EP4246487A1 - Verfahren und systeme zur früherkennung und bewertung von strukturellen gefahrenstellen im strassenverkehr - Google Patents

Verfahren und systeme zur früherkennung und bewertung von strukturellen gefahrenstellen im strassenverkehr Download PDF

Info

Publication number
EP4246487A1
EP4246487A1 EP23161919.8A EP23161919A EP4246487A1 EP 4246487 A1 EP4246487 A1 EP 4246487A1 EP 23161919 A EP23161919 A EP 23161919A EP 4246487 A1 EP4246487 A1 EP 4246487A1
Authority
EP
European Patent Office
Prior art keywords
data
danger
sensor data
user input
computer system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP23161919.8A
Other languages
English (en)
French (fr)
Inventor
Arno Wolter
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Initiative Fuer Sichere Strassen GmbH
Original Assignee
Initiative Fuer Sichere Strassen GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from DE102022105919.7A external-priority patent/DE102022105919A1/de
Priority claimed from LU102919A external-priority patent/LU102919B1/de
Application filed by Initiative Fuer Sichere Strassen GmbH filed Critical Initiative Fuer Sichere Strassen GmbH
Publication of EP4246487A1 publication Critical patent/EP4246487A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station

Definitions

  • the invention generally relates to methods and systems for the early detection and evaluation of structural danger points in road traffic.
  • the invention relates in particular to a computer-aided method for the early detection of structural danger spots in road traffic using a digital traffic route network map using a computer system.
  • the invention further relates to a computer-aided method for determining a danger score of a georeferenced, structural danger point in a digital traffic route network image, as well as a computer system for implementing the aforementioned methods and / or for using or making usable the map-like digital traffic route network image resulting from one of these methods , which technically represents a danger map.
  • new uses of the computer system or the hazard map data are suggested.
  • the invention also relates, among other things, to a method or a system for communication with autonomous or semi-autonomous driving vehicles in order to influence the autonomous or semi-autonomous driving behavior depending on danger spots.
  • Permanent danger spots are always present.
  • Temporary danger spots are limited in time (such as at construction sites) or they only occur in connection with certain general conditions, such as adverse weather conditions (be it in the summer due to the glare of the sun, in the rain due to aquaplaning or in the winter due to snow and ice).
  • RDS/TMC temporary danger spots
  • the present invention relates at least predominantly or exclusively to permanent or structural danger points in the road network.
  • the term danger zone is not to be understood as limited to danger to a specific type of road user, i.e. it includes danger to different types of road user.
  • a danger point can also be understood as a risk point.
  • Known methods are based, for example, on collecting and mapping known accident data from accident databases of, for example, police authorities, and on determining where a danger zone exists based on the frequency of accidents. With this approach, dangerous areas cannot be identified before accidents, some of which are serious, have already occurred. In addition, minor cases or minor accidents without a police report are typically not included in the accident data recorded by the authorities.
  • pulse data as the sole criterion is often not sufficient to accurately identify or predict danger spots. This is proven, among other things, by the results of a study from 2019, cf. B. Ryder, A. Dahlinger et al.; Spatial prediction of traffic accidents with critical driving events - Insights from a nationwide field study; Transportation Research Part A: Policy and Practice; Vol. 124, 2019 (pp. 611-626), ISSN 0965-8564 . This publication shows that there is a causal connection between impulse data and danger zones, but also makes it clear that impulse data alone is not sufficient to make reliable or accurate statements about danger zones.
  • a method for identifying potential danger spots in road traffic using a central computer unit using a fleet of networked motor vehicles is described in the DE 10 2020 108 531 A1 (Daimler AG ).
  • an event that indicates a potential danger point is recorded via pulse data and transmitted with its geoposition to the central processing unit.
  • the aforementioned difficulties can only be partially overcome and require increased computing effort in the vehicles or in the central computer unit.
  • this solution only applies to motor vehicles.
  • a proposal for the complex assessment of danger zones is described on the project homepage of the International Road Assessment Program (iRAP), in particular the publication "iRAP Methodology Fact Sheet #6" available there.
  • iRAP International Road Assessment Program
  • the assessment of a danger spot is calculated for each 100 m long road segment and for each type of road user.
  • the factors that are included in the calculation according to iRAP are road risk factors, which indicate how likely an accident is, road risk factors, which indicate how serious an accident would be, and speed factors, which indicate how the probability of an accident depends on the speed driven , external factors that indicate how likely it is to be involved in an accident involving third parties and a factor that takes into account the probability that a vehicle, for example from oncoming traffic, will be steered onto your own lane. These factors are then determined for each accident type and the result of the individual accident types are summed up per road segment and road user type, so that a rating is calculated for all accident types for a segment and a road user type.
  • This approach which is based on probability calculations, has very limited use at best for the early detection of danger spots. This approach also only aims at the automotive perspective.
  • the WO 2017 146 790 A1 (Allstate Insurance Co. ) in turn describes a system for generating a risk road map, which makes it possible to determine a risk for planned routes.
  • Another problem is that the traffic route network is only processed incompletely and usually only roughly, broken down into route sections, so that many actual danger spots remain undetected.
  • An object of the present invention is therefore to at least partially overcome known disadvantages or shortcomings from the prior art and, for this purpose, in particular to propose improved computer-aided methods and systems for early detection on the one hand and for accurate assessment of danger spots on the other hand.
  • This object is achieved on the one hand by a method according to claim 1 or, independently thereof, on the other hand by a method according to claim 2.
  • Another independent task is to evaluate the traffic situation or the traffic route network as holistically as possible from different perspectives with regard to danger spots, i.e. to evaluate it from the different perspectives of different or all types of road users.
  • the invention should also make it possible to identify danger spots where different types of participants, especially without a vehicle involved, meet each other, e.g. where there is often a cyclist and pedestrians collide, or even identify risk areas where often only one type of road user has an accident (e.g. due to frequent wet leaves in one place or the like).
  • the procedures or systems should be usable for assessing dangers from the perspective and for the benefit of as many types of road users as possible, including weaker non-motorized groups such as cyclists or pedestrians.
  • a computer-aided method for the early detection of structural danger spots in road traffic or a system set up for this purpose is proposed.
  • a digital traffic route network map is processed using a computer system, for which, for example, map data from the OpenStreetMap (OSM) project or other comparable map data can be used.
  • OSM OpenStreetMap
  • the system or method initially includes providing such a digital map-like image of at least one traffic route network, in particular with infrastructure data and possibly traffic route metadata, whereby the map-like image can be or is loaded into a computer memory of the computer system.
  • the computer system first divides the map-like image into a large number of georeferenced segments of traffic routes, whereby the segments can preferably have a variable length for the purpose of data economy and/or more precise localization of danger spots.
  • the temporal frequency or frequency of data acquisition from steps a) to c) is typically different.
  • the georeferenced data from the different data sources a), b) and c) can therefore be obtained in the form of separate data streams, at different times and, if necessary, at different time intervals. In particular, no real-time data collection is required, although possible, especially for sensor data c). If necessary, all data can be standardized by pre-processing the raw data. In addition to georeferencing, e.g. GPS coordinates, all or some data can have further information, such as a time binding or a timestamp.
  • Statistical accident data for a) can come from different sources, e.g. from police records, from insurance company records and/or from Emergency rooms/hospitals.
  • User input data for b) can first be collected by a server, e.g. a web server, and fed to the computer system through updates. An ongoing survey is not necessary; short update intervals are desirable. The data collection can be initiated by a user himself and/or by the computer system, for example by querying. User input data can in particular be collected cumulatively or incrementally. User input data can also be fed directly to the computer system.
  • a server e.g. a web server
  • the acquisition of sensor data for c) (also called pulse data) is carried out in particular, but not necessarily, with short update intervals, but not in real time, in order to enable the most up-to-date early detection and mapping of danger spots without significant communication effort.
  • the recording can, for example, take place with a time delay or “offline”.
  • the recording can take place approximately once a day from smartphones that have application software specific to the application of the invention, or from connected vehicles, for example via so-called Car2X communication.
  • a collection of sensor data for c) can in particular be carried out at least partially via suitable mobile radio communication, e.g. according to 5G standards, so that data from as many participants or vehicles as possible can be collected.
  • Sensors used in pulse data acquisition include, for example, gyroscopes, accelerometers, magnetometers, GPS, as well as camera sensors for corresponding evaluations.
  • the sensors used can, for example, be part of the vehicle equipment or be part of a smartphone carried.
  • the scope of the invention also includes recording the sensor data via external computers or servers, such as those from vehicle manufacturers that collect data from their own fleet via Car2X communication (see e.g DE 10 2020 108 531 A1 or DE 10 2019 203 405 A1 ). Neither direct communication between the computer system and the devices that generate the sensor data is required, nor real-time communication. This allows a significant reduction in communication effort and, among other things, anonymization in the sense of data protection.
  • Sensor data can be recorded in a filtered manner, for example only in connection with events recognized as critical by the respective device software, or more comprehensively to achieve the most comprehensive possible database, for example for AI-supported pattern recognition.
  • Sensor data refers in particular to data Acceleration measurements that allow conclusions to be drawn about critical events or maneuvers in road traffic.
  • the sensor data for c) can be recorded by the computer system directly or indirectly, for example using known LoT techniques or interfaces.
  • the sensor data or signals are recorded and digitized using sensors, in particular acceleration sensors, whereby this is done by external devices that are not part of the computer system.
  • sensor data for c) is recorded from different types of road users, in particular from motor vehicles (cars, trucks, etc., possibly motorcycles) and at least also from two-wheelers, in particular bicycles and also, for example, e-bikes, e-scooters and the like. , which typically form a more vulnerable type of road user.
  • Sensor data of a first type namely from sensor values that are generated by vehicle equipment
  • sensor data of a second type are preferably recorded, which are generated in particular by portable mobile devices, preferably smartphones with appropriate software, so that sensors from road users without vehicle equipment (e.g. bicycles, E -Bikes, e-scooters etc.) is used.
  • the acquisition of data about different types of road users is particularly advantageous, in particular for the most comprehensive detection possible, in particular early detection of danger spots, as well as for the validation of data of a different type, e.g. the validation of sensor data of a first type by sensor data of a second type.
  • the method or system assigns accident data, sensor data and user input data to segments of the map-like image. This is done in accordance with the georeferencing associated with these data, such as GPS coordinates or comparable position information, in particular by the computer system.
  • affected segments of the map-like image have associated or segment-related recognition data, which, according to the invention, is used for early detection and/or evaluation of danger spots.
  • the segment-related detection data includes data from at least one or more of the above three data categories a) to c), i.e. each includes accident data, sensor data and/or user input data.
  • Any suitable hardware architecture can be considered for the computer system used, a server system, a large-scale computer system set up for AI technologies and, in particular, a cloud architecture or, for example, computer clusters.
  • an evaluation can then be carried out on the basis of segment-related recognition data and at least one frequency determination and/or a data comparison can be carried out, in particular, for example, using pattern recognition.
  • a simple frequency determination can enable early detection of danger spots, for example if a predetermined, for example empirically determined, first partial frequency of sensor data that indicates critical events is combined with a second partial frequency of user input data, in particular user input data that matches the content, is present.
  • a decision based on a total frequency of user input data and sensor data is also within the scope of the invention.
  • a potential danger point is alternatively/or additionally concluded if a data comparison of user input data and/or sensor data, in particular the sensor data, shows a sufficient feature match or feature correlation, in particular with segments that have already been recognized as critical, for example by Accident data or user input is validated.
  • AI-based data processing e.g. machine learning and/or pattern recognition, e.g. using dynamic time warping, support vector machines, random forests and/or artificial neural networks (ANN).
  • ANN artificial neural networks
  • a matching criterion can in particular be determined as to whether there is a match, in particular with regard to categories recognized by pattern recognition, of information from sensor data from sources of a first type and from sensor data from sources of a second type, e.g. different types of road users.
  • Sensor data of a first type can in particular be those from motor vehicle sensors and sensor data of a second type can in particular be from mobile devices, for example from cyclists. Based on this, a corresponding relevance information can also be assigned to the danger point under consideration.
  • the appropriate use and evaluation of the sensor data from different types of road users is already seen as an independently inventive aspect.
  • the correspondence between information from sensor data and user input data can also be checked.
  • the computer system marks all segments identified as danger spots, including those for which no accident data is available, in the map-like image.
  • the segments identified as danger spots are preferably assigned a computationally determined danger score, which allows users to display an indication of the level of danger. This can also be done specifically for different types of road users.
  • the data of the three data categories a) to c) are preferably georeferenced data that can be assigned to a (map) segment, preferably uniquely assigned. Thus, both accident data, user input data and sensor data are preferably each georeferenced. Furthermore, the data of the three data categories a) to c) are preferably qualified or assigned or assignable in a participant type-specific manner.
  • a computer-aided method or system for determining a danger score of a georeferenced, structural danger point in a digital traffic route network mapping is proposed. This can be based in particular on the system or method described above.
  • data is collected in particular from geo-referenced user input data related to potential danger spots, for example as explained above.
  • the aforementioned three data categories a) to c) are used and the georeferenced accident data provided, the georeferenced sensor data collected and the georeferenced user input data collected are assigned to segments, corresponding to the georeferencing associated with these data.
  • This can be realized in particular by the computer system.
  • segments of the map-like image are assigned segment-related recognition data, each of which includes accident data, sensor data and/or user input data.
  • a danger score is computationally determined for segments of the map-like image with associated recognition data by evaluating the recognition data associated with the segment under consideration.
  • the risk score determined in this way is then assigned or assigned to the corresponding segment.
  • the computational determination of a danger score for an identified danger spot can be carried out by calculation, the calculation comprising a weighting of georeferenced assigned sensor data using predefined weighting factors, and preferably at least some georeferenced sensor data of a first type, in particular originating from a first type of road user, depending on a predefined degree of agreement with features of georeferenced assigned user input data and / or further georeferenced assigned sensor data of a second type, in particular coming from a second type of road user, are weighted.
  • the danger score for an identified danger point can be calculated by processing using a computer, in particular using a neural network and/or pattern recognition or the like by the at least one computer system. This can be done in particular by taking event-related features of the infrastructure data from the map image into account.
  • data on different types of road users are obtained, in particular sensor data from different types of road users are recorded.
  • the movement-related sensor data include a type feature which indicates which type of road user the sensor data comes from and enables a distinction between at least two different types of road users, in particular motor vehicles and two-wheelers.
  • an advantageous development provides that at least for segments with recognition data for this recognition data, in particular for sensor data with type characteristics, a computer pattern recognition, in particular AI-supported pattern recognition, is carried out and a classification into critical events is carried out, in particular by the computer system, and the data comparison of user input data and / or sensor data with corresponding data to classify critical events takes place.
  • acceleration data in particular is recorded as sensor data. This can be used to determine the respective trajectory of road users during associated critical driving maneuvers. To identify potentially critical maneuvers, for example, acceleration limit values can be set.
  • the sensor data can accordingly be recorded using a smartphone with a suitable smartphone app, a telematics tag, or using IoT devices.
  • this data can be recorded for different types of road users and, on the other hand, it allows critical situations to be classified, located and examined for causes. This is based on data from the actual perspective of a road user, e.g. from the vehicle or two-wheeler.
  • Deep learning approaches can also be considered, but are not mandatory, since the data from sources a) to c) are typically already obtained in a structured form or can be structured through (partially) automatic preprocessing.
  • a map-based forecast model can be created to estimate critical conflicts, particularly by taking into account infrastructure data and other contextual data. The degree of criticality can then be determined by comparing it with officially collected traffic accident data (see data category a) above)) as well as with citizens reported dangerous situations (see data category b) above).
  • a preferred embodiment therefore provides that at least for segments with recognition data, a computer pattern recognition, in particular AI-supported pattern recognition, is carried out for these recognition data, in particular for sensor data with a type feature, and a classification into critical events is carried out, in particular by the computer system. Based on this, the data comparison of user input data and/or sensor data can be carried out with corresponding data to classify critical events.
  • the computer system can use a machine learning model obtained by AI from the three main data sources a) to c) in order to improve the map-like representation, in particular to expand the traffic network-related coverage of early detection.
  • the hazard map can therefore provide the training data for a model, which is then used for recursive self-optimization of the hazard map.
  • the expansion can relate to those positions or segments for which there is insufficient data from sources a) to c) or data with insufficient significance. This means that potential danger spots can be identified by comparing patterns based on infrastructure information alone. In particular, if only sensor data c) is available in conjunction with infrastructure data, early detection can be made possible by comparing patterns with validated danger spots.
  • the accident data a) or user input data b) can be used in particular to validate patterns classified as critical or to optimize the model.
  • the computer system can identify a georeferenced segment with detection data to which no accident data is assigned as a potential danger spot if a data comparison of the sensor data for this segment shows sufficient feature agreement or feature correlation with sensor data of a critical event, for determining the feature match or feature correlation, the upstream pattern recognition is used.
  • a data object is assigned to segments identified as danger points, which has at least one includes a computationally determined risk score.
  • the specific programming implementation of the software, in particular data objects, is not crucial, but an object-oriented data structure or object-oriented programming is particularly preferred.
  • each data object assigned to a danger point has several participant type-specific danger scores, so that danger points are evaluated or can be evaluated from the perspective of different participants in the sense of a holistic approach.
  • the computational determination of a danger score is specific to the participant type or depending on the type of road user and each determined risk score is assigned to exactly one of several predefined types of road user.
  • This allows the traffic situation to be viewed holistically from the different perspectives of all road users. This is not just about motor vehicle drivers (currently the focus of many assistance systems), but especially about them Weaker and therefore more vulnerable road users such as pedestrians, cyclists, Pedelec riders, e-scooter riders, etc.
  • participants who are less physically at risk are also considered, for example truck, bus or tram drivers - for whom an accident can have significant psychological consequences.
  • the computational determination of a danger score in a participant type-specific manner can create a participant type-specific, multidimensional space for each segment or data object, in which the various danger information can be aggregated from all perspectives, evaluated and also made individually retrievable as a danger score.
  • the danger scores are linked to the segment or data object in a mathematical sense in a multidimensional manner on participant type-specific axes.
  • a computationally simple implementation can be achieved, for example, if the dimensions of a vector space (including Hamel dimensions) are assigned to the participant types, so that effective, common matrix calculation can be used to determine the danger scores.
  • the vector space defined in this way for each segment or data object then has at least one Hamel dimension for each type of road user to be considered.
  • subtypes can also be assessed differently, e.g. road user type: pedestrian, subtype: child/adult/seniors.
  • This approach allows, for example, child-specific safe routes to school for children or senior-friendly routes (e.g. where hearing and seeing or quick crossing are less relevant) to be determined.
