Situations- und Gefahrenerkennung in Verkehrsszenen

Transkript

1 Situations- und Gefahrenerkennung in Verkehrsszenen Marek Junghans Kolloquium Verkehrsmanagement und Verkehrstelematik Dresden, 8. Mai 2013

2 Deutsches Zentrum für Luft- und Raumfahrt e.v. (DLR)

3 Das Deutsche Zentrum für Luft- und Raumfahrt e.v. in der Helmholtz-Gemeinschaft Forschungsbereiche Luftfahrt Raumfahrtforschung und -technologie Energie Verkehr Sicherheit Finanzierung und Fördervolumen 2009: Mio. Euro 2010: Mio. Euro 2011: 2012:

4 Standorte und Personal Circa Mitarbeiterinnen und Mitarbeiter arbeiten in 32 Instituten und Einrichtungen in 16 Standorten. Büros in Brüssel, Paris und Washington. Forschungsetat: 796 Mio. ca. 51% Bund (BMWi, BMVg), Länder ca. 49% Drittmittel (Projektträger, eigene Erträge, Projektförderungen) Stade Hamburg Bremen Trauen Berlin Braunschweig Göttingen Jülich Köln Bonn Lampoldshausen Neustrelitz Stuttgart Augsburg Oberpfaffenhofen Weilheim

5 Institut für Verkehrssystemtechnik Sitz: Seit: 2001 Leitung: Braunschweig, Berlin Prof. Dr.-Ing. Karsten Lemmer Mitarbeiter: Momentan rund 135 Mitarbeiter aus verschiedenen wissenschaftlichen Bereichen Forschungsgebiete: Automotive Bahnsysteme Verkehrsmanagement Aufgabenspektrum: Grundlagenforschung Erstellen von Konzepten und Strategien Prototypische Entwicklungen Qualität: zertifiziert nach DIN EN ISO 9001 und VDA 6.2 sowie RailSiTe gemäß ISO 17025

6 Forschungsaktivitäten Automotive Bahnsysteme Verkehrsmanagement Methoden / Bewertung Fahrer verstehen Human Factors Engineering & Design Technik FAS Fahrzeuge Simulatoren Zukunftsfähiger Bahnbetrieb Life Cycle Management Sicherheit und Zulassung Rail Human Factors Test und Validierung Sensoren Daten - Algorithmen Verkehrsdatenerfassung Verkehrsdatenmanagement Simulation und Prognose Verkehrssteuerung und Verkehrsbeeinflussung Qualität im Verkehr

7 Folie 10 > Institutsevaluation 2012 > Autor Dokumentname > Automotive

8 Forschungsschwerpunkte im Bereich Automotive Human Factors Unfallanalysen / NDS Probandenstudien Schlüsselfaktoren für Fahrer/Systemverhalten Mess- und Analysemethoden Fahrermodellierung Konzepte und Technologien Basistechnologien für Assistenz / Automation Architekturen Kommunikation Ortung / Navigation Ergonomie / Design Funktionsentwicklung Simulatoren und Fahrzeuge Statische und dynamische Simulatoren Forschungsfahrzeuge passiv / aktiv (Hoch-) Automation Testfelder: Anwendungsplattform intelligente Mobilität (AIM)

9 Forschungsinfrastruktur Bereich Automotive HMI-Lab Virtual Reality Labor Dynamischer Fahrsimulator idee-lab - Interaktives Design und Ergonomie

10 Folie 15 > Institutsevaluation 2012 > Autor Dokumentname > Bahnsysteme

11 Forschungsschwerpunkte im Bereich Bahnsysteme Sensoren- Daten - Algorithmen Life Cycle Management Test und Validierung Safety Rail Human Factors Nachhaltige Lösung der aktuell anstehenden Fragestellungen Basis: aktuelle technologische Trends wissenschaftliche Methoden interdisziplinäres Vorgehen bahnbetriebliches Grundverständnis Bahnbetrieb

12 Forschungsinfrastruktur Bereich Bahnsysteme RailSiTe Rail Simulation and Testing RailDriVE Rail Driving Validation Environment

