Kameras an Schilderbrücken

An Schilderbrücken angebrachte Flächenkameras zeichnen das Verkehrsgeschehnis auf der A9 bei Garching auf. Die Daten sind die Grundlage für ein digitales Abbild des Verkehrs. Bild: TU München

Es ist ein absolutes Horrorszenario für jeden Autofahrer: Auf der Autobahn kommt auf der linken Spur ein Lieferwagen mit einer Panne zum Stehen und schafft es nicht mehr auf den Standstreifen. Während die ersten Fahrzeuge dahinter noch rechtzeitig bremsen können, übersieht das dritte Auto die Gefahrensituation, weicht aus, kommt ins Schlingern und fährt auf den liegengebliebenen Transporter in voller Fahrt auf. Genauso geschehen im April 2021 auf der A9 bei Garching. Das traurige Resultat: drei Schwerverletzte. Was sich jedoch in anderen Fällen nur durch Augenzeugenberichte rekonstruieren lässt, wurde in diesem Fall von Kameras auf Schilderbrücken auf dem entsprechenden Streckenabschnitt aufgezeichnet, wodurch der Unfallhergang aus mehreren Perspektiven nachvollzogen werden konnte.

Daten für einen digitalen Zwillings des Verkehrs

Die Kameras auf der A9 gehören zum Forschungsprojekt Providentia++, das von einem Wissenschaftlerteam am Lehrstuhl für Robotik, künstliche Intelligenz und Echtzeitsysteme an der Technischen Universität München (TUM) seit 2017 vorangetrieben wird. Auf einem drei Kilometer langen Teilabschnitt bei Garching wurden sieben Sensorstationen mit Flächenkameras, Radar- und Lidarsystemen auf Schilderbrücken angebracht, die kontinuierlich Daten sammeln, die mittels Sensordatenfusionen zu einem virtuellen Abbild, einem digitalen Zwilling des Verkehrs zusammengefügt werden.

Und genau dieses „fahrzeugübergreifende System“, wie es die Forscher selbst nennen, soll dabei helfen, Unfallsituationen wie aus dem April 2021 besser verstehen zu lernen. Die Vision: Durch eine Vernetzung von Fahrzeugen mit der Infrastruktur sollen solche Unfälle künftig komplett vermieden werden. „Am Ende des Tages sollen Mehrwertdienste entstehen, die die Verkehrssicherheit erhöhen, in dem sie in Echtzeit Auskünfte über Verkehrslagen oder das Fahrverhalten anderer Verkehrsteilnehmer geben“, betont Alois Knoll, Professor an der TU München und Leiter des Konsortiums Providentia++.

Die Daten, so der Mobilitätsexperte, könnten darüber hinaus einen besseren Vorausblick für Funktionen des autonomen Fahrens auf Level 4 und 5 bieten, da sie eine übergreifende Draufsicht auf Fahrverhalten und Verkehrsströme liefern, die die Ego-Perspektive eines einzelnen Fahrzeugs nicht bereitstellen könne. „Uns wurde bereits großes Interesse aus Industrie und Forschung an diesen Daten signalisiert“, sagt Knoll.

Welche Daten geben die Forscher frei?

Aus diesem Grund hat sich das Forscherteam nun dazu entschieden, die gesammelten Daten stufenweise zu veröffentlichen. „Wir wollen die Daten im Sinne von Open Science und Open Data der Öffentlichkeit zugänglich machen, damit Funktionen in vernetzten und autonomen Fahrzeugen wie auch Verkehrsströme grundsätzlich weiter optimiert werden können“, erklärt der Professor. „Es ist ein öffentlich gefördertes Projekt, also gehören die Daten auch der Öffentlichkeit.“

In einem ersten Schritt haben die Forscher Datensätze von der Teststrecke an der A9 bei Garching zusammengestellt, die Wissenschaftler und Unternehmen ab sofort über eine Website herunterladen können. Die anonymisierten Rohdaten umfassen über 600 zufällig ausgewählte Momentaufnahmen von Flächenkameras in Full-HD, einminütige Bildsequenzen einer Flächenkamera inklusive Track-ID sowie anderthalbminütige Punktwolkensequenzen eines sogenannten Ouster-Lidars.

Fahrzeuge auf der Autobahn
Fahrzeuge auf der A9 werden mit sogenannten Bounding-Boxen versehen und so klassifiziert.