  • the system can continuously and, in particular, assess participant-specifically, i.e. mutually from different perspectives, whether there are any noticeable patterns.
  • the data objects for danger spots at least indicate which road users are in danger or are at risk (relevance information) and what exactly the danger is (indication of the type of danger).
  • Any type of data set can be considered for storing the data or as data objects, whereby the data from the different sources a) to c) can, if necessary, be brought into a standardized format through preprocessing, for example in the course of AI-supported pattern recognition or the like .
  • one embodiment provides that Data collection of georeferenced user input data related to potential danger spots is carried out continuously and/or sporadically via an Internet interface of the computer system.
  • This Internet interface can be connected to at least one or more servers, in particular web server(s), each of which provides a user interface for user input data.
  • servers in particular web server(s)
  • web server(s) each of which provides a user interface for user input data.
  • several possibly different interfaces can be provided, for example a classic website and an interface for smartphone apps. It is also possible, for example, to integrate insurance accident reports from road users via a corresponding interface.
  • the map-like image is divided into a large number of georeferenced segments in a variable and possibly iterative manner.
  • Variable subdivision into segments of different geographical lengths can therefore be provided, in particular depending on the traffic route infrastructure (e.g. the type of route with longer segments, e.g. on motorways) and/or depending on assigned detection data and/or depending on identified danger spots. This enables, among other things, sufficient local discrimination of danger spots.
  • assigning accident data, sensor data and user input data to individual segments can include determining a geographical distance between the detection data from their georeferencing, so that the assignment can be made based on relative distances. This can also, among other things, improve local discrimination of danger spots.
  • one embodiment for data acquisition provides that sensor data is recorded based on acceleration measurement values from different sources, in particular sensor data of a first type, which consists of sensor values from the vehicle equipment, in particular vehicle sensor systems or telematics equipment. are generated by vehicles, in particular motor vehicles, and at least sensor data of a second type, which are generated from sensor values from acceleration sensors in portable mobile devices carried by road users, in particular smartphones. Other sources are also possible.
  • sensor data of a first type which consists of sensor values from the vehicle equipment, in particular vehicle sensor systems or telematics equipment.
  • sensors in particular motor vehicles
  • sensor data of a second type which are generated from sensor values from acceleration sensors in portable mobile devices carried by road users, in particular smartphones.
  • Other sources are also possible.
  • the sensor data is preferably provided with time stamps, among other things.
  • the timestamps can be used as a feature in data comparison with regard to a predefined degree of feature agreement or feature correlation, in particular whether the timestamps are spaced apart within a predefined time range or correlate based on the time of day.
  • the information preferably assigned to each identified danger point preferably includes information about the type of danger.
  • a computational determination of at least one hazard type information can be provided, the hazard type information being determined from information from infrastructure data and/or sensor data and/or accident reports and/or user input data assigned to the segment, preferably from a combination of information from at least two different of these data.
  • danger scores calculated with higher resolution can be represented more ergonomically by dividing them into a reduced number of danger levels. It is therefore possible to assign a danger level from a number of discrete danger levels to each danger score, with each danger level being assigned a predefined value range of the danger score.
  • a number of danger scores can be determined computationally for an identified danger point depending on the respective relevance information as to which of several different types of road users, in particular pedestrians, cyclists or motor vehicle drivers, are at risk. This means that user-specific danger scores can be assigned to different types of road users.
  • the data included in the digital mapping of traffic route networks is gradually updated when a predetermined amount of further sensor data has been recorded and/or a predetermined amount of further user input data has been collected.
  • the danger zone map can be optimized step by step and continuously updated without requiring significant computing effort, for example for new pattern recognition.
  • the data collection of geo-referenced sensor data takes place in a different manner when the local proximity of the road user to a segment that has already been identified as a potential danger spot is detected, so the data collection of sensor data can then be carried out in particular with increased Sensitivity or intensity.
  • This can be achieved, for example, through suitable programming of a smartphone application and enables improved information on potential danger spots, which in turn enables positive feedback to improve pattern recognition.
  • the invention relates to a digital hazard map that was generated according to one of the embodiments discussed above, i.e. with segments identified as danger spots, in particular danger spots identified by early detection for which no accident data is available, and / or segments with a danger score, in particular based on Danger scores determined from the three data sources a) to c).
  • the invention also relates to the use of the resulting digital hazard map (map-like digital traffic route network mapping), which has segments of the traffic routes identified as danger spots according to one of the above approaches using georeferenced accident data provided by, collected georeferenced user input data and collected georeferenced sensor data.
  • map-like digital traffic route network mapping maps segments of the traffic routes identified as danger spots according to one of the above approaches using georeferenced accident data provided by, collected georeferenced user input data and collected georeferenced sensor data.
  • the invention therefore also relates in particular to a computer system, in particular a cloud computer system, comprising a map-like digital traffic route network image, which was generated according to a method according to one of the embodiments discussed above, and in particular has segments with a danger score that are identified as danger spots.
  • This system can be used in particular to generate hazard-related warning messages to road users.
  • terminal devices communicating with the computer system including terminal devices installed in vehicles (e.g. navigation devices), but in particular smartphones, can issue a warning message when local proximity to a segment identified as a danger point is detected, in particular a warning message comprising an indication of relevance and/or hazard type information and/or context information.
  • a warning message comprising an indication of relevance and/or hazard type information and/or context information.
  • road safety can be noticeably improved overall, especially for types of road users indirectly affected by the warning, e.g. pedestrians or cyclists.
  • the output of warning messages can in particular be specific to the participant type or depending on the type of road user, and for this purpose, for example, use the relevance information or the like.
  • the resulting hazard map can also be used advantageously in various other applications.
  • An advantageous application lies, for example, in determining safe route options in a navigation system, in particular in addition to fast and/or ecological route options determined by the navigation system. This can then also take into account previously identified danger spots.
  • the use of such a navigation system is not only advantageous for driving road users, but also for non-motorized road users, e.g. for determining safe routes to school for children. This can also be done “offline” via a web-based or server solution, for example.
  • the system can be used to communicate, in particular information relevant to danger zones from the digital hazard map, with autonomous or semi-autonomous driving vehicles and, on this basis, allows targeted influencing of the autonomous or semi-autonomous driving behavior depending on danger zones, in particular taking into account the relevance and/or type of danger - and/or context information and/or to influence route selection.
  • driving behavior can be adapted automatically, specifically and better to areas with high risk potential.
  • data that was generated according to the invention for example data from the digital hazard map or danger spots identified and/or evaluated with the system, in particular as Part of the "Operational Design Domain” (ODD: in the sense of SAE INTERNATIONAL. Taxonomy and definitions for terms related to driving automation systems for on-road motor vehicles. SAE international, 2018, 4970. Vol., No. 724, p. 1 -5 ) be used.
  • ODD in the sense of SAE INTERNATIONAL. Taxonomy and definitions for terms related to driving automation systems for on-road motor vehicles. SAE international, 2018, 4970. Vol., No. 724, p. 1 -5 ) be used.
  • data that were generated according to the invention can also be used particularly advantageously to determine and/or optimize the ODD of an autonomously driving vehicle (AV), in particular an autonomously driving vehicle of the L3+ type, in particular an unlimited ODD of an L5-AV (cf. SAE ibid). become.
  • AV autonomously driving vehicle
  • L3+ type autonomously driving vehicle
  • L5-AV unlimited ODD of an L5-AV
  • Another advantageous application lies in the provision of training data sets for training a machine learning model to predict potential danger spots, e.g. for recursive optimization or expansion of the coverage in the digital danger map itself.
  • the resulting machine learning model can also be used in particular in a traffic planning simulation. This allows improved analysis tools for Traffic planners or authorities can implement hazard simulation during planning or can significantly improve it.
  • the invention also relates to a computer system, in particular a cloud computer system, comprising an arrangement with at least one processor and at least one memory, the arrangement being set up or configured according to the invention to carry out a method, with at least the features of claim 1 or Claim 2 and possibly also according to one of the dependent claims.
  • FIG. 1 outlines the underlying concept of an embodiment of the invention.
  • This embodiment provides, as a core feature, the processing and analysis of data from three independent and different data sources for a traffic route network-wide hazard point identification and/or hazard score calculation.
  • the first data source is accident data 1, in particular from the police and/or from insurance companies Registered accident data is used, which is recorded, for example, by the police authorities via IT systems. This at least covers more serious traffic accidents that have already occurred, which can also affect various road users. From such accident data 1 alone, no statement can be made about dangerous areas where no accident has yet occurred. Furthermore, in the case of minor accidents, the police are often not informed, so that these accident sites do not appear in the statistics, or the recording of such accidents by authorities is not required.
  • danger reports from road users in the form of user input data 3 and via sensor data 2 (so-called pulse data), which come from motor vehicles with suitable sensor equipment and/ or from smartphones, especially during critical driving maneuvers (e.g. swerving or braking sharply).
  • a web platform and/or a smartphone app is provided to generate danger reports from user input data 3 (cf. FIG.4 ).
  • road users can report danger spots for the entire transport network on a digital representation of transport route networks in the form of a digital, interactive map (see FIG. 4 ), comment on and validate, falsify and/or evaluate already recorded danger spots. This means that danger spots can be identified throughout the transport network through “crowdsourcing”.
  • FIG. 2 shows a basic data flow diagram, based on which the process of an embodiment of a method according to the invention for identifying a danger point in a digital image of traffic route networks, or the so-called danger map, is explained.
  • the approach is based on the in FIG. 1 presented concept.
  • Four data sources are shown schematically here in the form of digitized georeferenced accident data 1, georeferenced sensor data 2, which sensors generate that are carried by road users or vehicles, georeferenced user input data 3 related to potential danger spots, as well as optional, georeferenced context data 4.
  • Data from these sources 1, 2, 3, 4 are from . processed by at least one computer system, for example a cloud computer system 5.
  • georeferenced means that at least one piece of information related to the geographical position is assigned to the data, for example GPS coordinates or the like.
  • the digitized georeferenced accident data 1 is provided to the cloud computer system 5, for example in the form of a database 1.
  • This georeferenced accident data 1 may have been collected or recorded in advance by authorities, such as road traffic offices and/or police authorities, and/or, for example, by insurance companies and/or vehicle rental companies and made available by them; if necessary, data is processed in a suitable manner for this purpose unified formats.
  • the geo-referenced sensor data 2 are continuously and/or sporadically recorded directly or indirectly by the cloud computer system 5, with these geo-referenced sensor data 2 from the electronics of vehicles participating in traffic and/or preferably from devices which road users, such as drivers, Cyclists or e-scooter drivers carry with them, in particular smartphones, smartwatches, telematics tags, navigation systems, IoT devices, etc. generated.
  • the sensor data 2 e.g. from a gyroscope, accelerometer, magnetometer and camera sensors
  • the sensor data 2 include movement values, in particular acceleration values, and position information data assigned to them, e.g. GPS coordinates.
  • the sensor data 2 can be recorded, for example, by one or more servers, not shown, with which the cloud computer system 5 communicates.
  • the sensor data 2 can preferably include time information or time stamps, which indicate the time of data generation.
  • the sensor data 2 can also include information about the corresponding type of road user, which results inherently from the data source, for example in a vehicle navigation system or a telematics system, or can be supplemented by the same, for example a smartphone APP.
  • Georeferenced sensor data 2 can be continuously, automatically collected by the system.
  • the georeferenced user input data 3 related to potential danger spots is collected user-initiated or system-initiated, with or without a direct time commitment.
  • the user input data 3 can also be collected via an intermediate server (not shown), for example a web server, with which the cloud computer system 5 communicates.
  • the input can be user input data 3 can be initiated by a user.
  • This user input data 3 includes subjective information about at least one potential danger point perceived as such by the user, the information comprising georeferenced position information, for example GPS coordinates of the potential danger point and/or information regarding the type of danger of the potential danger point and/or information regarding a Relevance of the potential danger spot for one or more different types of road users.
  • Optional georeferenced context data 4 are automatically recorded continuously and/or sporadically, with the context data 4 comprising temporary information, in particular time-dependent information, such as weather data and/or information about the traffic situation and/or information about the season.
  • the cloud computer system 5 processes the recorded georeferenced data to determine a danger point based on the georeferenced position information assigned to the data. If a danger point has been identified, the cloud computer system 5 creates or changes a corresponding data record or a corresponding data object in the danger map.
  • the cloud computer system 5 can trigger geo-referenced warning messages or warnings 7 related to a danger point, which are received, interpreted and, in particular, output visually and/or acoustically to a user, for example visually and/or acoustically, by terminal devices 6, in particular when they are geographically approaching this danger point can be.
  • the information from the cloud computer system 5 can also be used to communicate with autonomous or semi-autonomous driving vehicles in order to influence the autonomous or semi-autonomous driving behavior depending on danger spots.
  • the warning 7 can trigger a user query, which causes terminal devices 6 to ask the user for verification, falsification and/or a comment related to the danger point.
  • the user response 8 to such a user query can be transmitted from terminal devices 6 to the cloud computer system 5 for verification, falsification and/or evaluation of the danger spots. So user input data 3 and/or user responses 8 can be processed by the cloud computer system 5, for example to check danger spots that have already been identified by sensor data 2 and/or to modify danger spots that have already been identified.
  • an adapted type of output of the information is also made according to the distinction according to type of road user: the relevant information, for example, can be transmitted to the road users acoustically, visually and/or haptically.
  • the relevant information for example, can be transmitted to the road users acoustically, visually and/or haptically.
  • a wide variety of actuator units come into consideration, for example smart watches, smartphones, steering wheel grips, warning sounders (bell/horn, etc.), lighting on the outside of the vehicle, interior lighting in the vehicle, etc.
  • an automatic setting of the output type and the type of road user Output actuator e.g. acoustically and haptically to pedestrians and cyclists via Smartphone
  • the warning can also be directed at other road users and does not have to be aimed at the system user themselves (e.g. automatic bicycle bell when crossing a pedestrian crossing).
  • FIG. 3 shows a flowchart of an embodiment of a method according to the invention for identifying and verifying a danger spot using georeferenced information from several different data sources, in particular accident data 1 and sensor data 2 and user input data 3, each if available.
  • a first step 301 software assigns information from georeferenced detection data, accident data 1 and/or sensor data 2 and/or user input data 3, corresponding to the georeferenced position information, to a segment of the digital map.
  • a comparison of the information assigned to a georeferenced potential danger point follows in a second step 302, in particular a comparison of information from at least two different data sources 1, 2, 3. If a predefined degree of agreement of the information assigned to a potential danger point, e.g. from at least two of the three different data sources 1, 2, 3, and/or sufficient partial frequencies of critical sensor data 2 and/or user input data 3 are reached and/or if information from accident data 1 is available, then a third step 303 can be continued. Since information from accident data 1 can be viewed as officially validated, it generally does not require any verification and can be used as a basis for marking or identifying (already known) danger spots.
  • a segment of the digital danger map is identified as a danger point and provided with corresponding data in the data record or data object, including a relevance indication as to which type of road user is at risk of danger, a danger type indication, for example as to which traffic behavior poses a danger, and a contextual indication to that effect , under which environmental influences or traffic situations there is a risk of danger at the danger point.
  • the recognition data 1, 2, 3 and/or additional traffic route metadata in particular comprehensive information regarding weather dependencies, speed guidelines, time-dependent traffic volume, etc. can be used.
  • step 303 ' follows. If, for example, the information situation from sensor data 2 or user input data 3 for a segment to which no accident data 1 is assigned is not sufficiently clear, a special data comparison can take place in step 303 '.
  • step 303' in particular, user input data 2 and/or sensor data 3 are examined for a predefined degree of feature agreement or feature correlation.
  • the computer system 5 can identify a georeferenced segment without accident data 1 as a potential danger spot if a data comparison of the sensor data 3 for this segment shows sufficient feature agreement or feature correlation with sensor data 3 of a critical event, which is checked in a further test step 304 '.
  • the computer system 5 can, for example, use previously carried out AI-based pattern recognition, on the basis of which all recorded geo-referenced recognition data 1, 2, 3 are classified into critical events.
  • AI-based pattern recognition e.g. pattern recognition using dynamic time warping, support vector machines, random forests and/or artificial neural networks (ANN).
  • step 303' based on a classification obtained in this way, the data comparison of sensor data 3 can be carried out with corresponding data to classify critical events.
  • step 304 ' If the vote in test step 304 'shows that there is sufficient feature agreement or feature correlation, the segment is again identified as a danger point in the third step 303 and provided with corresponding data. If in step 304' no sufficient feature match or feature correlation is found, this can be used, for example, for model optimization in step 305'.
  • additional information for example from georeferenced context data 4, can be assigned to the georeferenced potential danger point.
  • a user request is generated, which asks at least one user to validate the potential danger point by entering 4.
  • a danger score can be calculated by determining it depending on a weighting of the detection data, each with a different weight for accident data 1, sensor data 2 and user input data 3, in particular with a higher weight of accident data 1 compared to user input data 3 and / or a higher weight of user input data 3 compared to Sensor data 1.
  • the hazard map can then be updated in a fifth step 305.
  • An important data source for the method according to the invention is user input data 3.
  • user input data 3 is user input data 3.
  • an interactive danger zone map such as in FIG. 4
  • users can submit danger reports.
  • FIG. 4 shows an embodiment of a digital hazard map in an app or a homepage for generating user input data 3, which can be used in a method according to the invention (see FIG. 2 Reference number 3).
  • the user has the option of providing information in the form of a hazard relevance 401 (relevance information), a hazard type 402 (danger type information) and the exact geographical position of the danger point 405 (georeferencing).
  • the danger relevance 401 indicates which types of road users the danger spot represents a danger for.
  • the danger zone map offers the possibility of storing comment texts 403 and images 404 related to a danger zone, so that, for example, a danger zone can be described in a comprehensible manner for other users, even if they are from outside the location and/or to provide further information for any authorities/offices.
  • This user input data 3 of the danger zone map can then be used, for example, by an embodiment of the method according to the invention FIG. 2 be collected by the cloud computer system 5.
  • one embodiment of a danger zone map offers the possibility of evaluating already identified danger zones for validation and modification and/or requests a user to validate an identified danger zone (see FIG. 2 reference number 8).
  • Marking a danger spot through user input on the interactive map takes place in three main steps: First, the road user marks the corresponding spot on the map and can then determine the type of danger, for example whether the spot is confusing or has poor road conditions (402). In the second step, you can then select for whom the location poses a source of danger: e.g. pedestrians, cyclists, motorcyclists and motor vehicle drivers (car, truck or bus drivers) and thus generates a hazard relevance 401 (relevance statement). In the next step, the more precise danger trigger can be specified, such as unclear traffic routing or wild growth on the side of the road. Furthermore, the app or website (not shown) can provide the user with contextual information as to which environmental influences or traffic situations typically pose a danger at the danger point.
