KI-Kameras gegen Handy am Steuer: Was sie erkennen – und was nicht

Du kennst das aus dem Alltag: Im Stau oder an der Ampel wandert der Blick kurz aufs Handy – und plötzlich sind ein paar Sekunden weg. Genau diese Momente sind gefährlich, weil sich das Risiko nicht wie „kurz mal schauen“ anfühlt, sondern wie fehlende Aufmerksamkeit auf der Straße. Gleichzeitig ist klassische Kontrolle begrenzt: Polizeistreifen können nicht überall sein, und zufällige Stichproben wirken auf manche wie Lotterie.

Hier setzen KI-Kameras an. Sie stehen am Straßenrand oder werden mobil aufgebaut und sollen Verstöße wie Handy am Steuer (oft zusammen mit Gurtverstößen) erkennen. Das klingt nach einem klaren technischen Upgrade: Kamera drauf, Algorithmus drüber, fertig. In der Realität ist es komplizierter – technisch, organisatorisch und gesellschaftlich.

Damit du das Thema einordnen kannst, schauen wir auf drei Dinge: Erstens, wie solche Systeme aus Bildern überhaupt ableiten, ob jemand ein Smartphone in der Hand hält. Zweitens, warum die Systeme trotz „KI“ fast immer eine menschliche Prüfung brauchen und welche typischen Fehlerquellen es gibt. Drittens, was veröffentlichte Pilotzahlen aus dem Vereinigten Königreich tatsächlich zeigen – und was sie nicht zeigen. Am Ende geht es um die Kernfrage: Hilft das wirklich, ohne dabei neue Probleme zu schaffen?

Damit eine Kamera „Handy am Steuer“ erkennen kann, muss sie zwei Dinge schaffen: erstens eine gute Sicht ins Fahrzeug (durch Windschutzscheibe, Spiegelungen, wechselndes Licht), zweitens eine verlässliche Interpretation dessen, was im Bild zu sehen ist. In der Praxis arbeiten solche Systeme deshalb nicht wie ein einzelner magischer Algorithmus, sondern wie eine Kette aus mehreren Schritten.

Ein detaillierter Einblick kommt aus einer Feldstudie zum niederländischen System MONOcam. Dort wird ein mobiles Setup beschrieben: Eine hochauflösende Kamera sitzt auf einer schwenkbaren Einheit (Pan-Tilt) und wird über ein PoE-Kabel mit Strom und Daten versorgt. Die Kabellänge wird mit 50 m angegeben. Die Bilder laufen auf einen Laptop im Einsatzfahrzeug, wo mehrere Deep-Learning-Modelle parallel unterschiedliche Aufgaben übernehmen – etwa Windschutzscheibe und Fahrerposition lokalisieren, Kennzeichen erfassen und potenzielle Handynutzung markieren.

Sinngemäß aus der MONOcam-Feldstudie: Ob die Bilder verwertbar sind, hängt stark von Windschutzscheibe, Licht und Wetter ab.

Wichtig ist dabei der Schritt nach der KI: In MONOcam ist eine menschliche Verifikation Teil des Prozesses, inklusive Vier-Augen-Prinzip. Erst wenn ein Treffer geprüft und bestätigt ist, wird er in das Fallbearbeitungssystem überführt. Das ist kein nebensächliches Detail, sondern der Kern der Alltagstauglichkeit: Bildauswertung in der Realität ist nie sauber genug, um automatisch und ohne Kontrolle Sanktionen auszulösen.

Die spannende Frage ist nicht, ob KI in einem Labor Bilder sortieren kann, sondern wie robust das im Verkehr funktioniert. In der MONOcam-Studie wird sehr klar: Es gibt Tage, an denen die Technik zuverlässig arbeitet – und Tage, an denen sie sichtbar an physikalischen Grenzen scheitert. Polizeikräfte sprechen dort sogar von „gutem MONOcam-Wetter“, weil Regen, bestimmte Sonnenstände oder Scheibenbeschichtungen die Sicht ins Fahrzeug stark verschlechtern können.

Das führt zu zwei Arten von Problemen. Erstens: Fehlalarme. In der Feldbeschreibung werden Situationen genannt, in denen etwa Scheibenwischer, Reflexionen oder ungünstige Blickwinkel Bilder erzeugen, die wie „Handy in der Hand“ aussehen können. Der Algorithmus meldet dann Kandidaten, die in der menschlichen Prüfung aussortiert werden müssen. Zweitens: verpasste Treffer. Wenn die Windschutzscheibe stark reflektiert oder das Bild durch Regen und Wischerbewegung unbrauchbar wird, kann selbst ein echter Verstoß nicht zuverlässig erkannt werden.

