Verkehr: Mehrwert durch Big Data
Mehr als ein Petabyte an Daten entstehen Woche für Woche auf der Teststrecke von Providentia++. Sie sind nötig, um Pkws von Motorrädern und Radfahrern zu unterscheiden, Manöver zu erkennen, Unfälle zu analysieren und den Verkehr zu simulieren.
Vor wenigen Wochen brachte eine Sturmböe ein Fahrzeug auf der Autobahn A9 ins Schleudern. Erst kippte der Anhänger auf die Seite, dann auch noch das Fahrzeug. Menschen sind nicht verletzt worden. Doch zeigt ein solcher Unfall gut, wie der Verkehr von einer Sekunde auf die andere durcheinandergebracht werden kann. Kommende Fahrzeuge bremsen, wechseln die Spur, schließlich bildet sich ein Stau. Ein Unfall muss nicht glimpflich ausgehen: Gerade auf der Autobahn, auf der die Fahrzeuge mit Geschwindigkeiten von über 100 km/h unterwegs sind, ist es fatal, wenn ein Fahrzeug aufgrund eines Defekts auf der Überholspur stehen bleiben muss und recht dichter Verkehr herrscht. Ein Auffahrunfall und drei Schwerverletzte waren Ende letzten Jahres auch deswegen nicht zu vermeiden, weil ein Fahrer zu schnell unterwegs war und auch noch innen überholt hat.
Big Data auf 3,5 Kilometer langer Teststrecke: Mehr als ein Petabyte pro Woche
Alle diese Szenen verbergen sich zunächst in den Rohdaten von Providentia++. In den über 50 Sensoren fallen minütlich etwa fünf Gigabyte komprimierte Daten an, mehr als ein Petabyte pro Woche. Diese Big Data sind die Grundlage dafür, den Verkehr digitalisieren und Bewegungen und Manöver auf der Straße analysieren zu können. Denn Experten möchten verstehen, was zu einem Unfall geführt hat und wie es zu brenzligen Situationen kommen konnte.
Neuronales Netz: Automatisiert Szenarien erkennen
Aaron Kaefer hat es in diesen enormen Datenmengen auf kritische Fälle „abgesehen“ und möchte sie automatisiert erkennen können. Dafür nutzt der wissenschaftliche Mitarbeiter der TU München die Leistung der Sensoren, die mit Hilfe von neuronalen Netzen in der Lage sind, Fahrzeuge zu erkennen und zu identifizieren. Hinzu kommen „Prädiktionsalgorithmen“, die vorhersagen, in welche Richtung sich Verkehrsteilnehmer weiterbewegen werden. Einscheren, Auffahren, Spurenwechsel: Für diese Szenarien klappt die automatisierte Selektion bereits. Der Algorithmus „besteht die Situation“, wie Aaron Kaefer es nennt, wenn das Umfeld korrekt erfasst wird und eine sichere Navigation möglich ist. Wenn es zu Unfällen kommt, wie etwa der tödliche Zusammenstoß zwischen einem Tesla und einem Lkw mit weißer Ladefläche vor vier Jahren in den USA, hat dieser Algorithmus versagt. „Immer wieder Szenarien anschauen und die Daten labeln“, heißt das Motto von Kaefer. Szene für Szene müssen angeschaut und entsprechend gekennzeichnet werden: Je mehr Bilder gelabelt sind, umso besser lernt das System, ein neuronales Netz, automatisiert einen Spurwechsel zu erkennen, ein dichtes Auffahren oder einen Fußgänger, der die Straße überquert. Sind Fahrzeugtyp, Position und Zeitpunkt des Objektes erkannt und berechnet, wie sich das Objekt voraussichtlich weiterbewegen wird (Trajektorien), ist es zudem möglich, die so genannten OpenSCENARIO-Files für Simulationen einzusetzen.
Simulation des Verkehrs auf Basis von realen Daten
Das entsprechende Simulationstool „CARLA“ haben die Wissenschaftler der TU München auch deswegen an der Hand, um aus Unfällen zu lernen. Durch die zur Verfügung stehenden Daten des Verkehrs ist es in der Lage, den realen Verkehr virtuell abzubilden. Die Fahrzeuge bewegen sich also wie in einem Computerspiel auf Straßen vorwärts, auf Basis von Live-Daten. Um sich spezielle Geschehnisse wie Unfälle auf der A9 gesondert anzuschauen, lassen sich die Daten für das entsprechende Zeitfenster gesondert ansehen. „Wir lassen das Video bis zu einem bestimmten Zeitpunkt ganz normal laufen“, erläutert Kaefer, „kurz vor dem Unfall fährt dann ein virtueller Autopilot weiter, der für den realen Fahrer, der den Unfall verursacht hat, weiterfährt und schauen, was passiert.“ Der Vorteil der Simulation: Der Verkehr lässt sich künstlich verdichten und das Tempo variieren – Parameter individuell ändern. Verkehrsplaner nutzen entsprechende Tools auch, um etwa die Auswirkung von Kreisverkehren gegenüber Kreuzungen mit Ampeln zu untersuchen. Das Besondere an Providentia++ ist die Menge an Echtzeitdaten, die Kameras, Lidare und Radare ständig liefern: „Auf Basis dieser Realdaten ist fast hundertprozentig sicher, dass sich die Fahrzeuge in der Simulation realistisch verhalten“, erläutert Kaefer den Wert der Big Data im Forschungsprojekt.
4 Schritte: Von der Analyse der Rohdaten bis zur Simulation
- Sicherheitskritische Verkehrsszenarien identifizieren
- Providentia++-Rohdaten in Hinsicht auf mögliche Verkehrsszenarien überprüfen.
- Vorhandene Szenarien (links)
- Szenarien künstlich entwickeln (rechts)
- Szenarien über Data Mining detektieren und extrahieren. Algorithmen entwickeln, die automatisch Manöver identifizieren.
- Übertragung der Szenarien in ein OpenSCENARIO-File-Format, um sie visualisieren und simulieren zu können.
4 Schritte: Von der Analyse der Rohdaten bis zur Simulation
- Sicherheitskritische Verkehrsszenarien identifizieren
- Providentia++-Rohdaten in Hinsicht auf mögliche Verkehrsszenarien überprüfen.
- Vorhandene Szenarien (links)
- Szenarien künstlich entwickeln (rechts)
- Szenarien über Data Mining detektieren und extrahieren. Algorithmen entwickeln, die automatisch Manöver identifizieren.
- Übertragung der Szenarien in ein OpenSCENARIO-File-Format, um sie visualisieren und simulieren zu können.
WEITERE AKTUELLE THEMEN
Cognition Factory: Kameradaten auswerten und visualisieren
Seit Beginn der Forschungen in Providentia++ am digitalen Zwilling ist KI-Spezialist Cognition Factory GmbH auf die Verarbeitung von Kameradaten fokussiert. Geschäftsführer Dr. Claus Lenz mit seinem Resümee.
Digitaler Echtzeitzwilling des Verkehrs: Serienreif und rund um die Uhr einsetzbar
Konsortialführer TU München hat das Forschungsprojekt für automatisiertes und autonomes Fahren Providentia++ entscheidend vorangebracht. TUM-Projektleiter Venkatnarayanan Lakshminarashiman zieht Bilanz.
Elektrobit: Test Lab auf stationäre Daten münzen
Elektrobit legt nicht zuletzt durch die Fortschritte in Providentia++ die Basis für Big-Data-Auswertungen von Verkehrsdaten. Simon Tiedemann von Elektrobit über die Entwicklungen im Rahmen von P++.