13 Folie 18 > Institutsevaluation 2012 > Autor Dokumentname > Verkehrsmanagement

14 Unsere Vision Vom Verkehrsmanagement zu einem effizienten, sicheren und umweltfreundlichen Mobilitätsmanagement

15 Folie 21 > Institutsevaluation 2012 > Autor Dokumentname > Verkehrsmanagement Wissenschaftliche Ausrichtung Vom Verkehrszum Mobilitätsmanagement Verkehrsdatenerfassung intermodal kooperativ in Megacities Verkehrs- Steuerung/ -beeinflussung Qualität im Verkehr Verkehrsdatenmanagement umweltorientiert elektrifiziert grenzenlos innovativ bei Katastrophen in Städten und Regionen Simulation und Prognose international sicher bei Großereignissen mit einem geschlossenen Wirkungskreis

16 Forschungsinfrastruktur Bereich Verkehrsmanagement Das Messfahrzeug UTRaCar Automatische Automatische Verkehrserfassung Automatische Front-/Heckkamera Verkehrserfassung Radar-Rundumsicht Stereo-Laser-System Sensoreinschub Massendatenspeicher Radar Stereo-Laser-Daten Arbeitsplatz

17 Forschungsinfrastruktur Bereich Verkehrsmanagement Das Messfahrzeug MoMoCar Arbeitsplatz Mobiles Labor DGPS Basisstation Schallpegelmessung Werkbank Werkbank Massendatenspeicher -DGPS DGPS Basisstation

18 Urban Traffic Research Laboratory (UTRaLab)- Mess- und Versuchstrecke am Ernst-Ruska-Ufer Schilderbrücken für Messund Beobachtungstechnik Laserscanner Doppelinduktionsschleifen Digital- und Analogkameras zur Verkehrsbeobachtung und -messung GESO Temperatursensor

19 Traffic Tower Virtuelle Verkehrsmanagementzentrale Operation Center Verkehrssimulation Verkehrslage und Prognose Verkehrslage und Prognose

20 SUMO Simulation of Urban MObility Simulation Straßenverkehr Ausgelegt für mikroskopische Simulation großer Szenarien Verkehrslage und Prognose

21 Folie 28 > Institutsevaluation 2012 > Autor Dokumentname > AIM Anwendungsplattform intelligente Mobilität

22 Folie 29 > Institutsevaluation 2012 > Autor Dokumentname > AIM - Eine Stadt als Plattform für anwendungsorientierte Wissenschaft, Forschung und Entwicklung wesentliche Anteile im realen Umfeld einer Stadt und der umliegenden Region spezielle Teststrecken Ein leistungsfähiges Instrumentarium zur Simulation und Beeinflussung von Verkehr/Mobilität.

23 - Kooperationsmodell Etabliertes Zusammenspiel der Partner Stadt Braunschweig Kooperation Industrie Industrie Infrastruktur Fahrzeugtechnik Betrieb Forschungsinfrastruktur im öff. Straßenraum Forschung Universitäten Institute DLR Bürgerinnen / Bürger & Interessensverbände

24 Folie 31 > Institutsevaluation 2012 > Autor Dokumentname > Forschungsschwerpunkte in AIM Sensorische Erfassung und Analyse des realen Verkehrsumfelds Konvergenz zwischen Simulation und Realität durch die virtuelle Abbildung makroskopischer Aspekte (Verkehrsfluss) mikroskopischer Aspekte (Fahrsimulationen) Beeinflussung des Verkehrsgeschehens durch kommunikative Vernetzung zwischen Infrastruktur und Verkehrsteilnehmern Einbettung in das städtische Verkehrsmanagement

25 Applikationsplatform Intelligente Mobilität Hauptforschungsbereiche Sicherheit Verringerung der Zahl der schweren und tödlichen Unfälle Erhöhung der Sicherheit der Nutzer von Verkehrsräumen Management von Verkehr bei Großereignissen oder Katastrophen Markteinführung Markteinführung und Migration Mobilitätsbewusstsein AIM Intermodale Mobilität Ressourcenschonung Optimierte Ressourcennutzung Schützen der Umwelt und gewinnen von Lebenszeit Zukünftige Mobilitätskonzepte Verkehrs- Verkehrsfluss A B VM VF