  • a source of danger e.g. pedestrians, cyclists, motorcyclists and motor vehicle drivers (car, truck or bus drivers) and thus generates a hazard relevance 401 (relevance statement).
  • the more precise danger trigger can be specified, such as unclear traffic routing
  • FIG. 5 shows an example of the danger levels 502 determined by means of a method according to the invention in a danger zone map 500 for an urban area, the determined danger levels 502 being compared to the accident clusters 501 that were determined by the accident commission for the same period of time.
  • the danger levels are graded in color: the darker, the more dangerous a section or junction is.
  • the accident sites or accident clusters are shown as circles 501. It can be seen that accident sites or accident clusters 501 only cover a portion of the road sections and junctions 502 identified as dangerous.
  • the danger level 503 varies between 5 levels (from 1 to 5) at the accident clusters 501. This means that a distinction is not only made between the presence of a dangerous place and the absence of a dangerous place.
  • the danger score can be used to determine further information about road safety and present it ergonomically for users.
  • danger spots that exist at all times regardless of environmental factors, there are danger spots that only exist in certain contextual situations, for example during heavy rain, at night or when there is high traffic.
  • the database is enriched with further context data 4 such as weather data and traffic data.
  • the danger assessment using a danger score can dynamically take the respective context situation into account and convey the optimal information content for the respective user groups.
  • the danger zone map 500 shown can be used to verify the results of the danger levels 502 determined by a method according to the invention and at the same time show that the accident data 1 in the form of accident clusters (circle) 501 are not sufficient to identify as many dangerous places as possible in a traffic route network. Tests showed that the hazard map determined using a method according to the invention is also suitable, among other things, for the early detection of structural hazards in road traffic.
  • FIG.1-3 304' second test step 1
  • Sensor data FIG.4 3
  • User input data 401 Hazard relevance (relevance statement) 4
  • Context data 5
  • Cloud computer system 402
  • Danger type (danger type information) 6
  • End devices 403 Comment text 7
  • warning 404 Picture 8th User response 405 Position of the danger point (georeferencing)
  • FIG.3 301 first step
  • FIG.5 302 second step 500 Hazardous location map 303
  • Third step 501 Accident accumulation site 304
  • fifth step 503 Danger level 303' first test step

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein System bzw. Verfahren zur frühzeitigen Erkennung von strukturellen Gefahrenstellen im Straßenverkehr anhand einer digitalen Verkehrswegnetz-Abbildung bzw. Karte. Hierzu werden Unfalldaten (1), Nutzereingabedaten (3) und Sensordaten (2), entsprechend ihrer Georeferenzierung, mittels eines Rechnersystems (5) Segmenten der Karte (500) zugeordnet.Gemäß einem Aspekt erfolgt durch das Rechnersystems (5) eine Auswertung, umfassend mindestens eine Häufigkeitsermittlung und/oder einen Datenabgleich. Zwecks Früherkennung wird ein georeferenziertes Segment, welchem keine Unfalldaten (1) zugeordnet sind, als potentielle Gefahrenstelle identifiziert, wenn mit vorbestimmter Häufigkeit Sensordaten (2) bzw. Nutzereingabedaten (3) zugeordnet worden sind, und/oder wenn zu ein Datenabgleich, insbesondere ein Abgleich mit einem Kl-gestützten Modell, von Nutzereingabedaten (3) und/oder Sensordaten (2) aufzeigt, dass ein vordefinierter Grad an Merkmalsübereinstimmung bzw. Merkmalskorrelation mit kritischen Mustern vorliegt. Hierdurch wird eine Früherkennung von Gefahrenstellen ermöglicht. Gemäß einem weiteren Aspekt wird vorgeschlagen, einen Gefahrenscore für identifizierte Gefahrenstellen zu ermitteln.

Description

    TECHNISCHES GEBIET
  • Die Erfindung betrifft allgemein Verfahren und Systeme zur Früherkennung und Bewertung von strukturellen Gefahrenstellen im Straßenverkehr. Die Erfindung betrifft insbesondere ein computergestütztes Verfahren zur frühzeitigen Erkennung von strukturellen Gefahrenstellen im Straßenverkehr anhand einer digitalen Verkehrswegnetz-Abbildung mittels eines Rechnersystems. Die Erfindung betrifft ferner ein computergestütztes Verfahren zur Ermittlung eines Gefahrenscores einer georeferenzierten, strukturellen Gefahrenstelle in einer digitalen Verkehrswegnetz-Abbildung, sowie ein Rechnersystem zur Umsetzung der vorgenannten Verfahren und/oder zur Nutzung bzw. Nutzbarmachung der aus einem dieser Verfahren resultierenden kartenartigen digitalen Verkehrswegnetz-Abbildung, die soz. eine Gefahrenkarte darstellt. Weiterhin werden neuartige Verwendungen des Rechnersystems bzw. der Gefahrenkartendaten vorgeschlagen. So betrifft die Erfindung u.a. auch ein Verfahren bzw. ein System zur Kommunikation mit autonom oder teilautonom fahrenden Fahrzeugen zwecks Beeinflussung des autonomen oder teilautonomen Fahrverhaltens in Abhängigkeit von Gefahrenstellen.
  • Man unterscheidet auf dem vorliegenden Gebiet zwischen dauerhaften bzw. strukturellen und nur situativen, temporären Gefahrenstellen. Dauerhafte Gefahrenstellen sind immer vorhanden. Temporäre Gefahrenstellen hingegen sind zeitlich begrenzt (wie z.B. bei Baustellen) oder sie treten nur in Zusammenhang mit bestimmten Rahmenbedingungen auf wie z.B. bei widrige Wetterverhältnissen (sei es im Sommer durch das Blenden der Sonne, bei Regen durch Aquaplaning oder im Winter durch Schnee und Eis). Für die Meldung temporärer Gefahrenstellen existieren etablierte Lösungen wie z.B. RDS/TMC nach ISO 14819. Eine Früherkennung ist hier naturgemäß kaum möglich.
  • Die vorliegende Erfindung betrifft zumindest vorwiegend oder auch ausschließlich dauerhafte bzw. strukturelle Gefahrenstellen im Verkehrswegnetz für den Straßenverkehr. Der Begriff Gefahrenstelle ist insbesondere nicht auf Gefahr gegen einen bestimmten Verkehrsteilnehmertyp beschränkt zu verstehen, d.h. umfasst Gefährdung verschiedener Verkehrsteilnehmertypen. Eine Gefahrenstelle kann auch als Risikostelle verstanden werden.
    • HINTERGRUND DER ERFINDUNG
  • Da die Anzahl an Verkehrsunfalltoten seit längerer Zeit stagniert und kein weiterer Rückgang von Unfällen mit Todesfolge zu vermuten ist und gleichzeitig die Zahl der Radfahrunfälle, insbesondere mit Beteiligung von E-Bikes stark ansteigt, wird mit Hochdruck daran geforscht, wie Verkehrswegnetze sicherer zu gestalten sind. Seit einiger Zeit werden dazu vermehrt computergestützte Verfahren zur Identifizierung von Gefahrenstellen dieser Verkehrswegnetze erprobt und eingesetzt um versuchsweise Unfallgefahrenstellen für Kraftfahrzeuge vorherzusagen, typisch beruhend auf statistischen Verfahren bzw. Wahrscheinlichkeitsberechnungen, und somit bereits vor Entstehen eines Unfalls die entsprechende Stelle des Verkehrswegnetzes zu entschärfen.
    • STAND DER TECHNIK
  • Bekannte Verfahren beruhen z.B. darauf, bekannte Unfalldaten aus Unfalldatenbanken von z.B. Polizeibehörden zu sammeln und kartographiert darzustellen sowie aufgrund der Häufigkeit von Unfällen zu ermitteln, wo eine Gefahrenstelle vorliegt. Mit diesem Ansatz können Gefahrenstellen nicht erkannt werden bevor es bereits zu teils schweren Unfällen gekommen ist. In die behördlich erfassten Unfalldaten fließen zudem Bagatellfälle bzw. leichte Unfälle ohne polizeiliche Meldung typisch nicht ein.
  • Des Weiteren gibt es den Ansatz, Sensordaten bzw. sog. Impulsdaten durch die Fahrzeugelektronik und/oder Zusatzinstrumente auszulesen und diese zur Erkennung von kritischen Fahrmanövern zu verwenden. Solche Impulsdaten werden heutzutage von einigen Versicherungen und/oder Fahrzeugflottenbetreibern verwendet um die Qualität des Fahrens des Fahrzeugführers zu überprüfen und um somit eventuelle Prämien anpassen zu können. Impulsdaten können eine Möglichkeit bieten, durch kritische Fahrmanöver Gefahrenstellen zu identifizieren, bevor es überhaupt zu Unfällen kommt. Derart identifizierte Gefahrenstellen können dann z.B. den Straßenverkehrsämtern gemeldet werden, sodass diese ein entschärfen der Gefahrenstellen in die Wege leiten können.
  • In der praktischen Anwendung hat sich jedoch gezeigt, dass Impulsdaten als alleiniges Kriterium häufig nicht ausreichen um Gefahrenstellen trefflich zu erkennen oder vorherzusagen. Dies belegt u.a. das Ergebnis einer Studie aus 2019, vgl. B. Ryder, A. Dahlinger et al.; Spatial prediction of traffic accidents with critical driving events - Insights from a nationwide field study; Transportation Research Part A: Policy and Practice; Vol. 124, 2019 (S. 611-626), ISSN 0965-8564. Diese Veröffentlichung zeigt, dass es zwar einen kausalen Zusammenhang zwischen Impulsdaten und Gefahrenstellen gibt, verdeutlicht jedoch ebenfalls, dass Impulsdaten alleine nicht ausreichen um zuverlässige bzw. zutreffende Aussagen über Gefahrenstellen machen zu können.
  • Nicht alle Impulsdaten sind auf Gefahrenstellen zurückzuführen. Kritische Fahrmanöver, welche in die Impulsdaten einfließen, können durch diverse andere Ursachen veranlasst sein, z.B. durch unaufmerksame Fahrer, sodass kein Zusammenhang zur Gestaltung eines Verkehrsweges besteht. Weiterhin ist es in der Praxis schwierig, Häufungen von Impulsdaten an bestimmten Stellen des Verkehrsnetzes zu erkennen, insbesondere wenn die Häufungen infrastrukturell, jedoch ohne nennenswerte Gefahrenstelle bedingt sind, z.B. Bremsungen vor Ampelanlagen. Auch Verkehrsteilnehmer mit einem riskanten und/oder ungeübten Fahrverhalten können bei Ansätzen, welche auf Sensordaten bzw. Impulsdaten zurückgreifen, falsche Angaben zu Gefahrenstellen auslösen, da kein direkter Zusammenhang zwischen Fahrverhalten und einer tatsächlichen Gefahrenstelle gegeben sein muss.
  • Ein Verfahren zur Identifizierung potentieller Gefahrenstellen im Straßenverkehr mittels mit einer zentralen Rechnereinheit unter Verwendung einer Flotte vernetzter Kraftfahrzeuge wird in der DE 10 2020 108 531 A1 (Daimler AG ) beschrieben. Hierbei wird ein auf eine potentielle Gefahrenstelle hinweisendes Ereignis über Impulsdaten erfasst und mit seiner Geoposition an die zentrale Recheneinheit übermittelt. Die vorgenannten Schwierigkeiten können damit jedoch nur z.T. überwunden werden bzw. erfordern erhöhten Rechenaufwand in den Fahrzeugen bzw. in der zentralen Rechnereinheit. Zudem stellt diese Lösung nur auf Kraftfahrzeuge ab.
  • Des Weiteren wird ein Verfahren zur Warnung vor Gefahren im Straßenverkehr und ein Fahrassistenzsystem zur Warnung in der DE 10 2019 203 405 A1 (Audi AG ) beschrieben. Hierin wird weiterhin erwähnt, dass auf potentielle Gefahrenstellen bezogene Daten verschiedener Datenquellen zur komplexen Bewertung einer potentiellen Gefahrenstelle verwendet werden sollen. Es wird statistische Auswertung erwähnt, aber nicht näher beschrieben, wie die komplexe Bewertung erfolgen soll. Insoweit besteht weiterhin das Bedürfnis einer Lösung zur Erkennung, insbesondere Früherkennung von Gefahrenstellen. Das System aus DE 10 2019 203 405 A1 stellt ab auf Gefahren, welche für den Fahrer des Kraftfahrzeugs bestehen und auch nur für diesen eine Warnung auslösen könnten, und erlaubt damit keine ganzheitliche Betrachtung bzw. Bewertung aus Sicht anderer Verkehrsteilnehmer.
  • Ein Vorschlag zur komplexen Bewertung von Gefahrenstellen wird auf der Projekthomepage des International Road Assessment Programme (iRAP), insbesondere der dort Verfügbaren Veröffentlichtung "iRAP Methodology Fact Sheet #6" beschrieben. Im iRAP Projekt wird die Bewertung einer Gefahrenstelle für je ein 100 m langes Straßensegment und für je einen Verkehrsteilnehmertyp berechnet.
  • Die Faktoren, welche in die Berechnung gemäß iRAP einfließen sind Risikofaktoren der Straße, welche angeben wie wahrscheinlich ein Unfall ist, Risikofaktoren der Straße, welche angeben wie schwerwiegend ein Unfall ausfallen würde, Geschwindigkeitsfaktoren, welche angeben wie sich die Unfallwahrscheinlichkeit in Abhängigkeit der gefahrenen Geschwindigkeit verhält, externe Faktoren, welche angeben wie wahrscheinlich es ist in einen Unfall Dritter verwickelt zu werden und ein Faktor, welcher die Wahrscheinlichkeit berücksichtigt, dass ein Fahrzeug z.B. des Gegenverkehrs auf die eigene Fahrbahn gelenkt wird. Diese Faktoren werden dann für jeweils einen Unfalltyp bestimmt und das Ergebnis der einzelnen Unfalltypen werden pro Straßensegment und Verkehrsteilnehmertyp aufsummiert, sodass eine Bewertung für alle Unfalltypen für ein Segment und einen Verkehrsteilnehmertyp errechnet wird. Dieser auf Wahrscheinlichkeitsrechnung beruhender Ansatz ist zur Früherkennung von Gefahrenstellen bestenfalls sehr eingeschränkt nutzbar. Auch dieser Ansatz zielt lediglich auf die KFZ-Perspektive ab.
  • Die WO 2017 146 790 A1 (Allstate Insurance Co. ) wiederum beschreibt ein System zur Erzeugung einer Risiko-Straßenkarte, welche es ermöglicht, ein Risiko für geplante Routen zu ermitteln.
  • Bisherige Ansätze erlauben keine hinreichend treffsichere Früherkennung von Gefahrenstellen, sodass u.a. eine inakzeptable Anzahl von Fehlmeldungen von Gefahrenstellen entsteht, die für eine praktische Nutzbarkeit prohibitiv ist.
  • Des Weiteren werden zumeist lediglich die Gefahren für motorisierte Verkehrsteilnehmer und/oder Gefahrenstellen aus der Sicht dieser Verkehrsteilnehmer erfasst, sodass Gefahrenstellen für andere Verkehrsteilnehmer bzw. sich von Straßen die primär für Kraftfahrzeuge ausgelegt sind unterscheidende Verkehrswege, wie z.B. Fahrradwege oder Fußgängerwege, nicht erfasst werden. Es fehlt typisch auch die Sicht der schwächeren, nicht-motorisierten Verkehrsteilnehmer auf potentielle Konflikte.
  • Ein weiteres Problem besteht darin, dass das Verkehrswegnetz nur lückenhaft und zumeist nur grob, nach Streckenabschnitten, verarbeitet wird, sodass viele tatsächliche Gefahrenstellen unentdeckt bleiben.
  • Häufig weisen bisherige Ansätze zudem das Problem auf, dass wenige bis keine Informationen über die Art der Gefahrenstelle verfügbar sind und lediglich angezeigt wird, wo eine Gefahrenstelle liegt.
    • TECHNISCHE AUFGABENSTELLUNG
  • Eine Aufgabe der vorliegenden Erfindung ist es mithin, bekannte Nachteile bzw. Unzulänglichkeiten aus dem Stand der Technik zumindest teilweise zu überwinden, und hierzu insbesondere verbesserte computergestützte Verfahren und Systeme einerseits zur Früherkennung und andererseits zur treffenden Bewertung von Gefahrenstellen vorzuschlagen. Diese Aufgabe wird gelöst einerseits durch ein Verfahren nach Anspruch 1 bzw. unabhängig hiervon andererseits durch ein Verfahren nach Anspruch 2.
  • Weiterhin wird ein Rechnersystem bzw. eine digitale Gefahrenkarte für ein Rechnersystem nach Anspruch 14 vorgeschlagen.
  • Ferner wird z.B. nach Anspruch 15 ein Verfahren zur Erzeugung von gefahrenstellenbezogenen Warnmeldungen an Verkehrsteilnehmer unter Verwendung einer digitalen Gefahrenkarten vorgeschlagen.
  • Weitere Verwendungen der digitalen Gefahrenkarten bzw. von Rechnersystemen, die eine solche Gefahrenkarte aufweisen, werden in Anspruch 16 vorgeschlagen, insbesondere in Verbindung mit autonom oder teilautonom fahrenden Fahrzeugen, zur Beeinflussung des autonomen oder teilautonomen Fahrverhaltens unter Verwendung der digitalen Gefahrenkarten.
  • Die Verfahren bzw. Systeme sollen insbesondere in der Lage sein, strukturelle Gefahrenstellen frühzeitig zu erkennen, bereits bevor diese durch behördliche Unfallstatistik erkennbar werden. Des Weiteren kann eine Aufgabe der vorliegenden Erfindung darin gesehen werden, Lösungen vorzuschlagen die es erlauben, das Verkehrsnetz möglichst weitgehend bzw. flächendeckend, idealerweise das gesamte Verkehrsnetz abzudecken.
  • Eine weitere unabhängige Aufgabe besteht darin, hinsichtlich Gefahrenstellen die Verkehrssituation bzw. das Verkehrswegnetz möglichst ganzheitlich aus verschiedenen Perspektiven auszuwerten, d.h. aus den unterschiedlichen Perspektiven verschiedener oder aller Typen von Verkehrsteilnehmern zu bewerten. Im Gegensatz zum Stand der Technik, der häufige eine Bewertung aus Sicht nur eines Teilnehmertyps vornimmt, z.B. für Kraftfahrzeuge soll die Erfindung es ermöglichen auch solche Gefahrenstellen zu erkennen, wo verschiedenartige Teilnehmer, insbesondere auch ohne KFZ-Beteiligung, aufeinandertreffen, z.B. wo häufig ein Radfahrer und Fußgänger kollidieren, oder sogar Risikostellen erkennen, wo häufig nur ein Verkehrsteilnehmertyp allein verunfallt (z.B. aufgrund von häufigem nassen Laub an einer Stelle oder dgl.).
