Um bei einem Verkehrsunfall alle Beteiligten bestmöglich zu schützen, wird im Forschungsprojekt Sichere Unfallprognose der Frage nachgegangen, welches Handlungspotenzial Situationen bieten, in denen ein Crash unausweichlich ist. Eine zentrale Rolle kommt dabei solchen irreversiblen Aktoren zu, welche bereits vor einem Unfall gezündet werden könnten, um so ihre maximale Schutzwirkung zu entwickeln. Ein Airbag benötigt bspw. etwa 40 Millisekunden von der Zündung bis zu seiner vollständigen Entfaltung.
Der genaue Verlauf in der Pre-Crash Phase bis zum Eintritt des Unfalls steht nicht eindeutig fest. Unsicherheiten sind neben system- und witterungsbedingtem Sensorrauschen, vor allem auf die Unkenntnis der Reaktionen von Fahrern und Fußgängern zurückzuführen. Deswegen sind Größen wie die prädizierte Unfallschwere probabilistisch zu beschreiben. Gute Schätzwerte solcher Größen setzen dabei eine gute Interpretation der Umwelt voraus. Ein statistischer Ansatz ist erforderlich.
Mit Hilfe eines eigens entwickelten Simulationsframeworks werden im Projekt, die für eine statistische Analyse erforderlichen Daten, in Form alltäglicher Unfallsituationen, millionenfach erzeugt. Mittels geeigneter Modelle wird für jeden einzelnen dieser Unfälle, der vollständige Unfallhergang, von Pre- über In- bis hin zur Post-Crash Phase simuliert. Links in Abbildung 1 sind die Unfallkonstellationen von 24 Millionen solcher Simulationen dargestellt.
Mit der Hilfe maschinelle Lernverfahren, können die Erkenntnisse aus Millionen vorab simulierter Unfallszenarien im Falle eines real prädizierten Crashs, in Echtzeit zur Verfügung gestellt werden. Abbildung 1 zeigt die Schritte dieses Prädiktionsverfahrens. Zu sehen ist, wie der Regressionsalgorithmus nach erfolgreichem Anlernen der Trainingsdaten in der Lage ist, Histogramme der Unfallschwere zu schätzen. Das rechts in Abbildung 1 dargestellte Histogramm einer bestimmten Pre-Crash Situation veranschaulicht, dass in dem konkreten Fall bereits 185 Millisekunden vor Kollision die zugehörige Unfallschwere mit geringer Streuung, d.h. mit hoher Zuverlässigkeit, prädiziert werden kann.
Wird gefördert durch: AUDI AG
Publications
Conference Proceedings
MarcusMüller, Parthasarathy Nadarajan, Michael Botsch,Wolfgang Utschick, Dennis Böhmländer, and Stefan Katzenbogen. A statistical learning approach for estimating the reliability of crash severity predictions. In Intelligent Transportation Systems (ITSC), 2016 IEEE 19th International Conference on, pages 2199{2206. IEEE, 2016
Marcus Müller, Xing Long, Michael Botsch, Dennis Bohmlander, and Wolfgang Utschick. Real-Time Crash Severity Estimation with Machine Learning and 2D Mass-Spring-Damper Model. In 2018 21st International Conference on Intelligent Transportation Systems (ITSC), pages 2036{2043, 2018
Journal Articles
Marcus Müller, Michael Botsch, Dennis Bohmlander, and Wolfgang Utschick. Machine Learning Based Prediction of Crash Severity Distributions for Mitigation
Strategies. Journal of Advances in Information Technology Vol, 9(1), 2018
Book Chapters
Marcus Müller, Michael Botsch, Dennis Böhmländer, and Wolfgang Utschick. A Simulation Framework for Vehicle Safety Testing. In Klaus Kompaß, Aktive Sicherheit und Automatisiertes Fahren: 3. Interdisziplinarer Expertendialog (IEDAS) (Haus der Technik - Fachbuchreihe), page 220. expert Verlag, 2017
Patents
Marcus Müller, Michael Botsch, Dennis Böhmländer, and Stefan Katzenbogen. Verfahren zur Ermittlung eines eine Kollision betreffenden Prognoseergebnisses, 2017
