DIPLOMARBEIT Z U M TH E M A. Untersuchung zur Qualität von Smartphone-Bewegungsdaten im Labor und auf der Straße

Transkript

1 Untersuchung zur Qualität von Smartphone-Bewegungsdaten im Labor und auf der Straße neuartiger Methoden zur Erhebung von Realfahrdaten (NDS Naturalistic Driving Study). Neben der reinen Datenerhebung stehen auch die Verwaltung und die wissenschaftliche Weiterverarbeitung der Fahrprofile im Fokus der Betrachtung. Durch das Forschungs- und Entwicklungsprojekt NDSE (NDS Environment) wird die Erhebung und Analyse von massierten naturalistischen Fahrdaten durch ein neues Konzept ermöglicht. In der Arbeit soll die Genauigkeit der von den Smartphonesensoren erfassten Werte sowohl in der Laborumgebung, als auch in realen Fahrversuchen untersucht werden. - Smartphone als Inertiale Messeinheit Sensoren und Funktion - Recherche zu Trägheitsnavigationssystemen (INS, IMU) - Einsatz eines inertialen Navigationssystems als Referenz - Validierung vorhandener Normierungs-/Initialisierungsverfahren für KFZ, Motorrad und Fahrrad - Toleranzen/ Abweichungen/ Leistungsfähigkeit ermitteln - Algorithmus zur Transformation (Rotation) von Beschleunigungen und Drehraten validieren - Entwicklung/-Adaption und Inbetriebnahme eines Prüfstandes zur Validierung des Algorithmus Ergebnisbasierte Modifikation und Optimierung des Algorithmus - Implementierung vorzugsweise in MATLAB - Tests an Prüfständen und Real(fahr)versuche für Vergleiche und den Funktionsnachweis - Auswertung zur Leistungsfähigkeit der Smartphone-IMU - Praktikabilitäts- und Notwendigkeitsuntersuchung einer Normierung - gute Studienergebnisse in den Bereichen Fahrzeugtechnik, Physik u.ä. - ggf. Kenntnisse in Matlab Ref.: #DA027

2 Bestimmung des Fahrverhaltens anhand von Realfahrdaten (NDS) neuartiger Methoden zur Erhebung von Realfahrdaten (NDS Naturalistic Driving Study). Neben der reinen Datenerhebung stehen auch die Verwaltung und die wissenschaftliche Weiterverarbeitung der Fahrprofile im Fokus der Betrachtung. Durch das Forschungs- und Entwicklungsprojekt NDSE (Naturalistic Driving Study Environment) wird die Erhebung und Analyse von massierten naturalistischen Fahrdaten durch ein neues Konzept ermöglicht. Im Rahmen dieser Arbeit soll die bisher angewandte Datenverarbeitung verbessert und durch eigene Testfahrten bestätigt werden. - Recherche zu Zielstellungen und Untersuchungen mittels NDS - Konzept zur Einschätzung des Fahrverhaltens entwickeln - Eigene Fahrdaten in nachgestellten typischen Fahrsituationen aufnehmen - Daten automatisiert auswerten um Fahrerprofile zu generieren - Fahrertypen anhand der Datensätze charakterisieren, kategorisieren und klassifizieren - Einflüsse von Störgrößen minimieren um die Zuverlässigkeit der Einstufung zu verbessern - Zusammenhang von Datenqualität/-Vorbehandlung und Zuordnungsgüte herausstellen - Implementierung der Algorithmen vorzugsweise in MATLAB - gute Studienergebnisse in den Bereichen Messtechnik, Fahrzeug- und Automatisierungstechnik, Mathematik und ähnliche - Grundlegende Kenntnisse in Matlab Ref.: #DA029

3 Entwickeln und Optimieren eines Algorithmus zur automatisierten Transformation von inertialen Bewegungsdaten in das Fahrzeug-Bezugssystem neuartiger Methoden zur Erhebung von Realfahrdaten (NDS Naturalistic Driving Study). Neben der reinen Datenerhebung stehen auch die Verwaltung und die wissenschaftliche Weiterverarbeitung der Fahrprofile im Fokus der Betrachtung. Durch das Forschungs- und Entwicklungsprojekt NDSE (Naturalistic Driving Study Environment) wird die Erhebung und Analyse von massierten naturalistischen Fahrdaten durch ein neues Konzept ermöglicht. Essentiell für eine aussagekräftige Datenbasis ist dabei die Bedeutung der gesammelten Parameter zu kennen. Ausgangspunkt dabei und Herausforderung dieser Arbeit ist daher die Bestimmung der Ausrichtung und Position des Smartphones als Messgerät. - Smartphone als Inertiale Messeinheit Sensoren und Funktion - Was bedeutet/was ist das Bezugssystem? (Bezug zur Gravitationsgerade) - Differenzierung zwischen KFZ, Motorrad, Fahrrad - Bestimmung der Einbaulage/-position - ggf. erforderliche Normierungs-/Initialisierungsverfahren definieren - Algorithmus zur Transformation (Rotation) von Beschleunigungen und Drehraten entwickeln - Berücksichtigung von Gravitation und Massenträgheit - Implementierung in MATLAB - Optimierung des Algorithmus und Beurteilung seiner Leistungsfähigkeit - inverse Rückführung zur Anwendung auf Trigger-Schwellwerte - Ausblick auf eine Echtzeit-Orientierungsüberwachung und -korrektur - gute Studienergebnisse in den Bereichen Fahrzeugtechnik, Physik u.ä. - ggf. Kenntnisse in Matlab Ref.: #DA044