  • Die Verfahren bzw. Systeme sollen nutzbar sein zur Bewertung von Gefahren aus der Perspektive und zum Nutzen von möglichst allen Verkehrsteilnehmertypen, einschließlich schwächerer nicht motorisierter Gruppen wie Radfahrer oder Fußgänger.
    • ALLGEMEINE BESCHREIBUNG DER ERFINDUNG
  • Es wird gemäß einem ersten unabhängigen Aspekt ein computergestütztes Verfahren zur frühzeitigen Erkennung von strukturellen Gefahrenstellen im Straßenverkehr bzw. ein hierzu eingerichtetes System vorgeschlagen.
  • Hierbei wird eine digitale Verkehrswegnetz-Abbildung mittels eines Rechnersystems verarbeitet, wozu beispielsweise Kartendaten aus dem Projekt OpenStreetMap (OSM), oder andere vergleichbare Kartendaten genutzt werden können.
  • System bzw. Verfahren umfassen zunächst das Bereitstellen einer derartigen digitalen kartenartigen Abbildung von mindestens einem Verkehrswegnetz, insbesondere mit Infrastrukturdaten und ggf. Verkehrswegmetadaten, wobei die kartenartige Abbildung in einen Rechnerspeicher des Rechnersystems ladbar ist bzw. geladen wird.
  • Es erfolgt zunächst ein Unterteilen der kartenartigen Abbildung in eine Vielzahl georeferenzierter Segmente von Verkehrswegen durch das Rechnersystem, wobei die Segmente vorzugsweise zwecks Datensparsamkeit und/oder präziseren Lokalisierung von Gefahrenstellen eine variable Länge haben können.
  • Gemäß einem Kerngedanken, werden mehrere verschiedene Datenquellen, insbesondere drei verschiedene Datenquellen genutzt, deren Daten durch das Verfahren bzw. System in geeigneter Weise verschnitten werden. Besonders bevorzugt werden digitalisierte georeferenzierte Unfalldaten, georeferenzierte Nutzereingabedaten und georeferenzierte Sensordaten genutzt, die sich auf Bewegungsmerkmale von Verkehrsteilnehmern beziehen, insbesondere auf Beschleunigungswerte.
  • Hierzu sieht die Erfindung insbesondere folgende Schritte vor:
    1. a) zumindest initiales Bereitstellen von digitalisierten georeferenzierten Unfalldaten, umfassend statistische Unfalldaten, insbesondere in Form zumindest einer Datenbank, welche durch das Rechnersystem zugreifbar bzw. verarbeitbar sind;
    2. b) Datenerheben von georeferenzierten Nutzereingabedaten bezogen auf potentielle Gefahrenstellen, wobei die Datenerhebung direkt oder durch das Rechnersystem, oder aber indirekt durch weitere Systeme bzw. Server erfolgen kann, welche die Daten dem Rechnersystem zur Verfügung stellen; und
    3. c) Datenerfassen, insbesondere durch das Rechnersystem, von georeferenzierten Sensordaten bezogen auf Bewegungsmerkmale von Verkehrsteilnehmern, insbesondere basierend auf Beschleunigungsmesswerten, welche bewegungsbezogen von Sensoren generierbar sind bzw. generiert werden, die von Verkehrsteilnehmern oder Fahrzeugen mitgeführt werden, insbesondere von fahrzeuginternen oder geräteinternen Sensoren, z.B. in an sich bekannten Geräten wie Smartphones, Navigationssystemen, TelematikAusrüstung, loT-Geräten, usw.;
  • Die zeitliche Häufigkeit bzw. Frequenz der Datengewinnung aus den Schritten a) bis c) ist dabei typisch unterschiedlich. Die georeferenzierten Daten aus den unterschiedlichen Datenquellen a), b) und c) können also jeweils in Form von getrennten Datenströmen, zu unterschiedlichen Zeitpunkten, und ggf. in verschiedenen zeitlichen Abständen gewonnen werden. Es ist insbesondere keine Echtzeit-Datenerhebung erforderlich, wenngleich insbesondere für Sensordaten c) möglich. Alle Daten können bedarfsweise durch Vorverarbeitung der Rohdaten vereinheitlicht werden. Alle oder einige Daten können nebst einer Georeferenzierung, z.B. GPS-Koordinaten weitere Informationen, wie z.B. eine Zeitbindung bzw. einen Zeitstempel aufweisen.
  • Statistische Unfalldaten zu a) können aus unterschiedlichen Quellen stammen, z.B. aus polizeilicher Erfassung, aus Erfassung durch Versicherungsunternehmen und/oder aus Notfallaufnahmen/Krankenhäusern.
  • Nutzereingabedaten zu b) können zunächst durch einen Server, z.B. einen Webserver, gesammelt und durch Aktualisierungen dem Rechnersystem zugeführt werden. Eine laufende Erhebung ist nicht erforderlich, kurze Aktualisierungsintervalle wünschenswert. Das Datenerheben kann jeweils durch einen Nutzer selbst und/oder auch durch das Rechnersystem, z.B. per Abfragen initiierbar sein. Nutzereingabedaten können insbesondere kumulativ bzw. inkrementell erhoben werden. Nutzereingabedaten können ebenfalls unmittelbar dem Rechnersystem zugeführt werden.
  • Die Erfassung von Sensordaten zu c) (auch Impulsdaten genannt) erfolgt insbesondere aber nicht zwingend mit kurzen Aktualisierungsintervallen, aber nicht in Echtzeit, um eine möglichst aktuelle Früherkennung und Abbildung von Gefahrenstellen zu ermöglichen ohne erheblichen Kommunikationsaufwand. Die Erfassung kann z.B. zeitverzögert bzw. "offline" erfolgen. Die Erfassung kann etwa einmal täglich von Smartphones erfolgen, die eine für die Anwendung der Erfindung spezifische Applikations-Software aufweisen, oder auch von angebundenen Fahrzeugen, z.B. über sog. Car2X-Kommunikation. Eine Erfassung von Sensordaten zu c) kann insbesondere aber zumindest teilweise über geeignete Mobilfunk-Kommunikation erfolgen, z.B. nach 5G-Standards, erfolgen, sodass Daten von möglichst vielen Teilnehmern bzw. Fahrzeugen erfasst werden können. Sensoren, die bei der Impulsdatenerfassung zur Anwendung kommen umfassen z.B. Gyroskop, Accelerometer, Magnetometer, GPS, sowie auch Kamerasensoren für entsprechende Auswertungen. Die genutzten Sensoren können z.B. dabei zur Fahrzeugausrüstung gehören, oder aber Bestandteil eines mitgeführten Smartphones sein.
  • Im Rahmen der Erfindung liegt auch eine Erfassung der Sensordaten via externe Rechner bzw. Server wie z.B. von Fahrzeugherstellern, die über Car2X-Kommunikation Daten der eigenen Flotte erheben (vgl. z.B. DE 10 2020 108 531 A1 oder DE 10 2019 203 405 A1 ). Weder eine direkte Kommunikation des Rechnersystems mit den Geräten, welche die Sensordaten generieren ist erforderlich, noch eine Echtzeit-Kommunikation. Dies erlaubt erhebliche Reduktion des Kommunikationsaufwands und u.a. auch Anonymisierung im Sinne des Datenschutzes.
  • Sensordaten können dabei gefiltert erfasst werden, z.B. nur im Zusammenhang mit von der jeweiligen Gerätesoftware als kritisch erkannten Ereignissen, oder auch umfassender zur Erzielung einer möglichst umfassenden Datenbasis, etwa für eine KI-gestützte Mustererkennung. Sensordaten bezeichnet insbesondere Daten zu Beschleunigungsmesswerten, welche Rückschlüsse auf kritische Ereignisse bzw. Manöver im Straßenverkehr erlauben. Die Sensordaten zu c) können vom Rechnersystem direkt oder indirekt erfasst werden, z.B. mit an sich bekannten loT-Techniken bzw. Schnittstellen. Zur Erfassung werden die Sensordaten oder Signale mittels Sensoren, insbesondere Beschleunigungssensoren, aufgenommen und digitalisiert, wobei dies durch externe Geräte erfolgt, die nicht Bestandteil des Rechnersystems sind.
  • Gemäß einem besonderen Merkmal werden Sensordaten zu c) von unterschiedlichen Verkehrsteilnehmertypen erfasst, insbesondere von Kraftfahrzeugen (PKW, Lastwagen, etc., ggf. Motorräder) und zumindest auch von Zweirädern, insbesondere Fahrrädern und auch z.B. E-Bikes, E-Scooter und dgl., welche typisch einen stärker gefährdeten Verkehrsteilnehmertyp bilden. Somit werden bevorzugt Sensordaten eines ersten Typs, nämlich aus Sensorwerten die durch Fahrzeugausrüstung generiert werden, und Sensordaten eines zweiten Typs erfasst, welche insbesondere durch tragbare Mobilgeräte, vorzugsweise Smartphones mit entsprechender Software generiert werden, sodass auch Sensorik von Verkehrsteilnehmern ohne Fahrzeugausrüstung (z.B. Fahrräder, E-Bikes, E-Scootern etc.) genutzt wird. Die Datengewinnung über unterschiedliche Typen von Verkehrsteilnehmer ist besonders vorteilhaft, insbesondere für eine möglichst umfassende Erkennung, insbesondere Früherkennung von Gefahrenstellen, wie auch für die Validierung der Daten eines anderen Typs, z.B. die Validierung von Sensordaten eines ersten Typs durch Sensordaten eines zweiten Typs.
  • Auf Grundlage der drei Datenkategorien erfolgt durch das Verfahren bzw. System ein Zuordnen von Unfalldaten, Sensordaten und Nutzereingabedaten zu Segmenten der kartenartigen Abbildung. Dies erfolgt entsprechend jeweils diesen Daten zugehöriger Georeferenzierung, wie z.B. GPS-Koordinaten oder vergleichbarer Positionsinformation, insbesondere durch das Rechnersystem.
  • Dadurch weisen betroffene Segmente der kartenartigen Abbildung zugeordnete bzw. segmentbezogene Erkennungsdaten auf, anhand welcher erfindungsgemäß eine Früherkennung und/oder Bewertung von Gefahrenstellen erfolgt. Die segmentbezogenen Erkennungsdaten umfassen dabei Daten zumindest einer oder mehrerer der o.g. drei Datenkategorien a) bis c), d.h. umfassen jeweils Unfalldaten, Sensordaten und/oder Nutzereingabedaten.
  • Eine Vielzahl der Segmente weisen im Ergebnis zumindest zugeordnete Sensordaten und auch Nutzereingabedaten oder Unfalldaten auf. Hierdurch wird unter anderem eine günstigere Menge an Trainingsdaten bereitgestellt, die eine vorteilhaftere bzw. zielführendere Anwendung Kl-gestützter Datenverarbeitung, insbesondere Machine Learning und/oder eine Mustererkennung ermöglicht, oder auch ein ergebnisreicheres Verschneiden der Daten durch andere Informationstechniken. Bereits in der Zusammenführung der drei Datenkategorien a) bis c) zur weiteren Verarbeitung, insbesondere als Trainingsdaten für Maschinelles Lernen, wird ein eigenständig erfinderisches bzw. erfindungserhebliches Merkmal gesehen. Teilanmeldungen u.a. hierzu bleiben ausdrücklich vorbehalten.
  • Für das genutzte Rechnersystem kommt jede geeignete Hardware-Architektur in Betracht, ein Server-System, eine Großrechenanlage eingerichtet für KI-Techniken und insbesondere auch eine Cloud-Architektur oder z.B. Computercluster.
  • Gemäß einem ersten Aspekt kann anhand segmentbezogener Erkennungsdaten sodann eine Auswertung erfolgen die zumindest mindestens eine Häufigkeitsermittlung und/oder einen Datenabgleich, insbesondere z.B. unter Anwendung von Mustererkennung, durchgeführt werden.
  • Segmente denen Unfalldaten zugeordnet sind lassen ohne Weiteres Gefahrenstellen erkennen. Ein entscheidender Vorteil der Erfindung liegt jedoch in der Früherkennung von Gefahrenstellen, zu denen keine oder kaum Unfalldaten vorliegen.
  • Auf die Auswertung segmentbezogener Erkennungsdaten beruhend kann das Rechnersystem zwecks Früherkennung ein georeferenziertes Segment mit Erkennungsdaten, die keine Unfalldaten enthalten, dennoch als potentielle Gefahrenstelle identifiziert, werden nämlich indem das Verfahren bzw. System bestimmt ob
    1. i. diesem Segment mit vorbestimmter Häufigkeit Nutzereingabedaten und Sensordaten zugeordnet worden sind;
      und/oder
    2. ii. zu diesem Segment der Datenabgleich von Nutzereingabedaten und/oder Sensordaten einen vordefinierten Grad an Merkmalsübereinstimmung bzw. Merkmalskorrelation aufzeigt.
  • Bereits eine einfache Häufigkeitsermittlung kann eine Früherkennung von Gefahrenstellen ermöglichen, z.B. wenn eine vorbestimmte, z.B. empirisch ermittelte erste Teilhäufigkeit von Sensordaten die auf kritische Ereignisse deuten, mit einer zweiten Teilhäufigkeit von Nutzereingabedaten, insbesondere inhaltlich übereinstimmenden Nutzereingabedaten, vorliegt. Auch eine Entscheidung aufgrund einer Gesamthäufigkeit von Nutzereingabedaten und Sensordaten liegt im Rahmen der Erfindung.
  • In einem weiteren, vorteilhaften Ansatz wird alternativ/oder ergänzend auf eine potentielle Gefahrenstelle geschlossen, wenn ein Datenabgleich von Nutzereingabedaten und/oder Sensordaten, insbesondere der Sensordaten, eine hinreichende Merkmalsübereinstimmung bzw. Merkmalskorrelation aufzeigt, insbesondere mit bereits als kritisch erkannten Segmenten, die z.B. durch Unfalldaten oder Nutzereingaben validiert sind. Für einen geeigneten Datenabgleich kommen unterschiedliche Ansätze in Betracht, insbesondere Klgestützte Datenverarbeitung, z.B. Machine Learning und/oder Mustererkennung, z.B. mittels Dynamic Time Warping, Support Vector Machines, Random Forests und/oder künstlichen Neuronale Netzen (KNN).
  • Beim Datenabgleich kann als ein Übereinstimmungskriterium insbesondere ermittelt werden, ob eine Übereinstimmung, insbesondere hinsichtlich durch Mustererkennung erkannter Kategorien, von Information aus Sensordaten von Quellen eines ersten Typs und aus Sensordaten von Quellen eines zweiten Typs, z.B. unterschiedlicher Verkehrsteilnehmertypen, vorliegt. Sensordaten eines ersten Typs können insbesondere solche aus Kraftfahrzeug-Sensorik und Sensordaten eines zweiten Typs können insbesondere von mobilen Endgeräten, z.B. von Radfahrern sein. Hierauf beruhend kann auch das Zuordnen einer entsprechenden Relevanzangabe zur betrachteten Gefahrenstelle erfolgen. In der entsprechenden Nutzung und Auswertung der Sensordaten verschiedener Verkehrsteilnehmertypen wird bereits ein eigenständig erfinderischer Aspekt gesehen.
  • Ergänzend oder alternativ kann weiterhin auf Übereinstimmung von Information aus Sensordaten und aus Nutzereingabedaten geprüft werden.
  • In einem weiteren Schritt werden vom Rechnersystem alle als Gefahrenstelle identifizierten Segmente, einschließlich solcher zu denen keine Unfalldaten vorliegen, in der kartenartigen Abbildung gekennzeichnet.
  • Den als Gefahrenstelle identifizierten Segmenten wird vorzugsweise ein rechentechnisch ermittelter Gefahrenscore zugeordnet, welcher es erlaubt den Nutzern eine Indikation über die Höhe der Gefahr anzuzeigen. Dies kann insbesondere auch spezifisch für verschiedene Typen von Verkehrsteilnehmern erfolgen.
  • Die Daten der drei Datenkategorien a) bis c) sind bevorzugt jeweils georeferenzierte Daten, die einem (Karten-)Segment zuordenbar sind, vorzugsweise eineindeutig zuordenbar. Somit sind sowohl Unfalldaten, Nutzereingabedaten als auch Sensordaten bevorzugt jeweils georeferenziert. Weiterhin sind die Daten der drei Datenkategorien a) bis c) bevorzugt teilnehmertypspezifisch qualifiziert bzw. zugeordnet oder zuordenbar.
  • Gemäß einem zweiten unabhängigen Aspekt wird ein computergestütztes Verfahren bzw. System zur Ermittlung eines Gefahrenscores einer georeferenzierten, strukturellen Gefahrenstelle in einer digitalen Verkehrswegnetz-Abbildung, vorgeschlagen. Dieses kann insbesondere auf dem vorbeschriebenen System bzw. Verfahren beruhen.
  • Nach dem zweiten Aspekt erfolgt insbesondere ein Datenerheben von georeferenzierten Nutzereingabedaten bezogen auf potentielle Gefahrenstellen, z.B. wie vorstehend erläutert.
  • Weiterhin werden die vorgenannten drei Datenkategorien a) bis c) genutzt und es erfolgt hiermit ein Zuordnen von bereitgestellten georeferenzierten Unfalldaten, erfassten georeferenzierten Sensordaten und erhobenen georeferenzierten Nutzereingabedaten zu Segmenten, entsprechend jeweils diesen Daten zugehöriger Georeferenzierung. Dies kann insbesondere durch das Rechnersystem realisiert werden. Im Ergebnis werden Segmenten der kartenartigen Abbildung segmentbezogene Erkennungsdaten zugeordnet, die jeweils Unfalldaten, Sensordaten und/oder Nutzereingabedaten aufweisen.
  • Nach dem zweiten Aspekt erfolgt ein rechentechnisches Ermitteln eines Gefahrenscores für Segmente der kartenartigen Abbildung mit zugeordneten Erkennungsdaten durch Bewerten der dem betrachteten Segment zugeordneten Erkennungsdaten.
