Institute of Cartography and Geoinformatics Research Mobility
MOBILISE - Mobiler Mensch: Trajektorienanalyse für unsicheres Fahrverhalten

MOBILISE - Mobiler Mensch: Trajektorienanalyse für unsicheres Fahrverhalten

Led by:  Sester
Team:  Koetsier
Year:  2020
Funding:  MWK Niedersachsen
Duration:  2018-2022

„MOBILISE“ ist die Forschungslinie Mobilität im Rahmen des Masterplans für die Wissenschaftsallianz zwischen der Technischen Universität Braunschweig und der Leibniz Universität Hannover, in deren Rahmen das Thema Mobilität der Zukunft interdisziplinär erforscht wird. Sie beschäftigt sich mit vielen Aspekten der Mobilität, von der Luftfahrt über Fahrzeuge bis hin zur Digitalisierung. In der Maßnahme „Mobiler Mensch – Intelligente Mobilität in der Balance von Autonomie, Vernetzung und Security“ haben sich an der Leibniz Universität Hannover ein Dutzend Forscher zusammengeschlossen, die bereits an verschiedenen Facetten der Mobilität geforscht haben. Aktuell wirken 13 Professoren und Professorinnen aus unterschiedlichen Fakultäten an dem thematischen Feld „Mobiler Mensch“ mit. Die wissenschaftliche Initiative wird von Prof. Kurt Schneider und Prof. Monika Sester geleitet. Durch die involvierten Fakultäten Elektrotechnik und Informatik, Geodäsie und Bauingenieurwesen, Philosophie/Ethik und Juristische Fakultät und die damit verbundenen Kompetenzen findet ein interdisziplinärer Austausch und somit eine multiperspektivische Erarbeitung des Themas statt.

Konkret wird im Rahmen des Projekts „Mobiler Mensch“ am Institut für Kartographie und Geoinformatik die Analyse von Bewegungsmustern (Trajektorien) der Verkehrsteilnehmer zur Erkennung von unsicherem Fahrverhalten untersucht.

Karten enthalten wichtige Informationen zur Routenplanung und Navigation von Fahrzeugen. Für autonome Fahrzeuge müssen diese Informationen über die Umgebung hochgenau und aktuell sein, um die von Sensoren gemessene Umgebung direkt interpretieren und bewerten zu können. Je reichhaltiger die Informationen sind, desto besser kann ein Fahrzeug die Situation beurteilen, die nächsten Schritte vorhersagen und reagieren. Die Umgebung des Fahrzeugs kann die Fahrsituation erheblich beeinflussen. Welche Bedingungen zu einem unsicheren Fahrverhalten führen, ist nicht immer klar. Deshalb ist es wichtig zu untersuchen, wie solche Situationen zuverlässig erkannt werden können, um anschließend nach ihren Auslösern zu suchen. Es ist denkbar, dass sich diese unsicheren Situationen (z.B. Beinahe-Unfälle, Wendemanöver oder das Ausweichen vor Hindernissen) z.B. als Anomalien in den Bewegungsmustern (Trajektorien) der Verkehrsteilnehmer widerspiegeln. Gegeben die Trajektorien der Verkehrsteilnehmer, ist es das Ziel ein Framework zu schaffen, um Anomalien in den Trajektorien der Verkehrsteilnehmer effizient und zuverlässig zu erkennen. Normales und ungewöhnliches Fahrverhalten kann nur unterschieden werden, wenn eine bestimmte (genug große) Datenmenge zur Verfügung steht, was dieses Thema zu einem Big-Data-Problem macht. Gefundene Muster können an Navigationssysteme gemeldet und verwendet werden, um die Benutzer auf mögliche gefährliche oder vorübergehend veränderte Fahrsituationen aufmerksam zu machen. Diese Benutzer können dabei entweder selbstfahrende Autos oder Menschen selbst sein.