26 AIM Ausbauphase 2013 ITS Road Station in Betrieb Vorbereitung im Rahmen von Projekten

27 Intelligente Kreuzung in UR:BAN Transmission unit

28 Situations- und Gefahrenerkennung in Verkehrsszenen Marek Junghans Kolloquium Verkehrsmanagement und Verkehrstelematik Dresden, 8. Mai 2013

29 Inhalt

30 Inhalt

31 Motivation Beim Linksabbiegen an Ampeln werden jeden Tag 18 Menschen schwer verletzt, jeden zweiten Tag stirbt ein Mensch. Insgesamt starben Menschen, mehr als wurden schwerverletzt. Ziel: Unsere Menschen schützen und die Anzahl der tödlich Verunglückten und Schwerverletzten verringern

32 Motivation Finden der Ursachen für Unfälle (und Beinaheunfälle)

33 Motivation Nutzen Warnung und Assistenz von Verkehrsteilnehmern Identifizierung und Behebung straßenbaulicher und verkehrstechnischer Mängel

34 Inhalt

35 Methoden und Ergebnisse Zusammenfassung Störungen Kameras (u.a.) Verkehrsprozess Objektsegmentierung Zustandsdetektion Tracking & Prognose Fahrzeuge, Radfahrer, Fußgänger, etc. Position, Geschwindigkeit, Beschleunigung Trajektorien

36 Methoden und Ergebnisse Zusammenfassung Unfälle Trajektorienklassifikation & Interaktion Normale, atypische Situationen Verkehrskenngrößen Korrelationsanalyse Potentiell gefährliche Situationen

37 Methoden und Ergebnisse Objekt-Segmentierung - Separation des Hintergrundes vom Vordergrund

38 Methoden und Ergebnisse Objekt Tracking & Prognose - Bewegungsdetektion durch Hintergrundschätzer, Optischen Fluss, Lucas-Kanade - Tracking mit Erweitertem KF, Partikelfilter,

39 Methoden und Ergebnisse Data samples - Verkehrskenngrößen - Häufigkeiten der Fahrzeughalte - Durchschnittliche Geschwindigkeiten - Fahrzeugzählungen

40 Methoden und Ergebnisse Trajektorienklassifikation Vergleich mit Referenztrajektorien - Probability Density Map für Objektposition - Abstand zum perfect track - Startvektor und Kurvigkeit r 1 L, L > 0

41 Methoden und Ergebnisse Trajectorienklassifikation

42 Methoden und Ergebnisse Trajektorieninteraktion Prädiktion und Unteraktion - Kollisionswahrscheinlichkeit für prädizierte Positionen

43 Methoden und Ergebnisse Trajektorieninteraktion

44 Methoden und Ergebnisse Ableitung von sicherheitsrelevanten Kenngrößen (Berlin) Kreuzung Rudower Chaussee- Wegedornstraße Durchschnittliche TTC [s]

45 Methoden und Ergebnisse Ableitung von sicherheitsrelevanten Kenngrößen (Hefei, China) Kreuzung Trajektorienzählung

46 Methoden und Ergebnisse Orte mit Häufungen der Beschleunigung zwischen -6 and -3 m/s² y x

47 TTC<1: you are almost dead TTC<2: do something immediately Methoden und Ergebnisse Ableitung von sicherheitsrelevanten Kenngrößen (Hefei, China) TTC<3: wake up and be prepared Kreuzung Durchschnittliche TTC [s]

48 Methoden und Ergebnisse Ableitung von sicherheitsrelevanten Kenngrößen (Hefei, China) Kreuzung Durchschnittliche PET [s]

49 Methoden und Ergebnisse R. Souleyrette and J. Hochstein: Development of a Conflict Analysis Methodology Using SSAM. Center for Transportation Research and Education, Institute for Transportation, Iowa State University. Final Report, August 2012 Ableitung von sicherheitsrelevanten Kenngrößen (Hefei, China) P (TTC) P (PET) - Die TTC- und PET-Häufigkeiten zeigen sehr große Gefahr an - Die schwarze Kurve zeigt, wie es sein müsste (Souleyrette et al. 2012) - Warum?