  • Hierbei wird insbesondere vorgesehen, dass
    • dass der Gefahrenscore eines georeferenzierten Segments mit Erkennungsdaten, welchem keine Unfalldaten zugeordnet sind, in Abhängigkeit von zugeordneten Nutzereingabedaten ermittelt, insbesondere validiert bzw. relativ erhöht wird, etwa im Vergleich zu Segmenten ohne zugeordnete Nutzereingabedaten;
    und/oder
    • dass der Gefahrenscore in Abhängigkeit einer Gewichtung der Erkennungsdaten ermittelt wird mit jeweils unterschiedlichem Gewicht für Unfalldaten, Sensordaten und Nutzereingabedaten, insbesondere mit höherem Gewicht von Unfalldaten gegenüber Nutzereingabedaten und/oder höherem Gewicht von Nutzereingabedaten gegenüber Sensordaten.
  • Der so rechentechnisch ermittelte Gefahrenscore wird dann dem entsprechenden Segment zugewiesen bzw. zugeordnet. Durch die Nutzung der o.g. drei Datenkategorien a) bis c) wird eine Objektivierung und höhere Zuverlässigkeit bei der Bewertung der Gefahrenhöhe erst ermöglicht, wobei vorteilhaft einfließt, dass das Verfahren bzw. System Sensordaten von verschiedenen Verkehrsteilnehmern erfasst und berücksichtigt, sodass auch unterschiedliche Gefahrenscores für unterschiedliche Teilnehmer ermittelt und angezeigt werden können.
  • Das rechentechnische Ermitteln eines Gefahrenscores für eine identifizierte Gefahrenstelle kann durch Berechnen erfolgen, wobei das Berechnen eine Gewichtung von georeferenziert zugeordneten Sensordaten unter Verwendung vordefinierter Gewichtungsfaktoren umfasst, und wobei vorzugsweise zumindest einige georeferenzierte Sensordaten eines ersten Typs, insbesondere von einem ersten Verkehrteilnehmertyp stammend, in Abhängigkeit eines vordefinierten Grades an Übereinstimmung mit Merkmalen georeferenziert zugeordneter Nutzereingabedaten und/oder weiteren georeferenziert zugeordneten Sensordaten eines zweiten Typs, insbesondere von einem zweiten Verkehrteilnehmertyp stammend, gewichtet werden.
  • Alternativ oder ergänzend kann das Berechnen des Gefahrenscores für eine identifizierte Gefahrenstelle, erfolgen durch Verarbeitung mittels einer Kl, insbesondere unter Anwendung eines neuronalen Netztes und/oder Mustererkennung oder dgl. durch das zumindest eine Rechnersystem. Dies kann insbesondere unter Berücksichtigung ereignisbezogener Merkmale der Infrastrukturdaten aus der Kartenabbildung erfolgen.
  • Vorteilhafte Weiterbildungen, die zwar Gegenstand der Unteransprüche, aber jeweils für sich genommen erfinderisch bzw. als unabhängig erfindungserheblich anzusehen sind, werden nachfolgend erörtert. Diese sind für die beide o.g. unabhängigen Aspekte grundsätzlich anwendbar, und Teilanmeldung bleibt vorbehalten.
  • In vorteilhafter Ausführung werden Daten zu verschiedenen Verkehrsteilnehmertypen gewonnen, insbesondere Sensordaten verschiedener Verkehrsteilnehmertypen erfasst.
  • Hierzu ist es vorteilhaft, wenn die bewegungsbezogenen Sensordaten ein Typmerkmal umfassen, welches angibt, von welchem Verkehrsteilnehmertyp die Sensordaten stammen und eine Unterscheidung von zumindest zwei verschiedenen Verkehrsteilnehmertypen, insbesondere Kraftfahrzeugen und Zweirädern, ermöglicht.
  • Insbesondere aber nicht ausschließlich in Kombination mit bewegungsbezogenen Sensordaten, die ein Typmerkmal aufweisen, sieht eine vorteilhafte Weiterbildung vor, dass zumindest für Segmente mit Erkennungsdaten zu diesen Erkennungsdaten, insbesondere zu Sensordaten mit Typmerkmal, jeweils eine informatische Mustererkennung, insbesondere KI-gestützte Mustererkennung, durchgeführt wird und eine Klassifizierung in kritische Ereignisse erfolgt, insbesondere durch das Rechnersystem, und der Datenabgleich von Nutzereingabedaten und/oder Sensordaten mit entsprechenden Daten zu klassifizieren kritischen Ereignissen erfolgt.
  • Für die Erhebung von sicherheitsrelevanten Ereignissen werden insbesondere Beschleunigungsdaten als Sensordaten erfasst. Mittels dieser lässt sich die jeweilige Trajektorie der Verkehrsteilnehmer bei zugehörigen kritischen Fahrmanövern ermitteln. Zur Identifizierung potenziell kritischer Manöver können z.B. Beschleunigungsgrenzwerte festgelegt werden. Die Sensordaten können dementsprechend anhand eines Smartphones mit geeigneter Smartphone-App, eines Telematik-Tags, oder durch IoT-Devices erfasst werden.
  • Diese Daten können zum einen für verschiedene Verkehrsteilnehmertypen erfasst werden und zum anderen erlauben Sie kritische Situationen zu klassifizieren, zu verorten und auf Ursachen hin zu untersuchen. Dies basiert auf Daten aus der tatsächlichen Perspektive eines Verkehrsteilnehmers, z.B. aus dem Fahrzeug bzw. Zweirad.
  • Zur Klassifizierung von kritischen Manövern der verschiedenen Verkehrsteilnehmer wird auf Berechnungsmethoden der Mustererkennung und des Maschinellen Lernens (Machine Learning) zurückgegriffen. Hierfür kommen verschiedene Verfahren infrage, bspw. Dynamic Time Warping, Support Vector Machines, Random Forests und Neuronale Netze. Durch derartige Methoden werden zunächst Daten der unterschiedlichen Verkehrsteilnehmertypen vergleichbar gemacht, was Analysen im Hinblick auf die Sicherheitsbewertung spürbar vereinfacht. Auch oder auch Ansätze des Deep Learning kommen in Betracht, sind jedoch nicht zwingend, da die Daten der Quellen a) bis c) typisch bereits in strukturierter Form gewonnen werden, oder durch (teil-)automatische Vorverarbeitung strukturiert werden können.
  • Zur Ableitung von Konflikten zwischen Verkehrsteilnehmern, die auf Gefahrenstellen hindeuten, werden ermittelte kritische Ereignisse aller Verkehrsteilnehmer einer betrachteten Stelle, z.B. eines Segments überlagert. Auf Grundlage dieser Erkenntnisse kann, insbesondere durch Berücksichtigung von Infrastrukturdaten und weiteren Kontextdaten, ein kartenbasiertes Prognosemodell zur Abschätzung kritischer Konflikte erstellt werden. Der Grad der Kritikalität kann sodann durch einen Abgleich mit amtlich erhobenen Verkehrsunfalldaten (vgl. Datenkategorie a) oben)) sowie mit von Bürgern gemeldeten Gefahrensituationen (vgl. Datenkategorie b) oben) bestimmt werden.
  • Eine bevorzugte Ausgestaltung sieht demnach vor, dass zumindest für Segmente mit Erkennungsdaten zu diesen Erkennungsdaten, insbesondere zu Sensordaten mit Typmerkmal, jeweils eine informatische Mustererkennung, insbesondere KI-gestützte Mustererkennung, durchgeführt wird und eine Klassifizierung in kritische Ereignisse erfolgt, insbesondere durch das Rechnersystem. Hierauf beruhend kann der Datenabgleich von Nutzereingabedaten und/oder Sensordaten mit entsprechenden Daten zu klassifizieren kritischen Ereignissen erfolgen.
  • Gemäß einem Aspekt kann das Rechnersystem ein durch KI aus den drei wesentlichen Datenquellen a) bis c) gewonnenes Machine-Learning-Model, einsetzen, um die kartenartige Abbildung zu verbessern, insbesondere um die verkehrsnetzbezogene Abdeckung der Früherkennung zu erweitern. Die Gefahrenkarte kann somit die Trainingsdaten für ein Modell liefern, welches soz. zur rekursiven Selbstoptimierung der Gefahrenkarte genutzt wird. Die Erweiterung kann auf solche Stellen bzw. Segmente bezogen sein, zu welchen nur unzureichend Daten aus den Quellen a) bis c) oder Daten mit nicht hinreichender Aussagekraft vorliegen. So kann ggf. bereits allein aufgrund von Infrastrukturinformation eine Erkennung potentieller Gefahrenstellen durch Mustervergleich erfolgen. Insbesondere kann bei Vorliegen von ausschließlich Sensordaten c) in Verbindung mit Infrastrukturdaten durch Mustervergleich mit validierten Gefahrenstellen eine Früherkennung ermöglicht werden. In der Erstellung des Machine-Learning-Modells können die Unfalldaten a) oder Nutzereingabedaten b) insbesondere zur Validierung von als kritisch eingestuften Mustern aus den genutzt werden bzw. zur Optimierung des Modells eigesetzt werden.
  • Gemäß einem Aspekt kann das Rechnersystem zwecks Früherkennung ein georeferenziertes Segment mit Erkennungsdaten, welchem keine Unfalldaten zugeordnet sind, als potentielle Gefahrenstelle identifizieren, wenn zu diesem Segment ein Datenabgleich der Sensordaten hinreichende Merkmalsübereinstimmung bzw. Merkmalskorrelation mit Sensordaten eines kritischen Ereignisses aufzeigt, wobei zur Bestimmung der Merkmalsübereinstimmung bzw. Merkmalskorrelation die vorgelagerte Mustererkennung genutzt wird.
  • Unabhängig von der Art des genutzten Datenabgleichs kann in einer datentechnisch günstigen Umsetzung vorgesehen werden, dass als Gefahrenstelle identifizierten Segmenten jeweils ein Datenobjekt zugeordnet wird, welches zumindest einen rechentechnisch ermittelten Gefahrenscore umfasst.
  • Auf die konkrete programmiertechnische Umsetzung der Software, insbesondere Datenobjekte kommt es dabei nicht entscheidend an, eine objektorientierte Datenstruktur bzw. objektorientierte Programmierung ist jedoch besonders bevorzugt.
  • Besonders bevorzugt weist jedes einer Gefahrenstelle zugeordnete Datenobjekt mehrere teilnehmertypenspezifische Gefahrenscores auf, sodass Gefahrenstellen aus Sicht verschiedenartiger Teilnehmer bewertet bzw. bewertbar sind im Sinne eines ganzheitlichen Ansatzes.
  • Es kann dabei vorgesehen sein, dass das Datenobjekt weiterhin umfasst:
    • zumindest eine Relevanzangabe dahingehend für welchen bzw. welche von mehreren verschiedenen Verkehrsteilnehmertypen, insbesondere Fußgänger, Radfahrer oder Kraftfahrzeugführer, eine Gefahr droht, wobei die Relevanzangabe vorzugsweise aus den zugeordneten Erkennungsdaten bestimmt wird; und/oder
    • zumindest eine Gefahrenartangabe dahingehend, bei welchem Verkehrsverhalten, welcher Situation und/oder zwischen welchen Verkehrsteilnehmern an der Gefahrenstelle Gefahr droht, wobei die Gefahrenartangabe vorzugsweise aus den zugeordneten Erkennungsdaten bestimmt wird; denn vorzugsweise geben die Erkennungsdaten neben der Gefahrenart ebenfalls Aufschluss hinsichtlich der spezifischen Gefahrensituation und ggf. der Konflikte zwischen Verkehrsteilnehmern und/oder
    • zumindest eine Kontextangabe dahingehend, bei welchen Umwelteinflüssen bzw. Verkehrssituationen, an der Gefahrenstelle Gefahr droht, wobei die Kontextangabe vorzugsweise bestimmt wird aus den zugeordneten Erkennungsdaten und/oder aus zusätzlichen Verkehrswegmetadaten, insbesondere umfassend Information bezüglich Wetterabhängigkeiten, Geschwindigkeitsrichtwertem, zeitabhängigem Verkehrsaufkommen oder dgl..
  • In bevorzugter Weiterbildung zur Erzielung einer ganzheitlichen Betrachtung bzw. eines für verschiedenartige Teilnehmertypen nützlichen System ist vorgesehen, dass das rechentechnische Ermitteln eines Gefahrenscores jeweils teilnehmertypenspezifisch bzw. in Abhängigkeit des Verkehrsteilnehmertyps erfolgt und jeder ermittelte Gefahrenscore genau einem von mehreren vordefinierten Verkehrsteilnehmertypen zugeordnet wird. Dies erlaubt, dass die Verkehrssituation ganzheitlich aus den unterschiedlichen Perspektiven aller Verkehrsteilnehmer betrachtet werden kann. Hierbei geht es um nicht nur Kraftfahrzeug-Fahrerfahrer (derzeit Fokus vieler Assistenzsysteme), sondern insbesondere auch um die schwächeren und somit gefährdeteren Verkehrsteilnehmer wie Fußgänger, Fahrradfahrer, Pedelecfahrer, eScooter-Fahrer usw. Es kommen aber auch körperlich weniger gefährdete Teilnehmer in Betracht, z.B. auch LKW-, Bus- oder Straßenbahnfahrer - für welche ein Unfall erhebliche psychologische Folgen haben kann.
  • Das rechentechnische Ermitteln eines Gefahrenscores jeweils teilnehmertypenspezifisch vorzunehmen kann hierbei für jedes Segment bzw. Datenobjekt einen teilnehmertypspezifisch-mehrdimensionalen Raum erzeugen, in dem die verschiedenen Gefahreninformationen aus allen Perspektiven aggregiert, ausgewertet und auch als Gefahrenscore wieder individuell abrufbar gemacht werden können. Hierzu ist es vorteilhaft, wenn die Gefahrenscores mit dem Segment bzw. Datenobjekt im mathematischen Sinne mehrdimensional auf teilnehmertypspezifischen Achsen verknüpft sind. Eine rechentechnisch einfache Umsetzung kann z.B. erzielt werden, wenn als Dimensionen den Teilnehmertypen die eines Vektorraums (auch Hamel-Dimensionen) zugeordnet werden, sodass effektive, gängige Matrizenrechnung eingesetzt werden kann bei der Ermittlung der Gefahrenscores. Der so definierte Vektorraum für jedes Segment bzw. Datenobjekt weist dann für jeden zu betrachtenden Verkehrsteilnehmertyp zumindest eine Hamel-Dimension Dimension auf.
  • Weiterhin kann auch innerhalb der Verkehrsteilnehmertypen noch unterschiedlich nach Untertypen bewertet werden, z.B. Verkehrsteilnehmertyp: Fußgänger, Untertypus: Kind/Erwachsener/Senioren. Dieser Ansatz erlaubt z.B. kinderspezifisch sichere Schulweg-Routen für Kinder oder seniorenfreundliche Routen (z.B. bei denen Hören und Sehen oder schnelles Überqueren weniger relevant sind) zu ermitteln.
  • Das System kann laufend und insbesondere teilnehmerspezifisch d.h. gegenseitig aus den unterschiedlichen Sichtweisen, bewerten ob es auffällige Muster gibt.
  • Vorteilhaft ist somit, wenn die Datenobjekte zu Gefahrenstellen zumindest angeben für welche Verkehrsteilnehmer Gefahr besteht bzw. droht (Relevanzangabe) und worin konkret die Gefahr besteht (Gefahrenartangabe). Zur Speicherung der Daten bzw. als Datenobjekte kommen jegliche Art von Datensätzen in Betracht, wobei die Daten aus den unterschiedlichen Quellen a) bis c) ggf. durch Vorverarbeitung in ein vereinheitlichtes Format gebracht werden können, z.B. im Zuge einer Kl-gestützten Mustererkennung oder dgl.
  • Hinsichtlich der Datenkommunikation sieht eine Ausführungsform vor, dass das Datenerheben von georeferenzierten Nutzereingabedaten bezogen auf potentielle Gefahrenstellen laufend und/oder sporadisch über eine Internet-Schnittstelle des Rechnersystems erfolgt. Diese Internet-Schnittstelle kann mit mindestens einem oder mit mehreren Servern verbunden sein, insbesondere Webserver(n), die jeweils eine Nutzerschnittstelle für Nutzereingabedaten bereitstellt. Auf diese Art können mehrere ggf. unterschiedliche Schnittstellen bereitgestellt werden, z.B. eine klassische Webseite und eine Schnittstelle für Smartphone-Apps. Auch ist z.B. eine Integration von Versicherungs-Unfallmeldungen durch Verkehrsteilnehmer über eine entsprechende Schnittstelle möglich.
  • Gemäß einem weiteren vorteilhaften Aspekt erfolgt das Unterteilen der kartenartigen Abbildung in eine Vielzahl georeferenzierter Segmente in variabler und ggf. auch iterativer Weise. Somit kann ein variables Unterteilen in Segmente unterschiedlicher geographische Länge vorgesehen sein, insbesondere in Abhängigkeit von Verkehrsweginfrastruktur (z.B. der Art des Weges mit längeren Segmenten z.B. auf Autobahnen) und/oder in Abhängigkeit von zugeordneten Erkennungsdaten und/oder in Abhängigkeit identifizierter Gefahrenstellen. Dies ermöglicht unter anderem eine hinreichende örtliche Diskriminierung von Gefahrenstellen.
  • Weiterhin kann das Zuordnen von Unfalldaten, Sensordaten und Nutzereingabedaten zu einzelnen Segmenten das Ermitteln eines geographischen Abstands zwischen den Erkennungsdaten aus deren Georeferenzierung umfassen, sodass die Zuordnung auf Grundlage relativer Abstände erfolgen kann. Auch dies kann unter anderem eine örtliche Diskriminierung von Gefahrenstellen verbessern.
  • Da eine Erfassung von Daten unterschiedlicher Verkehrsteilnehmer als besonders vorteilhaft gesehen wird, sieht eine Ausführungsform zur Datenerfassung vor, dass Sensordaten basierend auf Beschleunigungsmesswerten aus unterschiedlichen Quellen erfasst werden, insbesondere Sensordaten eines ersten Typs, welche aus Sensorwerten aus der Fahrzeugausrüstung, insbesondere Fahrzeugsensorik bzw. Telematikausrüstung, von Fahrzeugen, insbesondere von Kraftfahrzeugen, generiert werden, sowie zumindest Sensordaten eines zweiten Typs, welche aus Sensorwerten von Beschleunigungssensoren in von Verkehrsteilnehmern mitgeführten, tragbaren Mobilgeräten, insbesondere Smartphones, generiert werden. Weitere Quellen sind ebenfalls möglich.
  • Die Sensordaten werden u.a. vorzugsweise mit Zeitstempeln versehen. Die Zeitstempel können als ein Merkmal beim Datenabgleich hinsichtlich eines vordefinierten Grads an Merkmalsübereinstimmung bzw. an Merkmalskorrelation genutzt werden, insbesondere dahingehend ob die Zeitstempel innerhalb eines vordefinierten Zeitbereichs voneinander zeitlich beabstandet sind oder tageszeitbezogen korrelieren.