„Für die Erstellung eines digitalen Zwillings des Verkehrs und die zugrundeliegenden Algorithmen braucht es enorm große Datenmengen“, erklärt Venkatnarayanan Lakshminarasimhan aus dem Providentia++-Team der TU München. Der Forscher arbeitet daran, die Daten in eine Form zu bringen, dass sie für eine breite Öffentlichkeit nutzbar sind. Der erste Schwung an frei zugänglichen Rohdaten beschränkt sich auf einen Streckenabschnitt von 500 Metern Länge auf der A9, wo vor allem die Flächenkameras aufschlussreiche Sequenzen des Autobahnverkehrs aufnehmen.

Komplexere Verkehrsszenarien folgen später

„Auf anderen Streckenabschnitten oder an Kreuzungen sind weitere Lidarsensoren und Surround-View-Kameras installiert, durch die wir erheblich komplexere Verkehrssituationen sammeln und analysieren können“, sagt Lakshminarasimhan. In den kommenden Monaten sollen daher auch anspruchsvollere Szenarien wie Unfälle, Dunkelheit oder Wettersituationen wie beispielsweise Schnee oder Nebel aufbereitet und als Datensets verfügbar gemacht werden. Da dürften vor allem Entwickler von autonomen Fahrfunktionen die Ohren spitzen, stellen widrige Witterung oder unterschiedliche Lichtverhältnisse doch eine enorme Herausforderung für die Objekterkennung und -klassifizierung dar.

Die letzte Ausbaustufe des Providentia-Release bestünde dann im Live-Zugriff auf die an Autobahn, Landstraßen oder Kreuzungen installierte Sensorik – ein Szenario, welches das Potenzial der Car-to-X-Vernetzung und der damit einhergehenden massiven Verbesserung der Verkehrssicherheit unterstreicht. Das sieht auch Verkehrsexperte Alois Knoll so und dennoch bleibt er vorsichtig: „Livedaten von bestimmten Streckenabschnitten bereitzustellen, verursacht neue Kosten und nicht jeder Nutzer kann mit solchen Daten etwas anfangen.“

 

Wie kann die Industrie von den Verkehrsdaten profitieren?

Er appelliert daher an die Industrie, sich die Daten, die aktuell durch zahlreiche Testfelder in Deutschland gesammelt und aufbereitet werden, schnellstmöglich für entsprechende Mehrwertdienste zunutze zu machen. Einer der ersten Akteure aus der Industrie, der mit den Daten schon arbeitet, ist die ehemalige Siemens-Tochter Yunex. Das auf Verkehrstechnik spezialisierte Unternehmen nutzt die Sensordaten von der A9, um die sogenannte Time-to-Collision, also die Zeit bis zum Aufprall zweier Fahrzeuge, zu analysieren und besser erklären zu können, aus welchen Gründen es zu Zusammenstößen kommt. Daraus wiederum könnten prädiktive Anwendungen entstehen, mit denen sich Fahrzeuge untereinander oder durch entsprechende Informationen der Infrastruktur beispielsweise vor plötzlich auftretenden Staus warnen könnten.

„Dafür braucht es aber auch fern der Testfelder einen Rollout entsprechender Sensorinfrastruktur, die sogar vergleichsweise günstig ist“, sagt Knoll. So ein Vorhaben könnte jedoch ähnlich wie beim Ausbau des Ladenetzes für Elektrofahrzeuge am Henne-Ei-Problem scheitern: Keine Services ohne Infrastruktur, doch niemand fühlt sich bemüßigt, diese auszubauen. Doch Knoll und seine Forscher der TU München bleiben optimistisch und hoffen nun auf reges Interesse an den Daten, die einen echten Mehrwert auf dem Weg zur Vision Zero liefern könnten.

Sie möchten gerne weiterlesen?

Registrieren Sie sich jetzt kostenlos:

Bleiben Sie stets zu allen wichtigen Themen und Trends informiert.
Das Passwort muss mindestens acht Zeichen lang sein.
*

Ich habe die AGB, die Hinweise zum Widerrufsrecht und zum Datenschutz gelesen und akzeptiere diese.

Mit der Registrierung akzeptiere ich die Nutzungsbedingungen der Portale im Industrie-Medien-Netzwerks. Die Datenschutzerklärung habe ich zur Kenntnis genommen.

Sie sind bereits registriert?