4 Entwickeln und Validieren eines Algorithmus zur automatisierten Erkennung der Smartphone-Einbau-Lage und -Position im KFZ bei einer NDS neuartiger Methoden zur Erhebung von Realfahrdaten (NDS). Neben der reinen Datenerhebung stehen auch die Verwaltung und die wissenschaftliche Weiterverarbeitung der Fahrprofile im Fokus der Betrachtung. Durch das Forschungs- und Entwicklungsprojekt NDSE (Naturalistic Driving Study Environment) wird die Erhebung und Analyse von massierten naturalistischen Fahrdaten durch ein neues Konzept ermöglicht. In der Arbeit soll eine Verfahren entwickelt werden, das es erlaubt die Orientierung, des als Inertial-Sensor fungierenden Smartphones, anhand der erfassten Daten, zu bestimmen. - Smartphone als Inertiale Messeinheit Sensoren und Funktion - Was bedeutet/was ist das Bezugssystem? (Bezug zur Gravitationsgerade) - Vor- und Nachteile existenter Erkennungs-Algorithmen der Smartphone Ausrichtung - Entwickeln eines Algorithmus zur Bestimmung der Einbauausrichtung/-position - Abgrenzung KFZ zu Motorrad und Fahrrad - ggf. Festlegen eines geeigneten Normierungs-/Initialisierungsverfahren - Validierung der Koordinaten-Transformation anhand von Real(fahr)versuchen - Untersuchung des Einflusses von Gravitation und Massenträgheit - Implementierung vorzugsweise in MATLAB - Performancetests zur Beurteilung der Leistungsfähigkeit einer Smartphone-IMU - gute Studienergebnisse in den Bereichen Fahrzeugtechnik, Physik u.ä. - ggf. Kenntnisse in Matlab Ref.: #DA045

5 Verbesserung der Positionsgenauigkeit von Realfahrdaten (NDS) zur weiteren Verwendung in der Auswertung des Fahrverhaltens neuartiger Methoden zur Erhebung von Realfahrdaten (NDS Naturalistic Driving Study). Neben der reinen Datenerhebung stehen auch die Verwaltung und die wissenschaftliche Weiterverarbeitung der Fahrprofile im Fokus der Betrachtung. Durch das Forschungs- und Entwicklungsprojekt NDSE (Naturalistic Driving Study Environment) wird die Erhebung und Analyse von massierten naturalistischen Fahrdaten durch ein neues Konzept ermöglicht. Ausgehend von Smartphones als meist verbreitetes Messgerät für Position und Bewegung wird dadurch ein enormer Studien- und Datenumfang erreicht. Verschiedene verbreitete Verfahren halfen dabei durch den physikalischen Zusammenhang der inertialen Messgrößen die Bewegungsgenauigkeit zu verbessern. Eines von ihnen ist der Kalman-Filter, welcher im Rahmen dieser Arbeit der NDS-Anwendung angepasst, umgesetzt und getestet werden soll. - Recherche zu Errechnungsmöglichkeiten von Bewegungsvorhersagen (GPS) - Konzept zur Verbesserung und Verfeinerung der Fahrzeug-Trajektorie entwickeln - Entwicklung eines Algorithmus zur nachträglichen Verbesserung der Positionsgenauigkeit (GPS) durch Schätzung der Bewegungstrajektorie anhand der IMU-Daten (Kalman-Filter) - Umsetzung und Implementierung vorzugsweise in MATLAB - Exemplarische Testfahrten zum Funktionsnachweis - Anwendungsorientierte messgrößenspezifische Datenvor- und -aufbereitung (Preprocessing) - Leistungsfähigkeit des Algorithmus im Hinblick auf große Datenmengen bestimmen - Bedeutung für NDS herausstellen - gute Studienergebnisse in den Bereichen Messtechnik, Fahrzeug- und Automatisierungstechnik, Mathematik und ähnliche - Grundlegende Kenntnisse in Matlab Ref.: #DA046