  • Gemäß einem weiteren ggf. auch unabhängig vorteilhaften Aspekt sieht die Erfindung vor, dass georeferenzierten Sensordaten durch eine anwendungsspezifische Smartphone-Applikation zur Erkennung von potentiellen Gefahrenstellen bereitgestellt werden, wobei
    • die Smartphone-Applikation vorzugsweise eingerichtet ist, potentiell sicherheitskritische Ereignisse zu erkennen, insbesondere auf Grundlage einer Überschreitung von Beschleunigungsschwellwerten, und georeferenzierte Sensordaten lediglich zu potentiell sicherheitskritischen Ereignissen bereitstellt, wobei die bereitstellten Sensordaten vorzugsweise Informationen zum Bewegungsverhalten innerhalb eines Zeitfensters um das sicherheitskritische Ereignis enthalten; und/oder
    • die Smartphone-Applikation eine Schnittstelle für georeferenzierte Nutzereingabedaten bezogen auf potentielle Gefahrenstellen bereitstellt.
  • Bei Nutzung einer zur Anwendung der Erfindung spezifischen Smartphone-Applikation zur Erkennung von potentiellen Gefahrenstellen kann weiterhin vorteilhaft vorgesehen werden, dass
    • die Smartphone-Applikation bei Erkennung eines potentiell sicherheitskritischen Ereignisses entsprechenden Sensordaten zugehörige GPS-Koordinaten zur Georeferenzierung, sowie vorzugsweise zumindest einen Zeitstempel zuordnet und mit den Sensordaten dem Rechnersystem übermittelt;
    • die Smartphone-Applikation, insbesondere bei Erkennung eines potentiell sicherheitskritischen Ereignisses und/oder bei Erkennung örtlicher Nähe zu einem als potentielle Gefahrenstelle identifizierten Segments, den Nutzer zur Eingabe von Nutzereingabedaten auffordert, umfassend zumindest eine Bestätigung hinsichtlich des Bestehens einer Gefahrenstelle, vorzugsweise weiterhin zur Eingabe einer Relevanzangabe bzgl. betroffener Verkehrsteilnehmertypen und/oder einer Gefahrenartangabe und/oder einer Kontextangabe und die Nutzereingaben als Nutzereingabedaten mit den Sensordaten dem Rechnersystem übermittelt; und/oder
    • die Smartphone-Applikation auf Grundlage eines mittels integrierten Beschleunigungssensor ermittelten Bewegungsprofils zu einem potentiell sicherheitskritischen Ereignis eine Relevanzangabe bzgl. betroffener Verkehrsteilnehmertypen bereitstellt und mit den Sensordaten dem Rechnersystem übermittelt.
  • Die vorzugsweise jedem zu jeder identifizierten Gefahrenstelle zugeordnete Information umfasst bevorzugt eine Angabe zur Art der Gefahr. Hier kann ein rechentechnisches Bestimmen zumindest einer Gefahrenartangabe vorgesehen sein, wobei die Gefahrenartangabe aus Informationen von dem Segment zugeordneten Infrastrukturdaten und/oder Sensordaten und/oder Unfallmeldungen und/oder Nutzereingabedaten, vorzugsweise aus einer Kombination von Informationen aus zumindest zwei verschiedenen dieser Daten bestimmt wird.
  • Gegebenenfalls mit höherer Auflösung berechnete Gefahrenscores können durch eine Einteilung in eine reduzierte Anzahl an Gefahrenleveln ergonomischer darstellbar werden. Somit kann ein Zuordnen eines Gefahrenlevels, aus einer Anzahl diskreter Gefahrenlevel zu jedem Gefahrenscore, vorgesehen werden, wobei jedem Gefahrenlevel ein vordefinierter Wertebereich des Gefahrenscores zugeordnet ist.
  • Weiterhin kann ein rechentechnisches Ermitteln mehrerer Gefahrenscores für eine identifizierte Gefahrenstelle in Abhängigkeit jeweiliger Relevanzangaben dahingehend erfolgen, für welchen bzw. welche von mehreren verschiedenen Verkehrsteilnehmertypen, insbesondere Fußgänger, Radfahrer oder Kraftfahrzeugführer, eine Gefahr droht. Somit können teilnehmerspezifische Gefahrenscores zu verschiedenen Verkehrsteilnehmertypen zugeordnet werden.
  • In einer vorteilhaften Umsetzung erfolgt ein schrittweises Aktualisieren der in der digitalen Abbildung von Verkehrswegenetzen umfassten Daten, insbesondere der Gefahrenscores, wenn eine vorbestimmte Menge weiterer Sensordaten erfasst wurde und/oder eine vorbestimmte Menge weiterer Nutzereingabedaten erhoben wurde. Somit kann die Gefahrenstellenkarte schrittweise optimiert und laufend aktualisiert werden, ohne dass erheblicher Rechenaufwand anfällt, etwa für eine erneute Mustererkennung.
  • In einer Variante kann vorgesehen werden, dass die Datenerfassung von georeferenzierten Sensordaten, bezogen auf das Bewegungsverhalten eines Verkehrsteilnehmers, in veränderter Weise erfolgt bei Erkennung örtlicher Nähe des Verkehrsteilnehmers zu einem bereits als potentielle Gefahrenstelle identifizierten Segments, so kann dann die Datenerfassung von Sensordaten insbesondere mit erhöhter Sensitivität bzw. Intensität erfolgen. Dies kann z.B. über geeignete Programmierung einer Smartphone-Applikation realisiert werden und ermöglich eine verbesserte Informationslage zu potentiellen Gefahrenstellen, was wiederum eine positive Rückkopplung zur Verbesserung der Mustererkennung ermöglicht.
  • Gemäß einem weiteren unabhängigen Aspekt betrifft die Erfindung eine digitale Gefahrenkarte, die gemäß einer der vorstehend erörterten Ausführungsformen generiert wurde, d.h. mit als Gefahrenstellen identifizierten Segmenten, insbesondere per Früherkennung identifizierten Gefahrenstellen zu denen keine Unfalldaten vorliegen, und/oder Segmente mit Gefahrenscore, insbesondere auf Grundlage der drei Datenquellen a) bis c) ermittelten Gefahrenscores.
  • Dementsprechend betrifft die Erfindung auch die Nutzung der resultierenden digitalen Gefahrenkarte (kartenartige digitale Verkehrswegnetz-Abbildung), welche gemäß einem der vorstehenden Ansätze unter Nutzung von von bereitgestellten georeferenzierten Unfalldaten, erhobenen georeferenzierten Nutzereingabedaten und erfassten georeferenzierten Sensordaten, als Gefahrenstellen identifizierte Segmente der Verkehrswege aufweist.
  • Die Erfindung betrifft somit insbesondere auch ein Rechnersystem, insbesondere Cloud-Rechnersystem, umfassend eine kartenartige digitale Verkehrswegnetz-Abbildung, welche gemäß einem Verfahren nach einer der vorstehenden erörterten Ausführungsformen generiert wurde, und insbesondere als Gefahrenstellen identifizierte Segmente mit Gefahrenscore aufweist.
  • Dieses System kann insbesondere genutzt werden zur Erzeugung von gefahrenstellenbezogenen Warnmeldungen an Verkehrsteilnehmer. Hierzu können mit dem Rechnersystem kommunizierende Endgeräte, Hierzu können mit dem Rechnersystem kommunizierende Endgeräte, auch in Fahrzeugen verbaute Endgeräte (z.B. Navigationsgeräte), aber insbesondere Smartphones, bei Erkennung örtlicher Nähe zu einem als Gefahrenstelle identifizierten Segment eine Warnmeldung ausgeben, insbesondere eine Warnmeldung umfassend eine Relevanzangabe und/oder Gefahrenartangabe und/oder eine Kontextangabe. Durch entsprechende Warnmeldung an die Verkehrsteilnehmer, insbesondere bei Früherkennung von Gefahrenstellen, kann die Verkehrssicherheit insgesamt spürbar verbessert werden, insbesondere auch für indirekt von der Warnung betroffene Verkehrsteilnehmertypen, z.B. Fußgänger oder Fahrradfahrer. Die Ausgabe von Warnmeldungen kann dabei insbesondere teilnehmertypenspezifisch bzw. in Abhängigkeit des Verkehrsteilnehmertyps erfolgen, und hierfür z.B. die Relevanzangabe oder dgl. nutzen.
  • Die resultierende Gefahrenkarte kann weiterhin in diversen weiteren Anwendungen vorteilhaft eingesetzt werden.
  • Eine vorteilhafte Anwendung liegt z.B. in der Ermittlung verkehrstechnisch sicherer Routenoptionen in einem Navigationssystem, insbesondere ergänzend zu vom Navigationssystem ermittelten schnellen und/oder ökologischen Routenoptionen. Dies kann dann auch früherkannte Gefahrenstellen berücksichtigen. Die Nutzung eines solchen Navigationssystems ist aber nicht nur für fahrende Verkehrsteilnehmer, sondern auch für nicht motorisierte Verkehrsteilnehmer, z.B. für die Ermittlung sicherer Schulwege für Kinder, vorteilhaft. Dies kann z.B. auch über eine webbasierte bzw. Serverlösung "offline" erfolgen.
  • Eine weitere vorteilhafte Anwendung liegt in der Optimierung von Lösungen zum autonomen oder teilautonomen Fahren. Das System kann zur Kommunikation, insbesondere gefahrenstellenrelevanter Information aus der digitalen Gefahrenkarte, mit autonom oder teilautonom fahrenden Fahrzeugen genutzt werden und erlaubt auf dieser Grundlage eine gezielte Beeinflussung des autonomen oder teilautonomen Fahrverhaltens in Abhängigkeit von Gefahrenstellen, insbesondere unter Berücksichtigung von Relevanz- und/oder Gefahrenart- und/oder Kontextangaben und oder zwecks Beeinflussung der Routenauswahl. So kann das Fahrverhalten automatisch, gezielt und besser an Bereiche mit hohem Gefahrenpotential angepasst werden.
  • Hierbei können Daten die erfindungsgemäß generiert wurden, z.B. Daten aus der digitalen Gefahrenkarte bzw. mit dem System erkannte und/oder bewertete Gefahrenstellen, insbesondere als Bestandteil des "Operational Design Domain" (ODD: im Sinne von SAE INTERNATIONAL. Taxonomy and definitions for terms related to driving automation systems for on-road motor vehicles. SAE international, 2018, 4970. Jg., Nr. 724, S. 1-5) genutzt werden.
  • Hierbei können Daten die erfindungsgemäß generiert wurden auch besonders vorteilhaft zur Bestimmung und/oder Optimierung des ODD eines autonom fahrenden Fahrzeugs (AV), insbesondere eines autonom fahrenden Fahrzeugs vom Typ L3+, insbesondere eines unbegrenzten ODD eines L5-AV (vgl. SAE a.a.O.) genutzt werden.
  • Eine weitere vorteilhafte Anwendung liegt in der Bereitstellung von Trainings-Datensatzes für das Training eines Machine-Learning-Modells zur Vorhersage potentieller Gefahrenstellen, z.B. zur rekursiven Optimierung bzw. Erweiterung der Abdeckung in der digitalen Gefahrenkarte selbst.
  • Das resultierende Machine-Learning-Modell kann insbesondere auch in einer Simulation zur Verkehrsplanung genutzt werden. So können verbesserte Analysetools für Verkehrsplaner bzw. Behörden realisiert werden, welche eine Gefahrensimulation bereits bei der Planung ermöglichen bzw. deutlich verbessern können.
  • Die Erfindung betrifft schließlich auch ein Rechnersystem, insbesondere ein Cloud-Rechnersystem, umfassend eine Anordnung mit mindestens einem Prozessor und mindestens einem Speicher, wobei die Anordnung erfindungsgemäß eingerichtet bzw. konfiguriert ist um ein Verfahren auszuführen, mit zumindest den Merkmalen aus Anspruch 1 bzw. aus Anspruch 2 und ggf. auch gemäß einem der davon abhängigen Unteransprüche.
    • KURZE BESCHREIBUNG DER FIGUREN
  • Weitere Merkmale und Vorteile der Erfindung sind ohne Beschränkung des Schutzumfangs der nachfolgenden, Beschreibung eines bevorzugten Ausführungsbeispiels anhand der beiliegenden Figuren zu entnehmen. Hierbei zeigen:
    • FIG. 1 ein schematisches Grundkonzept zur Datenverarbeitung, insbesondere zur Bestimmung eines sog. Gefahrenscore für ein Verkehrswegenetz;
    • FIG. 2 zeigt ein Datenflussschema zur datentechnischen Veranschaulichung einer Ausführungsform des erfindungsgemäßen Verfahrens zur Früherkennung von Gefahrenstellen sowie des erfindungsgemäßen Rechnersystems;
    • FIG. 3 zeigt ein Flussdiagramm bzw. Ablaufdiagramm einer Ausführungsform des erfindungsgemäßen Verfahrens zur Früherkennung und Bewertung von Gefahrenstellen;
    • FIG. 4 zeigt rein beispielhafte User-Interface Ansichten einer App bzw. Webseite für gefahrenstellenbezogene Nutzereingaben die dem Rechnersystem bzw. Verfahren zugeführt bzw. von diesen erfasst werden; und
    • FIG. 5 zeigt eine beispielhafte Darstellung einer Gefahrenstellenkarte mit anhand von diskreten Gefahrenlevels angezeigten Gefahrenstellen.
    DETAILLIERTE BESCHREIBUNG ANHAND DER FIGUREN
  • FIG. 1 skizziert das zugrundeliegende Konzept einer Ausführungsform der Erfindung. Diese Ausführungsform sieht als ein Kernmerkmal die Verarbeitung und Analyse von Daten aus drei unabhängigen und unterschiedlichen Datenquellen für eine verkehrswegnetzweite Gefahrenstellenidentifizierung und/oder Gefahrenscore-Berechnung vor. Als erste Datenquelle werden Unfalldaten 1, insbesondere polizeilich und/oder durch Versicherungen registrierte Unfalldaten, herangezogen, die z.B. von den Polizeibehörden über IT-Systeme erfasst werden. Damit sind zumindest schwerwiegendere bereits geschehene Verkehrsunfälle abgedeckt, welche auch verschiedene Verkehrsteilnehmer betreffen können. Aus solchen Unfalldaten 1 allein lässt sich keine Aussage über Gefahrenstellen treffen, bei welchen noch kein Unfall aufgetreten ist. Des Weiteren wird bei leichteren Unfällen häufig die Polizei nicht informiert, sodass diese Unfallstellen in den Statistiken nicht auftauchen, bzw. die Erfassung solcher Unfälle durch Behörden ist nicht vorgeschrieben.
  • Eine resultierende Dunkelziffer von Bagatellunfällen sowie auch Beinaheunfälle und sonstige Konfliktsituationen sollen über zwei weitere Datenquellen aufgedeckt werden, nämlich einerseits über Gefahrenmeldungen der Verkehrsteilnehmenden in Form von Nutzereingabedaten 3 sowie über Sensordaten 2 (sog. Impulsdaten), welche aus Kraftfahrzeugen mit geeigneter Sensorik-Ausstattung und/oder von Smartphones, insbesondere bei kritischen Fahrmanövern (z.B. Ausweichen oder starkes Abbremsen) geliefert werden. Für die Generierung von Gefahrenmeldungen aus Nutzereingabedaten 3 wird eine Web-Plattform und/oder eine Smartphone-App bereitgestellt (vgl. FIG.4). Hier können Verkehrsteilnehmende für das gesamte Verkehrsnetz Gefahrenstellen auf einer digitalen Abbildung von Verkehrswegnetzen in Form einer digitalen, interaktiven Karte melden (siehe FIG. 4), kommentieren und bereits erfasste Gefahrenstellen validieren, falsifizieren und/oder bewerten. So können durch "Crowdsourcing" verkehrsnetzweit Gefahrenstellen identifiziert werden.
  • FIG. 2 zeigt ein prinzipielles Datenflussschema, anhand dessen der Ablauf einer Ausführungsform eines erfindungsgemäßen Verfahrens zur Identifizierung einer Gefahrenstelle in einer digitalen Abbildung von Verkehrswegenetzen, bzw. der sog. Gefahrenkarte, erläutert wird. Der Ansatz basiert auf dem in FIG. 1 dargestellten Konzept. Hier sind vier Datenquellen schematisch dargestellt in Form von digitalisierten georeferenzierten Unfalldaten 1, georeferenzierten Sensordaten 2, welche Sensoren generieren die von Verkehrsteilnehmern bzw. Fahrzeugen mitgeführt werden, georeferenzierten und auf potentielle Gefahrenstellen bezogene Nutzereingabedaten 3, sowie optionale, georeferenzierte Kontextdaten 4. Daten aus diesen Quellen 1, 2, 3, 4 werden von . von zumindest einem Rechnersystem z.B. einem Cloud-Computer-System 5 verarbeitet. Georeferenziert bedeutet vorliegend, dass den Daten zumindest eine auf die geographische Position bezogene Information zugeordnet ist, z.B. GPS-Koordinaten oder dgl.
  • Die digitalisierten georeferenzierten Unfalldaten 1 werden z.B. in Form einer Datenbank 1 dem Cloud-Computer-System 5 bereitgestellt. Diese georeferenzierten Unfalldaten 1 können vorab durch Behörden, wie z.B. Straßenverkehrsämtern und/oder Polizeibehörden, und/oder z.B. durch Versicherungen und/oder Fahrzeugvermietern erhoben bzw. erfasst worden sein und durch diese zur Verfügung gestellt worden sein, ggf. erfolgt hierzu eine Datenaufbereitung in geeignete vereinheitlichte Formate.
  • Die georeferenzierten Sensordaten 2 werden laufend und/oder sporadisch von dem Cloud-Computer-System 5 direkt oder indirekt erfasst, wobei diese georeferenzierten Sensordaten 2 von der Elektronik von am Verkehr teilnehmenden Fahrzeugen und/oder bevorzugt von Geräten, welche Verkehrsteilnehmer, wie z.B. Autofahrer, Fahrradfahrer oder E-Scooter-Fahrer, mitführen, insbesondere Smartphones, Smartwatches, Telematik-Tags, Navigationssysteme, IoT-Devices etc. generiert. Dabei umfassen die Sensordaten 2 (z.B. aus aus Gyroskop, Accelerometer, Magnetometer und Kamerasensoren) Bewegungswerte, insbesondere Beschleunigungswerte , und diesen zugeordnete Positionsangabedaten, z.B. GPS-Koordinaten. Die Sensordaten 2 können z.B. von einem oder mehreren nicht gezeigten Server erfasst werden, mit welchen das Cloud-Computer-System 5 kommuniziert. Des Weiteren können die Sensordaten 2 bevorzugt Zeitangaben bzw. Zeitstempel umfassen, welche den Zeitpunkt der Datengenerierung angeben. In vorteilhafter Ausführungsform können die Sensordaten 2 auch Information zu dem entsprechenden Verkehrsteilnehmertyp umfassen, die sich inhärent aus der Datenquelle ergibt, z.B. bei einem Kfz-Navigationssystem oder einem Telematik-System, oder durch selbige ergänzt werden z.B. eine Smartphone-APP. Georeferenzierten Sensordaten 2 können laufend, automatisch durch das System gesammelt werden.