Eine unabhängige Forschungsarbeit aus 2020 zeigt, wie stark das Problem „Sicht und Kontext“ ist, selbst wenn man mit einer Smartphone-Kamera aus dem Fahrzeug heraus arbeitet. Dort wird ein Ansatz vorgestellt, der per Bildanalyse zwischen Fahrer- und Beifahrer-Handynutzung unterscheiden soll. Die Autoren berichten für ihre Tests eine Genauigkeit von 92,2 % in einem Modus und 94 % in einem anderen Modus sowie eine Rechenzeit von rund 550 ms pro Bild auf einem Smartphone-Prototypen. Diese Quelle ist von 2020 und damit älter als zwei Jahre. Trotzdem ist sie nützlich, weil sie die grundlegenden Mechanismen (Geometrie im Bild, Mehrheitsentscheid über mehrere Frames) verständlich macht – und gleichzeitig die Grenzen zeigt: Nicht alles wurde im echten Fahrbetrieb erhoben, und Verdeckung bleibt ein zentraler Störfaktor.

Aus Sicht von Fairness und Akzeptanz ist die Kombination aus Fehlalarmen und verpassten Treffern besonders heikel. Wenn bestimmte Fahrzeugtypen (zum Beispiel durch Scheibenbeschichtungen) schlechter erfasst werden, entsteht ein Bias: Nicht unbedingt gegen Menschen, aber gegen Kontexte. Das kann die gefühlte Gerechtigkeit untergraben, auch wenn die Technik „im Durchschnitt“ funktioniert. Genau deshalb ist der menschliche Prüfprozess so wichtig – und gleichzeitig so teuer: Jede zusätzliche Kamera produziert auch zusätzliche Review-Arbeit.

Wer „Hilft das wirklich?“ fragt, sucht oft nach einer einfachen Kennzahl: weniger Unfälle, weniger Verstöße, mehr Sicherheit. Solche direkten Kausalzahlen sind öffentlich selten sauber belegt, weil du dafür lange Zeitreihen, Vergleichsregionen und transparente Messmethoden brauchst. Was es häufiger gibt, sind Pilotzahlen darüber, wie viele potenzielle Verstöße Systeme in einem Zeitraum erfassen.

Ein Beispiel liefert eine BBC-Zusammenfassung zu einem Pilot im Raum Greater Manchester. Dort wird berichtet, dass in einem Zeitraum von fünf Wochen 812 Fälle von Handynutzung und 2.393 Fälle von fehlender Gurtbenutzung erfasst wurden. Solche Zahlen zeigen: Die Systeme finden tatsächlich viele Situationen, die sonst in der Masse des Verkehrs unbemerkt bleiben würden. Gleichzeitig sagen sie noch nicht, wie viele davon am Ende als rechtssicherer Verstoß bestätigt wurden, wie hoch die Quote der Fehlalarme war oder ob sich das Verhalten langfristig verändert.

Gerade der Unterschied zwischen „erfasst“ und „sanktioniert“ ist entscheidend. Offizielle Stellen und Kommunen betonen in ihren Beschreibungen von KI-Kameraprojekten typischerweise, dass markierte Bilder vor einer Maßnahme geprüft werden. Auch der technische Bericht zur britischen Erhebung von Handy- und Gurtverstößen (eine Regierungsveröffentlichung, 2022) diskutiert unterschiedliche Erfassungsmethoden und die praktischen Trade-offs zwischen Aufwand, Genauigkeit und Nachprüfbarkeit. Diese Quelle ist von 2022 und damit älter als zwei Jahre. Für die Bewertung ist sie trotzdem hilfreich, weil sie zeigt: Selbst auf Behördenebene wird nicht so getan, als sei „vollautomatisch“ automatisch gleich „besser“ – Auditierbarkeit und Methodik zählen.