50 Methoden und Ergebnisse Ableitung von sicherheitsrelevanten Kenngrößen (Hefei, China) - Unterschiedliches Fahrverhalten im Vergleich zu Deutschland - Hauptgrund: fehlerhafte Objektseparation und auftretende Objektkonvergenzen bei der Segmentierung - Favorisierte Lösungsansätze - Fixierung des Hintergrundschätzers nach der Objektdetektion und Wegwerfen fehlerhafter Trajektorien - Berücksichtigung von Bewegungsfronten zwischen unterschiedlichen Objekten durch Berechnung des Optischen Flusses - Modellbasierte Ansätze

51 Methoden und Ergebnisse Ableitung von sicherheitsrelevanten Kenngrößen Objektseparation Objektseparation und -konvergenz

52 Inhalt

53 Korrelationsanalyse Ziele und Verfahren Ziele - Finden und Entwicklung von (probabilistischen) Übergangsmodellen, die den Verkehrssicherheit in Abhängigkeit von Verkehrsdaten und kritischen Situationen quantifizieren - Finden des funktionalen Zusammenhangs zwischen Unfällen und Unfallschwere auf der Grundlage von Unfalldaten (z.b. Kalibrierung) - Nachweiserbringung der (bedingten) Korrelation zwischen Unfällen und Beinaheunfällen Vorgeschlagene Verfahren - Phänomenologische Analyse auf Grundlage von Fahrzeugefolge und entgegenkommenden Fahrzeugen in bezug zu Unfällen - Statistische Methoden - Bayessche Netze (BN)

54 Korrelationsanalyse Phänomenologische Analysen Fahrzeugfolgemodelle - Betrachte zwei Fahrzeuge, Führungsfahrzeug an Position g mit Geschwindigkeit V und das Folgefahrzeug an Position 0 mit v. - Berechnung von TTC- und DRAC-Werten: - TTC = g/(v v) - DRAC = 0.5(V v) 2 /g V TTC<1: you are almost dead TTC<2: do something immediately TTC<3: wake up and be prepared v x g x=0

55 Korrelationsanalyse Statistische Methoden Physikalische Wahrscheinlichkeiten eines Ereignisses X mit der Realisierung x - Zählen wie oft x aufgetreten ist, d.h. c-mal, geteilt durch die Anzahl C der Häufigkeit aller Realisierungen c P x = lim C C - Im Falle von zeitvarianten Ereignissen (was sehr wahrscheinlich ist in der Realität) nehmen wir Quasistationarität an, d.h. die Gleichung wird zu c(t) P x lim C(t) C C(t)

56 Korrelationsanalyse Statistische Methoden Messung der Gefährlichkeit eines Verkehrsraumes durch - Zählung der Anzahl der Unfälle und Berücksichtigung deren Schwere - Ableitung der Häufigkeitsverteilungen von sicherheitsrelevanten Kenngrößen (z.b. TTC, PET, DRAC), um Gefahr eines bestimmten Ortes zu quantifizieren (Komplette Straße, Kreuzung, Kreuzungsarm, etc.) - P(TTC) = f 1 (x, y, t, v, a, Q, V, D, ) - P(DRAC) = f 2 (x, y, t, v, a, Q, V, D, ) - P(PET) = f 3 (x, y, t, v, a, Q, V, D, )