  • Die georeferenzierten und auf potentielle Gefahrenstellen bezogenen Nutzereingabedaten 3 werden nutzerinitiiert oder systeminitiiert, mit oder ohne direkte Zeitbindung erhoben. Die Nutzereingabedaten 3 können ebenfalls über einen zwischengeschalteten Server (nicht gezeigt), z.B. einen Webserver erfasst werden, mit welchen das Cloud-Computer-System 5 kommuniziert. Die Eingabe kann von Nutzereingabedaten 3 kann durch einen Nutzer initiierbar sein. Diese Nutzereingabedaten 3 umfassen subjektive Information zu zumindest einer, zumindest für den Nutzer als solche wahrgenommene, potentielle Gefahrenstelle, die Information umfassend georeferenzierte Positionsangaben, z.B. GPS-Koordinaten der potentiellen Gefahrenstelle und/oder Information bezüglich der Gefahrenart der potentiellen Gefahrenstelle und/oder Information bezüglich einer Relevanz der potentiellen Gefahrenstelle für einen oder mehrere unterschiedliche Verkehrsteilnehmertypen.
  • Optionale georeferenzierte Kontextdaten 4 werden automatisch laufend und/oder sporadisch erfasst, wobei die Kontextdaten 4 temporäre Informationen, insbesondere zeitabhängige Information, wie z.B. Wetterdaten und/oder Information zur Verkehrslage und/oder Information zur Jahreszeit umfasst.
  • Das Cloud-Computer-System 5 verarbeitet die erfassten georeferenzierten Daten zur Ermittlung einer Gefahrenstelle auf Grundlage der den Daten zugeordneten georeferenzierten Positionsangaben. Wurde eine Gefahrenstelle ermittelt, so erzeugt bzw. ändert das Cloud-Computer-System 5 einen entsprechend Datensatz bzw. ein entsprechendes Datenobjekt in der Gefahrenkarte.
  • Weiterhin kann das Cloud-Computer-System 5 georeferenzierte auf eine Gefahrenstelle bezogene Warnmeldung bzw. Warnung 7, auslösen welche von Endgeräten 6, insbesondere wenn diese sich dieser Gefahrenstelle geographisch nähern, empfangen, interpretiert und insbesondere für einen Nutzer z.B. visuell und/oder akustisch ausgegeben werden kann. Die Information aus dem Cloud-Computer-System 5 kann ebenfalls zur Kommunikation mit autonom oder teilautonom fahrenden Fahrzeugen zwecks Beeinflussung des autonomen oder teilautonomen Fahrverhaltens in Abhängigkeit von Gefahrenstellen genutzt werden. Optional kann die Warnung 7 eine Nutzerabfrage auslösen, welche Endgeräte 6 dazu bringt den Nutzer nach einer Verifizierung, Falsifizierung und/oder nach einem Kommentar bezogen auf die Gefahrenstelle zu fragen. Die Nutzerantwort 8 auf eine derartige Nutzerabfrage kann von Endgeräten 6 an das Cloud-Computer-System 5 übermittelt werden, zur Verifizierung, Falsifizierung und/oder Bewertung der Gefahrenstellen. So können Nutzereingabedaten 3 und/oder Nutzerantworten 8 vom Cloud-Computer-System 5 dazu verarbeitet werden, um z.B. durch Sensordaten 2 bereits identifizierte Gefahrenstellen zu überprüfen und/oder um bereits identifizierte Gefahrenstellen zu modifizieren.
  • Gemäß einer Realisierung ist vorteilhaft vorgesehen, entsprechend der die Unterscheidung nach Verkehrsteilnehmertyp auch eine angepasste Art der Ausgabe der Information vorgenommen wird: die relevante Information z.B. kann wahlweise an die Verkehrsteilnehmer akustisch, visuell und/oder haptisch übertragen werden. Je nach Verkehrsbeteiligtem kommen hierfür unterschiedlichste Aktoren-Einheiten in Betracht z.B. Smartwatches, Smartphones, Lenkradgriffe, Warntongeber (Klingel/Hupe etc.) Beleuchtung außen am Fahrzeug, Innenbeleuchtung im Fahrzeug usw. Besonders bevorzugt ist insoweit eine vom Verkehrsteilnehmertyp abhängige automatische Einstellung der Ausgabeart und des Ausgabeaktors (z.B. akustisch und haptisch an Fußgänger und Fahrradfahrer per Smartphone), visuell und übertragen. Die Warnung kann auch an andere Verkehrsteilnehmer gerichtet sein und muss nicht den Systemnutzer selbst abzielen (z.B. automatische Fahrradklingel bei Queren eines Fussgängerübergangs).
  • FIG. 3 zeigt ein Ablaufdiagramm einer Ausführungsform eines erfindungsgemäßen Verfahrens zur Identifizierung und Verifizierung einer Gefahrenstelle durch georeferenzierte Informationen aus mehreren unterschiedlichen Datenquellen, insbesondere Unfalldaten 1 und Sensordaten 2 und Nutzereingabedaten 3, jeweils soweit vorhanden.
  • Im Ablauf nach FIG.3, ordnet Software in einem ersten Schritt 301 Informationen georeferenzierter Erkennungsdaten, Unfalldaten 1 und/oder Sensordaten 2 und/oder Nutzereingabedaten 3, entsprechend der georeferenzierten Positionsangaben, jeweils einem Segment der digitalen Karte zu.
  • Nach der Zuordnung der Informationen folgt in einem zweiten Schritt 302 ein Abgleich der einer georeferenzierten potentiellen Gefahrenstelle zugeordneten Informationen, insbesondere ein Abgleich von Informationen aus zumindest zwei verschiedenen Datenquellen 1, 2, 3. Wird ein vordefinierter Grad an Übereinstimmung der einer potentiellen Gefahrenstelle zugeordneten Informationen, z.B. aus zumindest zwei der drei unterschiedlichen Datenquellen 1, 2, 3, erreicht und/oder hinreichende Teilhäufigkeiten von kritischen Sensordaten 2 und/oder Nutzereingabedaten 3 erreicht und/oder wenn Informationen aus Unfalldaten 1 vorliegen, so kann mit einem dritten Schritt 303 fortgefahren werden. Da Informationen aus Unfalldaten 1 als behördlich validiert angesehen werden können, benötigen diese grundsätzlich keine Überprüfung und können als Grundlage für die Markierung bzw. Identifizierung (bereits bekannter) Gefahrenstellen genutzt werden.
  • Im dritten Schritt 303 wird ein Segment der digitalen Gefahrenkarte als Gefahrenstelle identifiziert und mit entsprechenden Daten im Datensatz bzw. Datenobjekt versorgt, u.a. mit einer Relevanzangabe dahingehend für welchen Verkehrsteilnehmertyp eine Gefahr droht, eine Gefahrenartangabe z.B. dahingehend, bei welchem Verkehrsverhalten Gefahr droht und eine Kontextangabe dahingehend, bei welchen Umwelteinflüssen bzw. Verkehrssituationen, an der Gefahrenstelle Gefahr droht. Zur Gewinnung dieser Daten können die Erkennungsdaten 1, 2, 3 und/oder zusätzliche Verkehrswegmetadaten, insbesondere umfassend Information bezüglich Wetterabhängigkeiten, Geschwindigkeitsrichtwertem, zeitabhängigem Verkehrsaufkommen etc. genutzt werden.
  • Wird im zweiten Schritt 302 der vordefinierte Grad an Übereinstimmung nicht erreicht und es existieren keine relevanten Unfalldaten 1, so folgt ein weiterer Prüfschritt 303'. Falls z.B. die Informationslage aus Sensordaten 2 oder Nutzereingabedaten 3 zu einem Segment, welchem keine Unfalldaten 1 zugeordnet sind, nicht hinreichend eindeutig ist, kann im Schritt 303' ein besonderer Datenabgleich erfolgen.
  • Im Schritt 303' werden insbesondere Nutzereingabedaten 2 und/oder Sensordaten 3 auf einen vordefinierten Grad an Merkmalsübereinstimmung bzw. Merkmalskorrelation untersucht. Das Rechnersystem 5 kann zwecks Früherkennung ein georeferenziertes Segment ohne Unfalldaten 1, als potentielle Gefahrenstelle identifizieren, wenn zu diesem Segment ein Datenabgleich der Sensordaten 3 hinreichende Merkmalsübereinstimmung bzw. Merkmalskorrelation mit Sensordaten 3 eines kritischen Ereignisses aufzeigt, was in einem weiteren Prüfschritt 304' geprüft wird.
  • Als Grundlage zum rechentechnischen Prüfen auf Merkmalsübereinstimmung bzw. Merkmalskorrelation kann z.B. durch das Rechnersystem 5 eine im Vorfeld erfolgte Klgestützte Mustererkennung genutzt werden, aufgrund derer eine Klassifizierung aller erfasster georeferenzierter Erkennungsdaten 1, 2, 3 in kritische Ereignisse erfolgt. Zur Mustererkennung kann eine an sich bekannte Technik genutzt werden, z.B. Mustererkennung mittels Dynamic Time Warping, Support Vector Machines, Random Forests und/oder künstlichen Neuronale Netzen (KNN).
  • Im Schritt 303' kann auf Grundlage einer so gewonnen Klassifizierung kann der Datenabgleich von Sensordaten 3 mit entsprechenden Daten zu klassifizieren kritischen Ereignissen erfolgen.
  • Ergibt die Abstimmung im Prüfschritt 304' dass hinreichende Merkmalsübereinstimmung bzw. Merkmalskorrelation vorliegt wird das Segment wiederum im dritten Schritt 303 als Gefahrenstelle identifiziert und mit entsprechenden Daten versorgt. Wir im Schritt 304' keine hinreichende Merkmalsübereinstimmung bzw. Merkmalskorrelation festgestellt kann dies z.B. zur Modelloptimierung im Schritt 305' genutzt werden.
  • Im dritten Schritt 303 können der georeferenzierten potentiellen Gefahrenstelle zusätzliche Informationen u.a. z.B. aus georeferenzierten Kontextdaten 4 zugeordnet werden. Ergänzend oder alternativ kann im dritten Schritt 303 wird eine Nutzeranfrage generiert, welche zumindest einen Nutzer dazu auffordert die potentielle Gefahrenstelle durch eine Eingabe 4 zu validieren.
  • In einem vierten Schritt 304 werden die Daten zum Segment gespeichert und es erfolgt eine Bewertung durch Errechnen eines Gefahrenscore. Hierfür kann der Gefahrenscore berechnet werden, indem dieser in Abhängigkeit einer Gewichtung der Erkennungsdaten ermittelt wird mit jeweils unterschiedlichem Gewicht für Unfalldaten 1, Sensordaten 2 und Nutzereingabedaten 3, insbesondere mit höherem Gewicht von Unfalldaten 1 gegenüber Nutzereingabedaten 3 und/oder höherem Gewicht von Nutzereingabedaten 3 gegenüber Sensordaten 1.
  • Nachfolgend kann in einem fünften Schritt 305 die Aktualisierung der Gefahrenkarte erfolgen.
  • Eine wichtige Datenquelle des erfindungsgemäßen Verfahrens sind Nutzereingabedaten 3. Versuche haben gezeigt, dass der Ansatz des sogenannten Crowdsourcings für eine proaktive Erfassung von Gefahrenstellen im Straßenverkehr grundsätzlich genutzt werden kann. Auf einer interaktiven Gefahrenstellenkarte, wie z.B. in FIG. 4 in Form einer App und einer Homepage dargestellt, können Nutzer Gefahrenmeldungen abgeben.
  • FIG. 4 zeigt eine Ausführungsform einer digitalen Gefahrenstellenkarte in einer App bzw. einer Homepage zur Generierung von Nutzereingabedaten 3, welche in einem erfindungsgemäßen Verfahren verwendbar ist (siehe FIG. 2 Bezugszeichen 3). Der Nutzer hat die Möglichkeit Information in Form einer Gefahrenrelevanz 401 (Relevanzangabe), einer Gefahrenart 402 (Gefahrenartangabe) sowie der genauen geographischen Position der Gefahrenstelle 405 (Georeferenzierung) anzugeben. Die Gefahrenrelevanz 401 gibt an für welche Verkehrsteilnehmertypen die Gefahrenstelle eine Gefahr darstellt. Des Weiteren bietet die Gefahrenstellenkarte die Möglichkeit auf eine Gefahrenstelle bezogene Kommentartexte 403 sowie Bilder 404 zu hinterlegen, sodass z.B. eine Gefahrenstelle für andere Nutzer nachvollziehbar beschrieben werden kann auch wenn dies z.B. ortsfremd sind und/oder um weitere Hinweise für etwaige Behörden/Ämter anzugeben. Diese Nutzereingabedaten 3 der Gefahrenstellenkarte können dann z.B. von einer Ausführungsform des erfindungsgemäßen Verfahrens nach FIG. 2 von dem Cloud-Computer-System 5 erhoben werden. Des Weiteren bietet eine Ausführungsform einer Gefahrenstellenkarte die Möglichkeit bereits identifizierte Gefahrenstellen zur Validierung und Modifizierung zu bewerten und/oder fordert einen Nutzer dazu auf eine identifizierte Gefahrenstelle zu validieren (siehe FIG. 2 Bezugszeichen 8). Die Markierung einer Gefahrenstelle durch Nutzereingabe auf der interaktiven Karte läuft z.B. in drei Hauptschritten ab: Zunächst markiert der Verkehrsteilnehmer die entsprechende Stelle auf der Karte und kann dann die Art der Gefahr bestimmen zum Beispiel ob die Stelle unübersichtlich ist oder schlechte Straßenverhältnisse bietet (402). Im zweiten Schritt kann dann ausgewählt werden, für wen die Stelle eine Gefahrenquelle bietet: z.B. Fußgänger, Radfahrer, Motorradfahrer sowie Kraftfahrzeugfahrer (Pkw-, Lkw- oder Busfahrer) und generiert so eine Gefahrenrelevanz 401 (Relevanzangabe). Im nächsten Schritt kann der genauere Gefahrenauslöser angegeben werden, wie zum Beispiel die unklare Verkehrsführung oder Wildwuchs am Fahrbahnrand. Weiterhin kann in der App bzw. Webseite (nicht gezeigt) vorgesehen sein, dass der Nutzer eine Kontextangabe dahingehend, bei welchen Umwelteinflüssen bzw. Verkehrssituationen, typischerweise an der Gefahrenstelle Gefahr droht.
  • FIG. 5 zeigt beispielhaft die mittels eines erfindungsgemäßen Verfahrens ermittelten Gefahrenlevel 502 in einer Gefahrenstellenkarte 500 für ein Stadtgebiet, wobei die ermittelten Gefahrenlevel 502 den Unfallhäufungsstellen 501, die von der Unfallkommission für den gleichen Zeitraum ermittelt wurden, gegenübergestellt sind. Die Gefahrenlevel sind farblich abgestuft: Je dunkler, umso gefährlicher ist ein Abschnitt bzw. ein Knotenpunkt. Die Unfallstellen bzw. Unfallhäufungsstellen sind als Kreise 501 dargestellt. Es ist zu sehen, dass Unfallstellen bzw. Unfallhäufungsstellen 501 nur einen Teil der als gefährlich identifizierten Straßenabschnitte und Knotenpunkte 502 abdecken. Zusätzlich variiert das Gefahrenlevel 503 zwischen 5 Stufen (von 1 bis 5) an den Unfallhäufungen 501. Somit wird nicht nur zwischen dem Vorhandensein einer gefährlichen Stelle und der Abwesenheit einer gefährlichen Stelle differenziert. Auf diese Weise können mit dem Gefahrenscore weitere Informationen über die Verkehrssicherheit ermittelt und für Nutzer ergonomisch dargestellt werden. Neben Gefahrenstellen, die unabhängig von Umfeldfaktoren zu jeder Zeit bestehen, gibt es Gefahrenstellen, die nur in bestimmten Kontextsituationen bestehen, z.B. bei Starkregen, nachts oder bei hoher Verkehrsstärke. Damit Warnungen nur in der entsprechenden Kontextsituation ausgegeben werden, wird die Datenbank mit weiteren Kontextdaten 4 wie Wetterdaten und Verkehrsdaten angereichert. So kann die Gefahrenbewertung mittels Gefahrenscore dynamisch die jeweilige Kontextsituation berücksichtigen und für die jeweiligen Nutzergruppen den optimalen Informationsgehalt vermitteln. Mittels einer, beispielhaft und auszugsweise in FIG. 5 dargestellten, Gefahrenstellenkarte 500 lassen sich die Ergebnisse der durch ein erfindungsgemäßes Verfahren ermittelten Gefahrenlevel 502 verifizieren und zeigen zugleich, dass die Unfalldaten 1 in Form von Unfallhäufungen (Kreis) 501 nicht ausreichen, um möglichst alle gefährlichen Stellen eines Verkehrswegnetzes zu identifizieren. Versuche zeigten, dass die mittels eines erfindungsgemäßen Verfahrens ermitteltet Gefahrenkarte unter anderem auch zur Früherkennung struktureller Gefahren im Straßenverkehr geeignet ist. Bezugszeichenliste
    FIG.1-3 304' zweiter Prüfschritt
    1 Unfalldaten 305' Optimierungsschritt
    2 Sensordaten FIG.4
    3 Nutzereingabedaten 401 Gefahrenrelevanz (Relevanzangabe)
    4 Kontextdaten
    5 Cloud-Computer-System 402 Gefahrenart (Gefahrenartangabe)
    6 Endgeräte 403 Kommentartext
    7 Warnung 404 Bild
    8 Nutzerantwort 405 Position der Gefahrenstelle (Georeferenzierung)
    FIG.3
    301 erster Schritt FIG.5
    302 zweiter Schritt 500 Gefahrenstellenkarte
    303 dritter Schritt 501 Unfallhäufungsstelle
    304 vierter Schritt 502 Straßenabschnitt/ Knotenpunkt
    305 fünfter Schritt 503 Gefahrenlevel
    303' erster Prüfschritt

Claims (16)

  1. Computergestütztes Verfahren zur frühzeitigen Erkennung von strukturellen Gefahrenstellen im Straßenverkehr anhand einer digitalen Verkehrswegnetz-Abbildung mittels eines Rechnersystems, das Verfahren umfassend die folgenden Schritte:
    - Bereitstellen einer digitalen kartenartigen Abbildung von mindestens einem Verkehrswegnetz, insbesondere umfassend Infrastrukturdaten, wobei die kartenartige Abbildung in einen Rechnerspeicher des Rechnersystems ladbar ist bzw. geladen wird;
    - Unterteilen der kartenartigen Abbildung in eine Vielzahl georeferenzierter Segmente von Verkehrswegen durch das Rechnersystems;
    - Bereitstellen von digitalisierten georeferenzierten Unfalldaten, umfassend statistische Unfalldaten, insbesondere in Form zumindest einer Datenbank, welche durch das Rechnersystem verarbeitbar sind;
    - Datenerheben, insbesondere durch das Rechnersystem, von georeferenzierten Nutzereingabedaten bezogen auf potentielle Gefahrenstellen;
    - Datenerfassen, insbesondere durch das Rechnersystem, von georeferenzierten Sensordaten bezogen auf Bewegungsmerkmale von Verkehrsteilnehmern, insbesondere basierend auf Beschleunigungsmesswerten, welche von Sensoren generierbar sind bzw. generiert werden, die von Verkehrsteilnehmern oder Fahrzeugen mitgeführt werden;
    - Zuordnen von Unfalldaten, Nutzereingabedaten und Sensordaten zu Segmenten, entsprechend jeweils diesen Daten zugehöriger Georeferenzierung, durch das Rechnersystem, sodass Segmente der kartenartigen Abbildung zugeordnete Erkennungsdaten, jeweils umfassend Unfalldaten, Sensordaten und/oder Nutzereingabedaten, aufweisen;
    - wobei das Rechnersystem zumindest für Segmente mit Erkennungsdaten zu diesen Erkennungsdaten jeweils eine Auswertung, umfassend mindestens eine Häufigkeitsermittlung und/oder einen Datenabgleich, durchführt und wobei das Rechnersystem zwecks Früherkennung ein georeferenziertes Segment mit Erkennungsdaten, welchem keine Unfalldaten zugeordnet sind, als potentielle Gefahrenstelle identifiziert,
    - wenn diesem Segment mit vorbestimmter Häufigkeit Nutzereingabedaten und Sensordaten zugeordnet worden sind;
    und/oder
    - wenn zu diesem Segment ein Datenabgleich von Nutzereingabedaten und/oder Sensordaten einen vordefinierten Grad an Merkmalsübereinstimmung bzw. Merkmalskorrelation aufzeigt; und
    - wobei das Rechnersystem als Gefahrenstelle identifizierte Segmente in der kartenartigen Abbildung kennzeichnet und diesen vorzugsweise einen rechentechnisch ermittelten Gefahrenscore zuordnet.