6 Kfz-Technik und -Sicherheit Themenvorschlag für die Diplomarbeit Thema Untersuchung automatischer Blockierverhinderer (ABV) bei E-Bikes Zeitraum: ab 01.xx.2018, 5 Monate Aufgabe Die Zahl an Elektrofahrrädern (E-Bikes) nimmt stetig zu, sodass deren Relevanz im Verkehrsgeschehen immer größer wird. Die Teilnahme der elektrisch getriebenen Zweiräder am Mischverkehr steigt, deshalb ist es unerlässlich die Fahrzeuge sicherheitstechnisch auszurüsten, um den Fahrer sowie andere Verkehrsteilnehmer zu schützen. Mit der Erhöhung der aktiven Sicherheit und dem Einsatz von assistierenden Funktionen, wie sie bereits aus anderen Fahrzeugen bekannt sind, kann das Fahrverhalten positiv beeinflusst und die Verkehrssicherheit gewährleistet werden. Teilschritte - Recherche zu E-Bikes und Bewertung der Fahrzeuge unter sicherheitstechnischen Aspekten - Aufbau eines ABV bei E-Bikes mit verschiedenen Systemvoraussetzungen und Kenngrößen (Technik, Spannungsbereiche, Radgrößen, Kopplung mit Bremssystemen, Abschalt-/Systemgrenzen) - Anwendung und Umsetzung des ABV bei E-Bikes - Vergleich des Brems- und Anhaltewegs bei unterschiedlichen Fahrbahnuntergründen durch Nutzung mobiler Messsysteme (bspw. NDS-App) - Vergleichsanalysen von E-Bikes mit und ohne eines ABV-Systems - Analyse der Wirkweise des ABV in den verschiedenen Stabilitätsphasen des E- Bikes - Vermeidungspotenzialbewertung von Unfällen mit tödlich verunglückten und Schwerverletzten - Bericht - Poster zur Diplomverteidigung Die Arbeit ist in regelmäßigen Abständen (mind. zwei Zwischenstände) mit dem (Fach-) Betreuer HTW Betreuer HTW: Prof. Dr.-Ing. Lars Hannawald Fachbetreuer HTW: Dipl.-Ing. Cäcilia von Lienen Ref.: #DA047

7 Übertragbarkeit stochastischer Anregungen auf die Vertikal-, Längs- und Querdynamik verschiedener Fahrzeugtypen neuartiger Methoden zur Erhebung von Realfahrdaten (NDS Naturalistic Driving Study). Durch das Forschungsprojekt NDSE (Naturalistic Driving Study Environment) wird die Erhebung und Analyse von massierten naturalistischen Fahrdaten durch ein neues Konzept ermöglicht. Neben der reinen Datenerhebung stehen auch die Verwaltung und die wissenschaftliche Weiterverarbeitung der Fahrprofile im Fokus der Betrachtung. Ziel der Arbeit ist es, real aufgezeichnete fahrdynamische Kennwerte unterschiedlicher Fahrzeugtypen sauber und realistisch abbilden zu können, um eine weitere Analyse dieser zuzulassen. - Recherche fahrdynamischen Untersuchungen mittels NDS - Analyse realer Messdaten im Zeit- und Frequenzbereich (z.b. FFT) für unterschiedliche Fahrzeugtypen (PKW, Motorrad, Fahrrad) - Untersuchung von Störeinflüssen auf die Messsignale - Konzept zur Datenaufbereitung insbesondere Filtertechnologien bei stochastischer Anregung (Straßenanregung) - Anwendung geeigneter Filter je nach Messparameter sowie in Abhängigkeit vom Fahrzeugtyp - Implementierung und Umsetzung vorzugsweise in MATLAB - gute Studienergebnisse in den Bereichen Messtechnik, Fahrzeug- und Automatisierungstechnik, Mathematik und ähnliche - Kenntnisse in Matlab Dipl.-Ing. Cäcilia von Lienen caecilia.von-lienen@htw-dresden.de Tel.: +49(0)351/ Ref.: #DA048

8 Methodik zur Klassifizierung von Messparametern aus Realfahrdaten neuartiger Methoden zur Erhebung von Realfahrdaten (NDS Naturalistic Driving Study). Durch das Forschungsprojekt NDSE (Naturalistic Driving Study Environment) wird die Erhebung und Analyse von massierten naturalistischen Fahrdaten durch ein neues Konzept ermöglicht. Neben der reinen Datenerhebung stehen auch die Verwaltung und die wissenschaftliche Weiterverarbeitung der Fahrprofile im Fokus der Betrachtung. Ziel der Arbeit ist es, Methoden zu entwickeln, um fahrdynamische Parameter aus real aufgezeichneten Messdatensätzen durch Bewertungsschemen zu klassifizieren. Dies erleichtert die Charakterisierung von massierten Datensätzen und deren Verwaltung, sowie die Filterung anhand ausgewählter Kriterien. - Recherche fahrdynamischer Untersuchungen mittels NDS - Analyse und Beschreibung eines Messdatensatzes aus Realfahrten - Mehrdimensionale Beschreibung einer Fahrt durch das Erstellen eigener Beurteilungskriterien zur Charakterisierung eines Datensatzes - Erstellen von Kategorien und Klassen je nach Messparameter und Einflussgrößen - Zusammenfassen der fahrdynamischen Parameter aus NDS-Datensätzen (Clusteranalyse) - Untersuchung von Abhängigkeiten dieser Bewertungsmethodik - Anwendung und Validierung (ggf. Optimierung) der Methode mittels eigener Realfahrdaten - gute Studienergebnisse in den Bereichen Messtechnik, Fahrzeug- und Automatisierungstechnik, Mathematik und ähnliche - Kenntnisse in Matlab Dipl.-Ing. Cäcilia von Lienen caecilia.von-lienen@htw-dresden.de Tel.: +49(0)351/ Ref.: #DA049