Was bedeutet das für die Wirksamkeit? Pilotzahlen sind ein guter Indikator für Reichweite: Eine einzelne Kamera kann in kurzer Zeit sehr viele Fahrzeuge „sehen“. Ob daraus nachhaltig weniger Ablenkung wird, hängt aber von Rahmenbedingungen ab: Wird nur gemessen oder auch sanktioniert? Ist die Kommunikation transparent? Werden die Systeme dort eingesetzt, wo Ablenkung tatsächlich ein Problem ist (Unfallschwerpunkte, Autobahnabschnitte, Baustellen), oder eher dort, wo das Aufstellen technisch bequem ist? Und wie gut sind die Verfahren, um falsch beschuldigte Personen schnell und fair zu entlasten?

KI-Kameras sind nicht nur ein Technikthema, sondern ein politisch-administratives Designproblem. Denn es geht um eine sehr intime Datenquelle: Bilder in den Fahrzeuginnenraum. Selbst wenn das Ziel Verkehrssicherheit ist, entstehen automatisch Fragen zu Datenschutz, Zweckbindung und Kontrolle.

Die MONOcam-Feldstudie beschreibt mehrere Schutzmaßnahmen, die genau an diesen Punkten ansetzen: eine Datenschutzfolgenabschätzung (DPIA) vor dem Einsatz, das Löschen von Fotos nicht betroffener Personen und die Maskierung beziehungsweise Unkenntlichmachung von unbeteiligten Insassen oder Fahrzeugen. Außerdem wird berichtet, dass die Anzeige nicht relevanter Vorschaubilder zeitlich begrenzt wurde, unter anderem auf drei Sekunden, um den Missbrauch zu reduzieren. Solche Details wirken klein, sind aber entscheidend: Sie zeigen, dass ein „sicheres“ System nicht nur aus Modellen besteht, sondern aus UI-Design, Schulung, Audit-Trails und organisatorischer Kontrolle.

Politisch ist auch die Frage, welche Begründung ein System bekommt. Geht es um Prävention, um Einnahmen, um statistische Erhebung oder um konsequente Durchsetzung? Je nachdem ändert sich, wie streng die Schwellenwerte gesetzt werden. Technisch ist das der klassische Zielkonflikt: Eine sehr strenge Einstellung reduziert Fehlalarme, übersieht aber mehr echte Fälle. Eine empfindliche Einstellung findet mehr, produziert aber mehr Kandidaten, die Menschen prüfen müssen. Gerade weil die Systeme in der Praxis oft menschliche Prüfungen benötigen, ist der Personalbedarf Teil der Gesamtbilanz – und damit letztlich auch eine wirtschaftliche und politische Entscheidung.

Für Akzeptanz ist Transparenz zentral. Wenn Bürgerinnen und Bürger nicht nachvollziehen können, warum sie angezeigt wurden, entsteht Widerstand – auch bei korrekten Treffern. Gute Praxis wäre deshalb: klar kommunizierte Einsatzorte und Ziele, nachvollziehbare Begründung der Beweisführung, einfache Einspruchswege und veröffentlichte Qualitätsberichte (zum Beispiel Fehlalarmquoten und typische Ausschlussgründe). Die Forschungslage aus der MONOcam-Studie legt nahe, dass solche Governance-Fragen nicht „später“ kommen dürfen: Sie entscheiden, ob Technik als fairer Sicherheitsbeitrag oder als unkontrollierte Überwachung wahrgenommen wird.

KI-Kameras können Handy am Steuer nicht „magisch“ verhindern, aber sie können Kontrollen skalieren: Ein System kann viele Fahrzeuge beobachten und Kandidaten markieren, die Menschen dann prüfen. Die veröffentlichten Pilotzahlen aus dem Vereinigten Königreich zeigen, dass solche Technik in kurzer Zeit viele potenzielle Verstöße sichtbar macht. Gleichzeitig macht die Feldstudie zu MONOcam deutlich, dass die Technik stark von Licht, Wetter und Scheiben abhängt und dass Governance kein Beiwerk ist: Datenschutzfolgenabschätzung, Löschregeln, Maskierung und klare Prüfprozesse sind praktisch genauso wichtig wie das Modell selbst.

Ob das wirklich hilft, hängt deshalb weniger von „KI ja oder nein“ ab, sondern von der Umsetzung: konservative Schwellenwerte, nachvollziehbare Verfahren und ein fairer Umgang mit Fehlern. Wenn diese Bedingungen erfüllt sind, kann der Einsatz sinnvoll sein – als Teil eines Maßnahmenpakets, nicht als Ersatz für Aufklärung, Verkehrsplanung und konsequente, rechtssichere Durchsetzung.