guest ::
Representativeness analysis of driving data = Representativitätsanalyse von Fahrdaten
2024
Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2024
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University
Genehmigende Fakultät
Fak04
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2024-07-04
Online
DOI: 10.18154/RWTH-2024-06388
URL: https://publications.rwth-aachen.de/record/988780/files/988780.pdf
Einrichtungen
Inhaltliche Beschreibung (Schlagwörter)
automated driving (frei) ; data (frei) ; driving data (frei) ; maps (frei) ; safety assurance (frei) ; weather (frei)
Thematische Einordnung (Klassifikation)
DDC: 620
Kurzfassung
Mit der weiteren Entwicklung automatisierter Fahrzeuge gewinnt die Absicherung als weiterer Schritt hin zur Einführung auf öffentlichen Straßen an Bedeutung. Normalerweise umfasst der Ansatz dabei die Analyse aufgezeichneter Fahrdaten in spezifischen Situationen, sogenannte Szenarien. Szenarien, welche die Interaktion zwischen Verkehrsteilnehmer beschreiben, gelten dabei oft als die relevantesten. Allerdings ergeben sich mit der weiteren Entwicklung der Fahrzeuge auch weitere Schwerpunkte u.a. Umweltfaktoren wie Straßen- und Wetterbedingungen. Sowohl für die Interaktion wie auch die Umweltfaktoren ist die Frage offen, wie diese einzuordnen sind. Das Ziel dieser Arbeit ist es, diese Frage mithilfe der Repräsentativität von Parameterwerten bezüglich einer oder mehrerer Referenzen zu beantworten. Dazu wird ein Ansatz konzipiert welcher drei Hauptbestandteile inkludiert: die Aggregierung der Referenzen zu Parameterräumen, die Anreicherung von aufgezeichneten Fahrdaten und schlussendlich die Berechnung der Repräsentativität basierend auf den zwei vorangehenden Bestandteilen. Als Referenzdaten werden Kartendaten von OpenStreetMap und Wetterdaten vom Deutschen Wetterdienst verwendet. Diese werden anhand der Distanz (nur Kartendaten) und über die Kombination mit Verkehrsfluss- und Unfalldaten aggregiert. Für den zweiten Bestandteil werden die Fahrdaten in einem einheitlichen Datenformat zur Verfügung gestellt, allerdings sind die Umweltdaten darin optional, da diese für die heutige Absicherung nicht immer benötigt werden. Daher kommt der Anreicherung der Daten eine wichtige Rolle im Prozess zur Berechnung der Repräsentativität zu. Unter Verwendung der gleichen Datenquellen wie für die Aggregierung, basiert die Anreicherung auf einem Map-Matching für die Kartendaten und einer Lookup-Tabelle für die Wetterdaten. In Kombination mit der anschließenden Szenariendetektion stehen die Parameterräume für die Berechnung der Repräsentativität zur Verfügung. Die Berechnung der Repräsentativität ist der finale Bestandteil des vorgestellten Ansatzes und verwendet die Ergebnisse der zwei vorherigen Bestandteile. Mithilfe der angewendeten Methode ist es möglich einzelne Parameter (z.B. Geschwindigkeitsbegrenzung von 100 km/h) oder eine Kombination aus Parametern (z.B. Geschwindigkeitsbegrenzung von 100 km/h auf einer zweispurigen Autobahn bei Regen) in Relation zu setzen. Aufbauend auf diesen Relationen lässt sich die Repräsentativität berechnen. Mithilfe der Ergebnisse ist es möglich die Über- oder Unterrepräsentation einzelner Parameter in den Fahrdaten zu berechnen. Aus einem darauf aufbauenden Optimierungsproblem lassen sich die für die Balancierung der Daten notwendigen Kilometer berechnen. Mithilfe der vorgestellten modulare Methode ist eine Erweiterung auf weitere Datenquellen und Referenzen vorstellbar.With the further development of automated vehicles, safety assurance as a step towards the introduction on public roads gains in importance. Typically, the approach involves the analysis of recorded driving data in specific situations, so-called scenarios. Scenarios concerning the interaction between traffic participants are often considered the most relevant. However, with the further maturation of the vehicles, other traffic influencing factors come into focus including environmental factors such as road or weather conditions. For both interaction and environmental factors, the question of balancing the influences remains. This thesis aims at answering this question with the calculation of the representativeness of parameter values regarding one or multiple references.In order to achieve this, a framework is designed that incorporates three major stages: aggregation of reference data to parameter spaces, enrichment of recorded driving data and finally the calculation of the representativeness based on the two previous stages.As reference data, map data from OpenStreetMap and weather data from Deutscher Wetterdienst are used. They are aggregated based on distance (only for map data) and by matching them to traffic volume and accident data. For the second stage, the driving data are provided in a specified common data format, but the environmental data are optional as they are not always needed in today’s safety assurance applications. Therefore, the enrichment of the driving data plays an important role in the process for the calculation of the representativeness. Using the same data sources as for the aggregation, the enrichment is done based on map-matching algorithms for the map data and via a lookup scheme for the weather data. Combined with the subsequent driving scenario detection, the parameter spaces for the calculation of the representativeness are available. The calculation of the representativeness is the final stage of the proposed framework and uses the two previous steps as input. A method is applied which allows setting parameters (e.g., speed limit of 100 km/h) or combinations of parameters (e.g., speed limit of 100 km/h on two-lane motorway and rain) into relation. Based on these relations, the representativeness is calculated. Utilizing the results, it is possible to state the over- or underrepresentation of parameter values in the driving data. Formulating an optimization problem, this allows the calculation of the additionally required kilometers to be recorded in order to balance the dataset. Using the presented modular method, an extension to further data sources and reference is perceivable.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis/Book
Format
online
Sprache
English
Externe Identnummern
HBZ: HT030819139
Interne Identnummern
RWTH-2024-06388
Datensatz-ID: 988780
Beteiligte Länder
Germany
|
The record appears in these collections: |