Elektrobit: Coining Test Lab to stationary data

Welche Erwartungen hatten Sie zu Beginn von P++ als einer der Partner an das Forschungsprojekt?

Wir hatten damals unsere Cloud-Plattform EB Assist Test Lab gerade gelauncht und unser erstes Release herausgebracht. Es war zunächst vorgesehen, Rohdaten und Videoströme aus den Sensoren der Fahrzeuge zu speichern, zu analysieren und verfügbar zu machen. Mit Providentia++ bekamen wir die Chance, statische Daten mit zu nutzen, also Daten von Sensorstationen und Schilderbrücken. Vorher hatten wir uns auf Daten aus einem Fahrzeug konzentriert, also lediglich die Ego-Fahrzeug-Perspektive im Blick. Unsere Erwartung war also, diese statischen Daten ebenso nutzbar zu machen. Vorteil unserer Plattform ist, Suchkriterien nutzen zu können, um eine Menge von Szenen zu finden, die ganz spezifische Kriterien erfüllen, also beispielsweise Aufzeichnungen mit Fahrzeugen zu finden, die im Nebel oder bei Sonnenschein sehr nahe auffahren. Ziel des Projektes war also, zu überprüfen, ob statische Daten ebenso nach verschiedenen Kriterien annotiert werden können, mit Hilfe von Big Data die Analyse des Verkehrs auf Basis von realen Daten zu ermöglichen und diese Daten den Partnern im Projekt zur Verfügung zu stellen.

Haben Sie Ihre Ziele erreicht, die Sie sich gesetzt haben?

Vor Providentia++ haben wir mobile Daten aus dem Fahrzeug genutzt. Vorteil: Es gab nur bedingt Anforderungen an die Zeit, in der die Daten verarbeitet werden mussten. Bei Providentia++ fallen laufend Daten an – rund um die Uhr. Deshalb bestand eine Herausforderung darin, die Live-Daten von den Stationen zu empfangen, in 10 Minuten lange Snippets aufzuzeichnen, diese vorzuanalysieren, sie in die Cloud zu laden und verfügbar zu machen. Sämtliche 10-Minuten-Snippets liegen heute innerhalb von 15 Minuten vor. Diese Geschwindigkeit ist nötig, um zu vermeiden, dass sich die Daten in unseren Systemen aufstauen. Nur so können wir permanent die neuen Daten wie am Fließband weiterverarbeiten. Dieser Prozess ist heute automatisiert und wird nur dann unterbrochen, wenn der Datenstrom zum Testfeld A9 aus technischen Gründen unerwartet abreißt. Wenn jemand von uns wissen will, zu welchem Zeitpunkt und unter welchen Wetterbedingungen ein Fahrzeug dicht auf ein anderes aufgefahren ist – Tailgate-Event genannt –, dann lassen sich derartige Szenarien automatisiert finden. Ähnliches gilt für diverse andere Szenarien wie Überholmanöver, Staus etc. Diese Szenarien müssen lediglich einmal definiert und angelegt werden, dann lassen sich in der Datenbank exakt diese Situationen mit den gewählten Attributen finden. Und nicht nur das: Eine so großen Menge an Information in einer Datenbank, also „Big Data“ ermöglicht es, Muster zu erkennen, also Randbedingungen zu finden, die etwa zu einem Unfall oder einem Stau führen, welche bisher noch nicht bekannt sind.

Welche Herausforderungen gab es im Laufe des Projektes?

Wenn wir unser Produkt EB Assist Test Lab klassischerweise beim Kunden einsetzen, wird unsere Software dazu verwendet, Sensordaten, die in Messfahrzeugen auf dedizierten Messfahrten aufgezeichnet wird, auf den Zielspeicher zu laden, zu analysieren und zu durchsuchbar zu machen. Die Analyse der Daten passiert asynchron zur Aufzeichnung und daher gibt es keine harten Anforderungen an Echtzeitverarbeitung. Durch das Setup im Rahmen des P++ Projekts mit einem kontinuierlichen Datenstrom von den Sensorstation gibt es hier ein paar zusätzliche Herausforderungen. So müssen die Daten, die von den Stationen eintreffen, empfangen, aufgezeichnet, hochgeladen und umgehend analysiert werden. Zusätzlich müssen die Daten noch vorgefiltert werden, da ansonsten eine große Menge an wertlosen Daten teuren Speicher und Prozessierungskapazität vergeuden. All das muss mindestens in Echtzeit passieren, da andernfalls ein Rückstau an Daten entsteht, der kontinuierlich anwachsen würde.

Gab es ein Highlight im Projekt?

Unser Highlight war, als die ersten Daten von der Teststrecke tatsächlich in Echtzeit zu 10 -Minuten-Snippets empfangen und verarbeitet werden konnten. Was die Selektion von Tailgate-Events anging, waren jedoch zunächst noch ein paar Justierungen nötig. So kam es manchmal dazu, dass die Detektion eines Fahrzeugs in den empfangenen Daten kurzfristig abriss und kurz darauf wieder einsetzte, was aus Systemsicht einem neu erkannten Fahrzeug gleichkommt. Das führte zu einer großen Menge an falsch-positiven Detektionen von engem Auffahren. Inzwischen ist aber die Verlässlichkeit der Sensoren und der nachgeschalteten Objektdetektion seitens der anderen Partner derart präzise, dass das kaum noch passiert. Damit haben wir schon früh im Projekt zeigen können, dass unsere Cloud-Plattform auch in stationären Systemen eingesetzt werden kann, was den Einsatzbereich unseres Gesamtsystems noch einmal erweitert hat.

Was haben Sie in diesem Projekt gelernt, das ihnen in künftigen Forschungsprojekten helfen könnte?

Die Herausforderung in einem komplexen technologischen Projekt besteht auch darin, die Schnittmengen zwischen den Partnern auszuloten und immer wieder auch zu zeigen, wo die eigenen Mehrwerte für andere Partner im Projekt liegen könnten. Wir haben zwar innerhalb unseren Arbeitspakets zeigen können, dass sich Big Data mithilfe unseres EB Assist Test Lab innerhalb von Providentia++ etablieren lässt. Doch vielleicht hat in den letzten zweieinhalb Jahren auch die durch Corona bedingte Distanz mit dazu geführt, dass wir die Chancen, die in unseren Big Data liegen, noch besser hätten vermitteln und innerhalb des Forschungsprojektes vermarkten können.

Lesen Sie auch:

Elektrobit: Per Test Lab Forschungsdaten verfügbar machen

Source: Elektrobit