Die steigende Beliebtheit des Fahrrads hat nicht nur positive Effekte. Eine vermehrte Anzahl an verletzten Radfahrer*innen, insbesondere in Verbindung mit elektrifizierten Fahrrädern, zeigen dies eindrücklich. Während die Zweiradindustrie boomt, versuchen Bund, Länder und Kommunen den steigenden Anforderungen an die Infrastruktur gerecht zu werden. Diese muss nun für verschiedene Fahrradkonzepte mit unterschiedlichen Geschwindigkeitsprofilen ausgelegt werden. Um die neuen Aufgaben bewältigen zu können, werden vermehrt Probandenstudien unternommen, welche das Verhalten der Fahrradnutzer*innen abbilden sollen. Insbesondere die Unfallentstehung, ihr Zusammenspiel mit der Infrastruktur und der Einfluss erhöhter Geschwindigkeit durch Elektrifizierung stehen hierbei im Fokus. Diese Naturalistic Cycling Studies (NCS) verwenden mit Sensoren ausgestattete Fahrräder, welche die täglichen Fahrten ausgewählter Probanden und Probandinnen aufzeichnen. Um die Prinzipien von naturalistischen Studien nicht zu verletzen, müssen die Anbauten möglichst unaufdringlich sein. Diese Anforderung grenzt das verwendbare Sensorset stark ein, sodass üblicherweise keine redundante Sensorik verfügbar ist. Dennoch werden während der Studien enorme Datenmengen, hauptsächlich Kameradaten, aufgezeichnet. Die Sichtung der Daten und die Extraktion von studienrelevanten Situationen, sogenannte Events, wird bisher manuell bewältigt, da verlässliche automatisierte Methoden fehlen. Dieser Zustand führt zwangsläufig zu hohem personellem Aufwand und einer suboptimalen Probandenauswahl, getrieben durch die enormen Kosten der Auswertung. Die vorliegende Arbeit greift diese und weitere Probleme auf und bietet einen Ansatz zur Lösung des Dilemmas. Eine Analyse der aktuellen Auswertungsmethoden von Naturalistic-Cycling-Daten und dem empfohlenen Auswertungsprozess von Probandenstudien im Straßenverkehr zeigen die Eventdetektion als den Ansatzpunkt für eine automatisierte Auswertung auf. Verschiedene Ansätze werden vorgestellt, basierend auf potenziell in NCS auftretenden Forschungsfragen. Der Fokus liegt hierbei auf der Detektion von kritischen Situationen, welche sich durch ein erhöhtes Unfallrisiko auszeichnen. Hierfür werden zwei Prozessketten mit Algorithmen zur Objekterkennung, Objektverfolgung und Berechnung der Situationskritikalität prototypisch implementiert und anhand konstruierter Szenarien auf ihre Funktionalität überprüft. Weitere Szenarienbetrachtungen im Realverkehr schließen die Funktionstests ab. Anhand der Ergebnisse wird beantwortet, ob eine Auswertung der Naturalistic-Cycling-Daten automatisiert werden kann, und welche Schlüsselfaktoren bei der Auswahl des Sensorsets sowie der Umsetzung berücksichtigt werden müssen. Dabei werden die spezifischen Anforderungen an naturalistische Methoden stets geachtet. Ausblicke auf Verfahren, welche die prototypische Implementierung erweitern oder optimieren können, schließen die Arbeit ab.


    Access

    Download


    Export, share and cite



    Title :

    Automatisierte Auswertung von Naturalistic-Cycling-Versuchsdaten


    Additional title:

    Automated analysis of naturalistic cycling data


    Contributors:

    Publication date :

    2021



    Type of media :

    Miscellaneous


    Type of material :

    Electronic Resource


    Language :

    German



    Classification :

    DDC:    629




    Automatisierte Auswertung von Naturalistic-Cycling-Versuchsdaten

    Rippel, Benjamin | TIBKAT | 2021

    Free access

    Versuchsdaten einfacher auswerten

    Reichenbach,M. / FEV Motorentechnik,Aachen,DE | Automotive engineering | 2009



    Pedelec-naturalistic cycling study

    Schleinitz, Katja / Franke-Bartholdt, Luise / Petzoldt, Tibor et al. | TIBKAT | 2014


    Pedelec - Naturalistic Cycling Study

    Gesamtverband der Deutschen Versicherungswirtschaft e. V. | FID move | 2014

    Free access