57 Korrelationsanalyse Statistische Methoden Dichteplot von TTT ttc [s] Counts speed v [m/s]

58 Korrelationsanalyse Statistische Methoden Dichteplot von DRAC drac [m/s/s] speed v [m/s] Counts

59 Korrelationsanalyse Statistische Methoden P(DRAC) prob 1e-05 1e-03 1e m/s 30 m/s 40 m/s 50 m/s slope = drac [m/s/s]

60 Korrelationsanalyse Statistische Methoden prob P(TTC) 1e-05 1e-03 1e m/s 30 m/s 45 m/s ttc [s]

61 Korrelationsanalyse Bayessche Netze (BN) BN sind ein graphischer Formalismus zur Verarbeitung von unsicherem Wissen auf Basis von kausalen Zusammenhängen mit Hilfe von Wahrscheinlichkeiten. BN sind gerichtete azyklische Graphen, bestehend aus Knoten und gerichteten Kanten, für deren Verbundwahrscheinlichkeit die (strukturelle) Markov-Eigenschaft gilt. Knoten repräsentieren die Zufallsvariablen und enthalten Informationen über die Wahrscheinlichkeit des Eintretens eines Ereignisses. Gerichtete Kanten repräsentieren kausale Abhängigkeiten zwischen den Knoten. BN stellen eine Verallgemeinerung und Erweiterung des Satzes von Bayes dar. Innerer Knoten Elternknoten = Ursache Kindknoten = Wirkung

62 Korrelationsanalyse Bayessche Netze (BN) Knoten: U={U 1,,U n } = Eltern(X) Y={Y 1,,Y m } = Kinder(X) Realisierungen: X = {x 1,,x N } Markov-Eigenschaft: Y X,U = Y X P(y x,u) = P(y x) Wahrscheinlichkeitstabellen: P(u) P(x u) P(y x) Verbundwahrscheinlichkeit: P(u,x,y) = P(u) P(x u) P(y x)

63 Korrelationsanalyse Bayessche Netze (BN) Inferenz beschreibt den Vorgang, anhand von kausalen und/oder diagnostischen sicheren und/oder unsicheren Evidenzen (Beobachtungen) quantifizierte Schlüsse zum Eintreten von Ereignissen zu ziehen P(x u,y): Rückschlusswahrscheinlichkeit (Bel) P(x u): kausale Unterstützung (π) π λ P(y x): diagnostische Unterstützung (λ) P(y u): Normierungswert (α) Bel(x) = α π(x) λ(x)

64 Korrelationsanalyse Entwicklung eines ersten BNs - Modellentwicklung auf Grundlage von Daten und Verteilungen von - Zeit, Datum, Ort - Verkehrsdaten (Flüsse, Geschwindigkeiten, Abstände, Zeitlücken, ) - Unfalldaten (Typ, Schwere, Sachschaden, ) - Kritische Situationen und Beinaheunfälle - Kinematische und fahrdynamische Kenngrößen (Position, Geschwindigkeit, Beschleunigung, Drehung und -rate, ) - Infrastrukturdaten (Straße, Straßentyp, Spuren, Breite, Zustand, ) - Umweltdaten (Wetter, Beleuchtung, ) - Fahrzeugdaten (Typ, Zustand, ) - Fahrerdaten (Geschlecht, Alter, Zustand, ) - Verkehrssteuerungskenngrößen (Signalisierung, Signalzeiten, ) - Schätzung der funktionalen Zusammenhänge für - Beinaheunfälle und Unfälle - Unfallrate und Unfallschwere Gregoriades, A. and Mouskos, A. C: Black spots identification through a Bayesian Networks quantification of accident risk index. In Transport Research Part C, Volume 28, March 2013, Pages 28 43

65 Korrelationsanalyse Korrelation zwischen Unfällen und Unfallschwere Verkehrszustand Zeit Datum Wetter Straßenkategorie Konflikt Situation Straßenzustand Unfall Art P kk Unfall Schwere P uu uu

66 Korrelationsanalyse Korrelation zwischen Unfällen und Unfallschwere Quelle: EUSKa-Daten der A2, Auffinden von Übergangswahrscheinlichkeiten für die Korrelation von Unfallart und -schwere - Und andere funktionale Zusammenhänge

67 Korrelationsanalyse Korrelation zwischen Unfällen und Unfallschwere P(Unfall_Schwere Unfall_Art) kein_schaden niedriger_schaden mittlerer_schaden schwerer_schaden Kollision durch Beschleunigen Kollision mit Fahrzeug voraus Kollision mit parallelem Fz. Kollision mit entgegenk. Fz. Kollision durch Kreuzen Kollision mit Fußgänger Kollision mit Hindernis Rechts von Straße abkommen Links von Straße abkommen Anderer Unfall

68 Korrelationsanalyse Unfälle und ihre lokale und zeitliche Korrelation ( ) Autobahnkreuze, -auffahrten Zeitvariante Einflüsse

