Sicherheitsorientierte Fahrerassistenzsysteme für Elektrofahrräder

Transkript

1 Sicherheitsorientierte Fahrerassistenzsysteme für Elektrofahrräder Eurobike September in Friedrichshafen Nicolas Mellinger Institut für Mobilität & Verkehr TU Kaiserslautern Das Projekt wird vom Bundesministerium für Verkehr und digitale Infrastruktur (BMVI) aus Mitteln zur Umsetzung des Nationalen Radverkehrsplans gefördert.

2 Pedelecs erfordern neue Sicherheitskonzepte Elektrofahrräder sind ein wichtiger Baustein für eine nachhaltige Mobilität Neue Nutzungsprofile Alltagsmobilität Überlandstrecken Transportanwendungen Neue Nutzergruppen Wiedereinsteiger Ältere Menschen Zunehmend jüngere Menschen Hohe Geschwindigkeiten erhöhte Unfallgefahr insbesondere für Ungeübte und körperlich Eingeschränkte Elektrofahrräder erfordern grundlegend neue Sicherheitskonzepte! Entwicklung innovativer Systeme, die Radfahrende vor möglichen Gefahren frühzeitig warnen und in kritischen Situationen gezielt unterstützen (Fahrerassistenzsysteme oder kurz FAS) 2

3 Das Vorgehen des SIFAFE Projekts basiert auf den 3 Säulen Fahraufgabe Nutzerbefragung Unfalldatenbank Umfeld erfassen Erfahrungen, Wünsche, Hemmnisse Anzahl und Art der Unfälle Unfallursache, Führung und Stabilisierung Sensoren-/Aktorenkonzept -verlauf und -folgen Potenzial für FAS Warn- / Eingriffsstrategie FAS Entwicklung und Evaluation 3

4 Die Fahraufgabe beim Fahrrad umfasst 3 Ebenen Navigation Führung Stabilisierung Ziel wählen Route wählen Zeitlicher Ablauf Verkehrsregeln beachten Fahrspur wählen Treten Lenken Geschwindigkeit wählen Schalten, Gang wählen Spur wählen, halten Handzeichen geben, Blinken Umfeld erfassen Hindernisse erkennen, ausweichen Gleichgewicht Querdynamik (Kurvenfahrten) Längsdynamik (Beschleunigen, Bremsen) Stillstand Fahrbahnbeschaffenheit Fett = besondere Aufgabe des Radfahrens 4

5 Es treten vor allem 4 Unfalltypen bei Pedelecs auf Alleinunfälle Ein- und Abbiegeunfälle Unfälle beim Kreuzen Längsunfälle Hindernis im Weg Unebenheiten Auf- und Absteigen Bauart des Pedelecs Nebeneinanderfahren Ablenkung Vortrittsmissachtungen Sichtbehinderungen Regelwidriges Verhalten Unterschätzung der Geschwindigkeit durch PKW Rad im toten Winkel des PKW Vortrittsmissachtungen Zu dichtes Überholen durch PKW Unterschätzung der Geschwindigkeit Auffahren 5

6 Die Nutzerbefragung gibt Aufschluss über die Ursache der Alleinunfälle Unfälle mit Pedelec oder Fahrrad (n=217) Unfallursache (n=46) rutschiger Untergrund 30 % 47% 53% Hindernis im Weg 20 % querendes / abbiegendes KFZ 13 % Unfall erlitten kein Unfall erlitten sonstige Unfallursache 37 % Quelle: Nutzerbefragung SIFAFE Projekt, TU Kaiserslautern 6

7 Vor einem Unfall werden mehrere Eskalationsstufen (Phasen) durchlaufen Phase 1 Normaler Verkehrsablauf Normale Fahrt Keine kritische Situation Keine Gefahr Frühzeitige Erkennung FAS? Phase 2 Störung Durch eigenes Verhalten oder Fremdeinwirkung unerwartete/komplexe Situation Reaktion erforderlich Phase 3 Kritische Situation Erkennen der kritischen Situation Reaktion zwingend erforderlich Nicht rechtzeitige Erkennung Unfall 7

