, die während ihrer regulären Touren den öffentlichen Raum erfassen.
Kameras an den Fahrzeugen nehmen das Straßenumfeld auf. Systeme mit Künstlicher Intelligenz (KI) markieren darauf unter anderem wilde Müllablagerungen, überfüllte Papierkörbe, Graffiti, Wildwuchs oder verschmutzte Verkehrszeichen. Aus einem solchen Hinweis kann anschließend ein Auftrag für eine Reinigungskolonne entstehen. Das Müllfahrzeug selbst setzt seine Tour fort.
Remondis Digital, eine Tochter der Remondis-Gruppe, setzt diesen Ansatz nach eigenen Angaben unter anderem bei der MEG und der Stadtreinigung Hamburg ein. "Was können wir eigentlich mit unseren Fahrzeugen machen, die tagtäglich auf den Straßen unterwegs sind?", beschreibt Johannes Schön, Geschäftsführer von Remondis Digital, den Ausgangspunkt. Die Fahrzeuge fahren regelmäßig und planbar auch Bereiche ab, die von Bussen oder Taxis nicht in vergleichbarer Weise erreicht werden.
Aus der Beobachtung wird ein Auftrag
In Mülheim an der Ruhr lässt sich der Ablauf am Beispiel wilder Müllablagerungen nachvollziehen. Erkennt das System etwa eine Matratze oder einen Schrank neben einem Depotcontainer, übermittelt es die Meldung mit Bild, Georeferenz, Adresse und Zeitstempel an eine Datenbank. Ein Disponent kann den Fund auf einer Karte prüfen und daraus einen Auftrag erstellen.
Vor dem Einsatz der Software erreichten die MEG solche Hinweise über unterschiedliche Wege: von Beschäftigten, dem Ordnungsamt, Bürger:innen oder über Mängelmelder-Apps. Nach Darstellung von Schön entstanden dabei Medienbrüche. E-Mails seien teilweise ausgedruckt oder Informationen mit Zettel und Stift weitergegeben worden. Eine automatische Rückmeldung über die Erledigung habe es nicht immer gegeben.
An dieser Stelle setzt die Software Neos an. Sie überführt Meldungen in digitale Auftragslisten. Der Fahrer erhält die Tour auf einem Endgerät, arbeitet die Punkte ab und dokumentiert die Erledigung. Die Software plant die Einsätze nicht vollständig selbst. Der Disponent entscheidet, welches Gebiet bearbeitet und welches Team eingesetzt wird. Das System unterstützt anschließend bei der Reihenfolge der Tour.
Die MEG nutzt DataFleet nach Angaben von Remondis Digital seit 2023, Neos kam Anfang 2025 hinzu. Von Juli bis Dezember wurden demnach 95 Touren geplant und 1102 Meldungen erledigt. Die Zahlen belegen den Umfang des digitalen Auftragsprozesses. Ob darin Mehrfachmeldungen oder Fehlalarme enthalten sind und wie stark sich Bearbeitungszeiten oder Kosten verändert haben, weist Remondis Digital nicht aus.
Hamburg bewertet den Verschmutzungsgrad
In Hamburg liegt der Schwerpunkt teilweise anders. Die Stadtreinigung arbeitet dort nach eigenen Angaben seit Anfang 2023 mit Remondis Digital zusammen. DataFleet erfasst unter anderem wilde Ablagerungen und verschmutzte Verkehrszeichen. Nach Darstellung von Schön wurden über die Jahre mehrere Zehntausend Verkehrszeichen erfasst und schrittweise in die Tourenplanung aufgenommen. Eine genaue Zahl und ein Zeitraum werden nicht genannt.
Für Papier, Verpackungsmüll oder Zigaretten im Straßenraum kommt zusätzlich Cortexia zum Einsatz. Das System bewertet den Verschmutzungsgrad in einzelnen Straßenabschnitten. Remondis beschreibt Cortexia als Ergänzung zu DataFleet und Neos: DataFleet erfasst Zustände während der Fahrt, Neos steuert Aufträge und Touren, Cortexia bewertet die allgemeine Sauberkeit. Der Anbieter bildet den Verschmutzungsgrad unter anderem in einem Score von null bis fünf ab.
Der Grundgedanke ist in beiden Städten ähnlich: Bestehende Reinigungspläne sollen durch aktuelle Informationen ergänzt werden. Ein Fahrzeug, das eine Verschmutzung erkennt, muss sie nicht selbst beseitigen. Ein Müllfahrzeug kann während der Leerung von Tonnen einen verschmutzten Bereich melden. Eine Reinigungskolonne kann den Ort anschließend gezielt anfahren.
Ob die Technik tatsächlich weniger Fahrten, kürzere Bearbeitungszeiten oder geringere Kosten ermöglicht, bleibt in den vorliegenden Projektangaben offen. Der bislang erkennbare Vorteil liegt vor allem in der automatisierten Erfassung, räumlichen Zuordnung und digitalen Weiterleitung von Meldungen.