69 Korrelationsanalyse Unfälle und ihre lokale und zeitliche Korrelation ( ) Gründe für km 275: - Schlechte Straßenbedingungen und Gefälle/Steigung von 4,0% führte zu Unfällen, insb. bei nassen Straßen - Autobahnteilstück wurde 2008 saniert, sodass die Anzahl der Unfälle sank - Konsequenzen für die statistische Analyse: - Zeitliche Zusammenhänge bereits in wenigen Beispielen sichtbar - Berücksichtigung von kinematischen und fahrdynamischen Kenngrößen

70 Korrelationsanalyse Korrelation zwischen Unfällen und Unfallschwere ESP Aktivität Lenkwinkel und -rate Geschwindigkeit TTC, PET, DRAC Bereits besprochen P uu kk =?? Unfall Art P kk =?? Konflikt Situation Beschleunigung Bremsbeschleunigung P uu kk, uu =?? Unfall Schwere

71 Korrelationsanalyse Lernen von BN als Grundlage einer Verkehrsrisikokarte Umwelt Kinematische und fahrdynamische Kenngrößen P h = Andere Einflüsse P uu kk P kk h i, = h i P uu uu, kk

72 Korrelationsanalyse Lernen von BN als Grundlage einer Verkehrsrisikokarte E H = P cc Initialisierung E H t = P cc t Update (auf Basis von Daten und Zeit) P cc t = ct t C = 1 C c 1,, c n T Zählen der Ereignisse durch Dirichlet-Modell P aa cc, t P aa aa, cc, t Update (auf Basis von Daten, Zeit und updated a-priori-wahrscheinlichkeit)

73 Korrelationsanalyse Auffinden von Übergangsmodellen für die Verkehrsrisikokarte - Liegen die probabilistischen Modelle vor, dann können wir - Gesamtgefährlichkeit, d.h. zeitinvariant, einer Kreuzung, einer Straße oder eines beliebiges Punktes auf einer Straße schätzen - Zeitvariante Gefährlichkeit in Abhängigkeit von umweltbezogenen, verkehrlichen, kinematischen, fahrdynamischen Parametern u.v.a.m. schätzen - Nächste Schritte: - Kenngrößen in kausalen Zusammenhang bringen - Phänomenologischen Ansatz anwenden, um kritische DRACund TTC-Werte (und andere Parameter) zu bekommen - Berechnung der zeitabhängigen (ereignisabhängigen) bedingten Wahrscheinlichkeiten

74 Inhalt

75 Zusammenfassung & Ausblick Schlussfolgerung - Gegenwärtige Methoden zur Messung und Bewertung von Verkehrssicherheit müssen erweitert werden - Sinnvolle Möglichkeiten zur Berechnung von Verkehrskonfliktdaten ergeben sich durch moderne Technologien und Verfahren (z.b. TTC, PET, DRAC, DST, b, v, etc.) - Spatiotemporale Sensorik (e.g. Video, Laser, Radar) - Unfalldaten und Daten von Beinaheunfällen Ausblick - Auffinden von zeit(in)varianten Übergangsmodellen und Nachweis der (bedingten) Korrelation zwischen Unfällen und Beinaheunfällen - Anwendung von BN und statistischen Methoden - Lösen der gegenwärtigen Problem unseres BV-Systems (Verdeckungen, Objektkonvergenzen und separierungen)

76 Zusammenfassung & Ausblick Chancen - Verbesserung der Verkehrssicherheitsforschung und -arbeit - Verbesserung der Verkehrssicherheit, so dass die Anzahl der durch Mängel in der Infrastruktur, Verkehrsbeeinflussung, umweltbedingten Faktoren tödlich Verunglückten und Schwerverletzten u.a. weiter deutlich sinkt - Identifikation und Implementierung von Maßnahmen zur Verbesserung der Verkehrssicherheit in unseren Verkehrsräumen - Neuartige angewandte und getestete Methoden Limits - Wir wissen nicht, ob der Ansatz funktioniert, ab er erscheint sinnvoll und vielversprechend - Wir werden nicht die Situation mit null Toten und null Schwerverletzten, da Unfälle immer noch stochastisch auftreten können

77