8 System Durch FAS können zeitliche Sicherheitsgewinne geschaffen werden Fahrer klassisch Erkennungszeit Fahrer erkennt Reaktionszeit Fahrer reagiert Reaktion umgesetzt FAS informierend FAS erkennt FAS informiert Fahrer erkennt Reaktionszeit Fahrer reagiert Reaktion umgesetzt FAS eingreifend FAS erkennt FAS prüft FAS reagiert Reaktion umgesetzt Sicherheitsgewinn Ereignis, Störung pot. Unfall Zeit t 8

9 Nutzer von Pedelecs kennen FAS Kenntnis sicherheitsorientierter Fahrerassistenzsysteme (zum Beispiel aus dem PKW, n=223) ich kenne FAS ich kenne keine FAS ich nutze FAS ich nutze keine FAS 12; 5% 211; 95% 111; 50% 100; 45% Quelle: Nutzerbefragung SIFAFE Projekt, TU Kaiserslautern 9

10 und können sich die Nutzung am Pedelec oder Fahrrad vorstellen Nutzung von Fahrerassistenzsystemen am Pedelec oder Fahrrad (n=211) ja nein, und das ist auch gut so nein, aber ich könnte es mir vorstellen automatisches Licht Garmin Varia Radar Sonstiges 49; 71% 11; 16% 9; 13% 5; 7% 2; 3% 2; 3% Quelle: Nutzerbefragung SIFAFE Projekt, TU Kaiserslautern 10

11 FAS müssen vor ihrer Entwicklung systematisiert werden Kriterien Ebene Stabilisierungsebene Kompensatorische Regelung Millisekundenskala Führungsebene Antizipatorische Steuerung Sekundenskala Navigationsebene Minuten- bis Stundenskala Wirkung Informierende Systeme Automatisierende Systeme kontinuierlich wirkend während der Normalfahrt Eingreifende Systeme diskontinuierlich wirkend in Notfallsituationen Unfallart Fahrunfall Abbiegeunfall Einbiegeunfall Überschreitenunfall Unfall durch ruhenden Verkehr Unfall im Längsverkehr Sonstiger Unfall Sensoren Eigenwahrnehmung Außenwahrnehmung Aktoren Bremssystem Lenksystem Kommunikation optisch akustisch haptisch Anzeigen 11

12 Die Potenzialanalyse verspricht eine hohe Wirksamkeit Antiblockiersystem 7% 7% Notbremsassistent 13% 41% Bremsassistent 1% 1% Frontalkollisionswarnung 19% 41% Schlaglochwarnung Spurverlassenswarnung Spurhalteassistent Spurwechsel-/Totwinkelassistent Kreuzungs-/Einbiegeassistent 2% 5% 5% 8% 8% 8% 8% 15% 32% 52% Betrachtung von Systembausteinen ohne Synergien mit Synergien Linksabbiegeassistent 3% 41% Verkehrszeichenerkennung 3% 18% Unfallerkennung 0% 0% Navigationssystem 0% 0% 0% 10% 20% 30% 40% 50% 60% Prozentsatz verhinderbarer Unfälle Quelle: Potenzialanalyse SIFAFE Projekt, TU Kaiserslautern 12

13 Nutzer können sich diese FAS und Warnelemente am Pedelec vorstellen Wünschenswerte FAS für Pedelecs (n=196) Wünschenswerte Warnelemente für Pedelecs (n=200) Antiblockiersystem Lichtassistent Notbremsassistent Spurwechselassistent Frontalkollisionswarnung Fahrdynamikregelung Lenkassistent Spurhalteassistent Verkehrszeichenerkennung Warnung umgebender Fahrzeuge Digitaler Rückspiegel/Radar Airbag Warnung vor rutschigem Untergrund optisch am Pedelec optisch am Fahrer akustisch am Pedelec akustisch am Fahrer haptisch am Pedelec haptisch am Fahrer Prozentsatz Prozentsatz Quelle: Nutzerbefragung SIFAFE Projekt, TU Kaiserslautern 13