Kein Verfahren ohne Konkurrenz
Remondis Digital ist mit dem Grundprinzip nicht allein. Anbieter wie Evreka und WasteVision AI nutzen ebenfalls Fahrzeugkameras, um unter anderem überfüllte Behälter, Fehlwürfe, wilde Ablagerungen oder die Erledigung von Sammelaufträgen zu dokumentieren. Evreka verbindet die Bilderkennung nach eigenen Angaben direkt mit Fällen, Aufgaben und Routen. WasteVision AI richtet sich stärker an Entsorgungsunternehmen und wertet neben Verschmutzungen auch Service- und Flottendaten aus. Die Angaben stammen von den Anbietern und konnten bisher nicht unabhängig geprüft werden.
Auch international entstehen vergleichbare Anwendungen. Das französische Start-up Litter Snap aus Marseille verarbeitet nach einem Bericht des European Cleaning Journal Bilder von Drohnen, Überwachungskameras und Mobiltelefonen, um Abfälle zu lokalisieren und auf digitalen Karten darzustellen. Der Ansatz geht damit über die Nutzung von Müllfahrzeugen hinaus und verbindet unterschiedliche Datenquellen.
Die Besonderheit des Remondis-Modells liegt deshalb weniger in der grundsätzlichen Idee fahrender Kameras als in der Verbindung mehrerer Module mit den Arbeitsabläufen kommunaler Reinigungsbetriebe.
Die Software liefert Hinweise, keine Gewissheiten
Die Technik hat Grenzen. Verdeckte Objekte, parkende Fahrzeuge, Passant:innen, schlechte Lichtverhältnisse oder teilweise sichtbare Gegenstände können die Erkennung erschweren. Auch angemeldeter Sperrmüll kann aus Sicht der Kamera ähnlich aussehen wie eine wilde Ablagerung.
Die Software erzeugt deshalb zunächst einen maschinell ermittelten Hinweis. Ob daraus ein Auftrag entsteht, entscheidet weiterhin ein Mensch. Eine allgemeine Treffer- oder Fehlalarmquote für die eingesetzten Systeme nennt Remondis Digital nicht. Fachliteratur zu KI-Anwendungen in der Abfallwirtschaft verweist ebenfalls auf Probleme bei verdeckten Bereichen sowie auf die Abhängigkeit der Erkennung von Bildqualität, Perspektive und Trainingsdaten.
Für die Beschäftigten verändert sich der Ablauf ebenfalls. Wer bislang nach einem festen Plan dieselbe Straße reinigte, kann künftig abhängig von aktuellen Meldungen in einem anderen Bereich eingesetzt werden. Schön spricht von einem Veränderungsprozess. Die Systeme sollten die Beschäftigten nach Darstellung von Remondis Digital nicht ersetzen, sondern die Einsatzplanung unterstützen. Ob dadurch zusätzlicher Prüfaufwand entsteht oder sich die Arbeitsbelastung tatsächlich verringert, bleibt offen.
Datenschutz beginnt bereits im Fahrzeug
Wo Kameras den öffentlichen Raum erfassen, müssen die Datenschutzregeln früh berücksichtigt werden. Die Stadtreinigung Hamburg veröffentlicht dazu eigene Informationspflichten. Danach können die Kameras vorübergehend neben Straßen, Gehwegen, Grünflächen und Ablagerungen auch Gesichter, Kfz-Kennzeichen, Körpermerkmale, Kleidung und Bewegungsmuster erfassen. Hinzu kommen Zeit- und Datumsstempel, GPS-Positionen des Fahrzeugs und die vom KI-Modell erzeugten Kategorien.
Nach Angaben der Stadtreinigung werden personenbezogene Daten in Echtzeit verpixelt. Bilddaten, die nur der kurzfristigen Erkennung von Verschmutzungen dienen, sollen zeitnah gelöscht werden. Eine längere Speicherung sei nur zulässig, wenn sie für Dokumentation oder Qualitätssicherung erforderlich ist.
Für kommunale Betriebe geht es damit nicht nur um die technische Erkennungsleistung. Sie müssen auch festlegen, welche Daten gespeichert werden, wer darauf zugreifen darf und ob die Aufnahmen ausschließlich der Stadtsauberkeit dienen. Ebenso wichtig ist die Frage, ob Beschäftigte und Bürger:innen über die Verarbeitung ausreichend informiert werden.
Remondis Digital empfiehlt für den Einstieg ein kleines Pilotprojekt. Ein oder zwei Systeme könnten genügen, um Daten für einen konkreten Anwendungsfall zu sammeln und die Einbindung in bestehende Prozesse zu prüfen. Für den Einbau im Fahrzeug seien etwa zwei bis drei Stunden einzuplanen. Der nächste Schritt für die kommunalen Betriebe besteht damit nicht allein in der Installation der Kamera. Sie müssen entscheiden, welche Funde relevant sind, wer sie prüft und ob aus mehr Daten tatsächlich bessere Reinigung entsteht.