14 Die Wirksamkeit der FAS wird in der Evaluation nachgewiesen Aufgabe der Evaluation Zeitvorteil durch FAS + kein Zeitvorteil durch FAS o Zeitverlust durch FAS - FAS informiert Frühzeitige Aktion Projektziel erreicht Keine Wirkung Nicht besser, nicht schlechter FAS lenkt ab Verschlechterte Situation Projektziel nicht erreicht 14

15 Das erste entwickelte FAS ist eine Frontkollisionswarnung mit LIDAR Sensor Abstandsmessung mittels Lidar Sensor Detektion Hindernis mit unmittelbarer Kollisionsgefahr Warnung des Fahrers: Haptisch, Akustisch, Optisch 15

16 Das FAS besteht momentan aus 3 ersten Komponenten Raspberry Pi Vibrationsmotor Lidar Quelle:Wikipedia Einplatinencomputer Führt Detektionsalgorithmus aus und generiert Signale, um haptische bzw. akustische Warnung zu aktivieren Dient als Schnittstelle zum CAN Bus des E-Bike Haptische Warnung Jeweils ein Motor in den Griffen montiert Optische Abstandsmessung 16

17 Das FAS wird am Versuchsträger getestet Haptische Warnung Vibrationsmotoren in Lenkergriffen Gehäuse Lidar-Sensor Steuerelektronik Raspberry Pi Akustische Warnung Lautsprecher im Bereich hinter Lenker 17

18 Für das FAS wird zusätzlich eine kamerabasierte Erweiterung entwickelt Ziele Adaptive Abstands- Geschwindigkeitsregelung Verbesserung der Detektion Verbesserung der Warnung Konstruktion Erweiterung zu Radar / Lidar Stereo-Kamera (z.b. Subaru Eyesight) Spurhalteassistent Beispiele Notbremsassistent Frontkollisionswarner Spurhalteassistent Abstands- und Geschwindigkeitswarnung Notbremsassistent Übertragung auf Fahrrad / Pedelec Kombination Lidar mit kamerabasierter Erweiterung deutliche Verbesserung der Detektionsergebnisse zu erwarten Quelle: Subaru 18

19 Die kamerabasierte Objektdetektion befindet sich bereits in der Testphase Erster Detektor zur Erkennung von Fahrzeugen und Personen Ansatz über neuronale Netzwerke (Maschinelles Lernen). Der Detektor lernt während des Trainings wie ein Objekt (Auto, Person, ) aussieht und kann diese auch in gänzlich anderen Umgebungen zuverlässig detektieren, der Detektor ist robust. Detektion eines Objektes als bounding box mit einer zugeordneten Klasse z.b. (car, bus, ) Gegenwärtig eine GoPro Kamera im Einsatz 19

20 Fazit, Ausblick und weiteres Vorgehen Fahraufgabe Nutzerbefragung Unfalldatenbank Umfeld erfassen Erfahrungen, Wünsche, Hemmnisse Anzahl und Art der Unfälle Führung und Stabilisierung Unfallursache, -verlauf und -folgen Sensoren-/Aktorenkonzept Potenzial für FAS Warn- / Eingriffsstrategie FAS Entwicklung und Evaluation 20

21 Vielen Dank für Ihre Aufmerksamkeit! Nicolas Mellinger Institut für Mobilität & Verkehr TU Kaiserslautern 0631 / Das Projekt wird vom Bundesministerium für Verkehr und digitale Infrastruktur (BMVI) aus Mitteln zur Umsetzung des Nationalen Radverkehrsplans gefördert.