  2. Computergestütztes Verfahren zur Ermittlung eines Gefahrenscores einer georeferenzierten, strukturellen Gefahrenstelle in einer digitalen Verkehrswegnetz-Abbildung, insbesondere eines gemäß dem Verfahren nach Anspruch 1 als Gefahrenstelle identifizierten Segments, durch zumindest ein Rechnersystem, das Verfahren umfassend zumindest:
    - Datenerheben von georeferenzierten Nutzereingabedaten bezogen auf potentielle Gefahrenstellen;
    - Zuordnen von bereitgestellten georeferenzierten Unfalldaten, erhobenen georeferenzierten Nutzereingabedaten und erfassten georeferenzierten Sensordaten zu Segmenten, entsprechend jeweils diesen Daten zugehöriger Georeferenzierung, durch das Rechnersystem, sodass Segmente der kartenartigen Abbildung zugeordnete Erkennungsdaten, jeweils umfassend Unfalldaten, Sensordaten und/oder Nutzereingabedaten, aufweisen;
    - rechentechnisches Ermitteln eines Gefahrenscores für Segmente der kartenartigen Abbildung mit zugeordneten Erkennungsdaten durch Bewerten dieser Erkennungsdaten,
    - wobei der Gefahrenscore eines georeferenzierten Segments mit Erkennungsdaten, welchem keine Unfalldaten zugeordnet sind, in Abhängigkeit von zugeordneten Nutzereingabedaten ermittelt, insbesondere validiert bzw. relativ erhöht wird;
    und/oder
    - wobei der Gefahrenscore in Abhängigkeit einer Gewichtung der Erkennungsdaten ermittelt wird mit jeweils unterschiedlichem Gewicht für Unfalldaten, Sensordaten und Nutzereingabedaten, insbesondere mit höherem Gewicht von Unfalldaten gegenüber Nutzereingabedaten und/oder höherem Gewicht von Nutzereingabedaten gegenüber Sensordaten;
    - Zuordnen jeweils ermittelter Gefahrenscores zu den Segmenten mit zugeordneten Erkennungsdaten.
  3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass
    die bewegungsbezogenen Sensordaten ein Typmerkmal umfassen, welches angibt, von welchem Verkehrsteilnehmertyp die Sensordaten stammen und eine Unterscheidung von zumindest zwei verschiedenen Verkehrsteilnehmertypen, insbesondere Kraftfahrzeugen und Zweirädern, ermöglicht; und/oder
    zumindest für Segmente mit Erkennungsdaten zu diesen Erkennungsdaten, insbesondere zu Sensordaten mit Typmerkmal, jeweils eine informatische Mustererkennung, insbesondere KI-gestützte Mustererkennung, durchgeführt wird und eine Klassifizierung in kritische Ereignisse erfolgt, insbesondere durch das Rechnersystem, und
    der Datenabgleich von Nutzereingabedaten und/oder Sensordaten mit entsprechenden Daten zu klassifizieren kritischen Ereignissen erfolgt,
    wobei insbesondere das Rechnersystem zwecks Früherkennung ein georeferenziertes Segment mit Erkennungsdaten, welchem keine Unfalldaten zugeordnet sind, als potentielle Gefahrenstelle identifiziert, wenn zu diesem Segment ein Datenabgleich der Sensordaten hinreichende Merkmalsübereinstimmung bzw. Merkmalskorrelation mit Sensordaten eines kritischen Ereignisses aufzeigt.
  4. Verfahren nach Anspruch 1, 2 oder 3, dadurch gekennzeichnet, dass als Gefahrenstelle identifizierten Segmenten jeweils ein Datenobjekt zugeordnet wird, welches zumindest einen rechentechnisch ermittelten Gefahrenscore umfasst, wobei das Datenobjekt vorzugsweise weiterhin umfasst:
    - zumindest eine Relevanzangabe dahingehend für welchen bzw. welche von mehreren verschiedenen Verkehrsteilnehmertypen, insbesondere Fußgänger, Radfahrer oder Kraftfahrzeugführer, eine Gefahr droht, wobei die Relevanzangabe vorzugsweise aus den zugeordneten Erkennungsdaten bestimmt wird; und/oder
    - zumindest eine Gefahrenartangabe dahingehend, bei welchem Verkehrsverhalten, welcher Situation und/oder zwischen welchen Verkehrsteilnehmern an der Gefahrenstelle Gefahr droht, wobei die Gefahrenartangabe vorzugsweise aus den zugeordneten Erkennungsdaten bestimmt wird; und/oder
    - zumindest eine Kontextangabe dahingehend, bei welchen Umwelteinflüssen bzw. Verkehrssituationen, an der Gefahrenstelle Gefahr droht, wobei die Kontextangabe vorzugsweise bestimmt wird aus den zugeordneten Erkennungsdaten und/oder aus zusätzlichen Verkehrswegmetadaten, insbesondere umfassend Information bezüglich Wetterabhängigkeiten, Geschwindigkeitsrichtwertem, zeitabhängigem Verkehrsaufkommen oder dgl.; und/oder
    wobei jedes einer Gefahrenstelle zugeordnete Datenobjekt mehrere teilnehmertypenspezifische Gefahrenscores aufweist.
  5. Verfahren nach einem der Ansprüche 1 bis 4, insbesondere nach Anspruch 3 oder 4, dadurch gekennzeichnet, dass
    das rechentechnische Ermitteln eines Gefahrenscores jeweils teilnehmertypenspezifisch bzw. in Abhängigkeit des Verkehrsteilnehmertyps erfolgt, und jeder ermittelte Gefahrenscore genau einem von mehreren vordefinierten Verkehrsteilnehmertypen zugeordnet wird; und/oder
    die Gefahrenscores mit dem Segment bzw. Datenobjekt mehrdimensional auf teilnehmertypspezifischen Achsen verknüpft sind; und/oder
    das Datenerheben von georeferenzierten Nutzereingabedaten bezogen auf potentielle Gefahrenstellen laufend und/oder sporadisch über eine Internet-Schnittstelle des Rechnersystems erfolgt, welche mit mindestens einem Server, insbesondere Webserver, verbunden ist, der eine Nutzerschnittstelle für Nutzereingabedaten bereitstellt.
  6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass
    das Unterteilen der kartenartigen Abbildung in eine Vielzahl georeferenzierter Segmente ein variables Unterteilen in Segmente unterschiedlicher geographische Länge umfasst, insbesondere in Abhängigkeit von Verkehrsweginfrastruktur und/oder in Abhängigkeit von zugeordneten Erkennungsdaten und/oder in Abhängigkeit identifizierter Gefahrenstellen, sodass eine hinreichende örtliche Diskriminierung von Gefahrenstellen erfolgt; und/oder das Zuordnen von Unfalldaten, Sensordaten und Nutzereingabedaten zu einzelnen Segmenten das Ermitteln eines geographischen Abstands zwischen den Erkennungsdaten aus deren Georeferenzierung umfasst und die Zuordnung auf Grundlage relativer Abstände erfolgt.
  7. Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass zum Datenerfassen Sensordaten basierend auf Beschleunigungsmesswerten aus unterschiedlichen Quellen erfasst werden, insbesondere Sensordaten eines ersten Typs, welche aus Sensorwerten aus der Fahrzeugausrüstung, insbesondere Fahrzeugsensorik bzw. Telematikausrüstung, von Fahrzeugen, insbesondere von Kraftfahrzeugen, generiert werden, sowie zumindest Sensordaten eines zweiten Typs, welche aus Sensorwerten von Beschleunigungssensoren in von Verkehrsteilnehmern mitgeführten, tragbaren Mobilgeräten, insbesondere Smartphones, generiert werden; und/oder die Sensordaten vorzugsweise mit Zeitstempeln versehen sind, wobei die Zeitstempel beim Datenabgleich hinsichtlich eines vordefinierten Grads an Merkmalsübereinstimmung bzw. an Merkmalskorrelation genutzt werden, insbesondere dahingehend ob die Zeitstempel innerhalb eines vordefinierten Zeitbereichs voneinander zeitlich beabstandet sind oder tageszeitbezogen korrelieren.
  8. Verfahren nach einem der Ansprüche 1 bis 7, insbesondere nach Anspruch 7, dadurch gekennzeichnet, dass
    georeferenzierten Sensordaten durch eine anwendungsspezifische Smartphone-Applikation zur Erkennung von potentiellen Gefahrenstellen bereitgestellt werden, wobei
    - die Smartphone-Applikation vorzugsweise eingerichtet ist, potentiell sicherheitskritische Ereignisse zu erkennen, insbesondere auf Grundlage einer Überschreitung von Beschleunigungsschwellwerten, und georeferenzierte Sensordaten lediglich zu potentiell sicherheitskritischen Ereignissen bereitstellt, wobei die bereitstellten Sensordaten vorzugsweise Informationen zum Bewegungsverhalten innerhalb eines Zeitfensters um das sicherheitskritische Ereignis enthalten; und/oder
    - die Smartphone-Applikation eine Schnittstelle für georeferenzierte Nutzereingabedaten bezogen auf potentielle Gefahrenstellen bereitstellt.
  9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass
    - die Smartphone-Applikation bei Erkennung eines potentiell sicherheitskritischen Ereignisses entsprechenden Sensordaten zugehörige GPS-Koordinaten zur Georeferenzierung, sowie vorzugsweise zumindest einen Zeitstempel zuordnet und mit den Sensordaten dem Rechnersystem übermittelt;
    - die Smartphone-Applikation, insbesondere bei Erkennung eines potentiell sicherheitskritischen Ereignisses und/oder bei Erkennung örtlicher Nähe zu einem als potentielle Gefahrenstelle identifizierten Segments, den Nutzer zur Eingabe von Nutzereingabedaten auffordert, umfassend zumindest eine Bestätigung hinsichtlich des Bestehens einer Gefahrenstelle, vorzugsweise weiterhin zur Eingabe einer Relevanzangabe bzgl. betroffener Verkehrsteilnehmertypen und/oder einer Gefahrenartangabe und/oder einer Kontextangabe und die Nutzereingaben als Nutzereingabedaten mit den Sensordaten dem Rechnersystem übermittelt; und/oder
    - die Smartphone-Applikation auf Grundlage eines mittels integrierten Beschleunigungssensor ermittelten Bewegungsprofils zu einem potentiell sicherheitskritischen Ereignis eine Relevanzangabe bzgl. betroffener Verkehrsteilnehmertypen bereitstellt und mit den Sensordaten dem Rechnersystem übermittelt.
  10. Verfahren nach einem der vorangegangenen Ansprüche, gekennzeichnet durch rechentechnisches Ermitteln eines Gefahrenscores für eine identifizierte Gefahrenstelle durch Berechnen, wobei das Berechnen eine Gewichtung von georeferenziert zugeordneten Sensordaten unter Verwendung vordefinierter Gewichtungsfaktoren umfasst, und wobei vorzugsweise zumindest einige georeferenzierte Sensordaten eines ersten Typs in Abhängigkeit eines vordefinierten Grades an Übereinstimmung mit Merkmalen georeferenziert zugeordneter Nutzereingabedaten und/oder weiteren georeferenziert zugeordneten Sensordaten eines zweiten Typs gewichtet werden;
    und/oder
    rechentechnisches Ermitteln eines Gefahrenscores für eine identifizierte Gefahrenstelle durch Berechnen, wobei das Berechnen die Verarbeitung mittels einer Kl, insbesondere unter Anwendung eines neuronalen Netztes und/oder Mustererkennung durch das zumindest eine Rechnersystem, unter Berücksichtigung ereignisbezogener Merkmale der Infrastrukturdaten, umfasst.
  11. Verfahren nach einem der vorangegangenen Ansprüche, insbesondere nach Anspruch 4, gekennzeichnet durch rechentechnisches Bestimmen zumindest einer Gefahrenartangabe zu jeder identifizierten Gefahrenstelle, wobei die Gefahrenartangabe aus Informationen von dem Segment zugeordneten Infrastrukturdaten und/oder Sensordaten und/oder Unfallmeldungen und/oder Nutzereingabedaten, vorzugsweise aus einer Kombination von Informationen aus zumindest zwei verschiedenen dieser Daten bestimmt wird.
  12. Verfahren nach einem der vorangegangenen Ansprüche, gekennzeichnet durch
    - Zuordnen eines Gefahrenlevels aus einer Anzahl diskreter Gefahrenlevel zu jedem Gefahrenscore, wobei jedem Gefahrenlevel ein vordefinierter Wertebereich des Gefahrenscores zugeordnet ist; und/oder
    - rechentechnisches Ermitteln mehrerer Gefahrenscores für eine identifizierte Gefahrenstelle in Abhängigkeit jeweiliger Relevanzangaben dahingehend für welchen bzw. welche von mehreren verschiedenen Verkehrsteilnehmertypen, insbesondere Fußgänger, Radfahrer oder Kraftfahrzeugführer, eine Gefahr droht und Zuordnen eines jeweiligen Gefahrenscores zu verschiedenen Verkehrsteilnehmertypen.
  13. Verfahren nach einem der vorangegangenen Ansprüche, gekennzeichnet durch
    - schrittweises Aktualisieren der in der digitalen Abbildung von Verkehrswegenetzen umfassten Daten, insbesondere der Gefahrenscores, wenn eine vorbestimmte Menge weiterer Sensordaten erfasst und/oder eine vorbestimmte Menge weiterer Nutzereingabedaten erhoben wurde; und/oder
    - durch angepasste Datenerfassung von georeferenzierten Sensordaten, bezogen auf das Bewegungsverhalten eines Verkehrsteilnehmers, insbesondere mit erhöhter Sensitivität bzw. Intensität, bei Erkennung örtlicher Nähe des Verkehrsteilnehmers zu einem bereits als potentielle Gefahrenstelle identifizierten Segments.
  14. Rechnersystem, insbesondere Cloud-Rechnersystem, umfassend eine kartenartige digitale Verkehrswegnetz-Abbildung, welche gemäß einem Verfahren nach einem der vorstehenden Ansprüche 1 bis 13 als Gefahrenstellen identifizierte Segmente mit Gefahrenscore aufweist.
  15. Verfahren zur Erzeugung von gefahrenstellenbezogenen Warnmeldungen an Verkehrsteilnehmer, wobei mit dem Rechnersystem nach Anspruch 14 kommunizierende Endgeräte, insbesondere Smartphones und/oder Navigationsgeräte, bei Erkennung örtlicher Nähe zu einem als Gefahrenstelle identifizierten Segment eine Warnmeldung ausgeben, insbesondere eine Warnmeldung umfassend eine Relevanzangabe und/oder Gefahrenartangabe und/oder eine Kontextangabe.
  16. Verwendung des Rechnersystems nach Anspruch 14
    - zur Ermittlung verkehrstechnisch sicherer Routenoptionen in einem Navigationssystem, insbesondere ergänzend zu vom Navigationssystem ermittelten schnellen und/oder ökologischen Routenoptionen; oder
    - zur Kommunikation mit autonom oder teilautonom fahrenden Fahrzeugen zwecks Beeinflussung des autonomen oder teilautonomen Fahrverhaltens in Abhängigkeit von Gefahrenstellen, insbesondere unter Berücksichtigung von Relevanz- und/oder Gefahrenart- und/oder Kontextangaben und oder zwecks Beeinflussung der Routenauswahl; oder
    - zur Bestimmung und/oder Optimierung des ODD eines autonom fahrenden Fahrzeugs (AV), insbesondere eines autonom fahrenden Fahrzeugs vom Typ L3+, insbesondere in einem unbegrenzten ODD eines L5-AV; oder
    - zur Bereitstellung eines Datensatzes für das Training eines Machine-Learning-Modells zur Vorhersage potentieller Gefahrenstellen, wobei das Machine-Learning-Modell insbesondere zur Optimierung der kartenartigen digitale Verkehrswegnetz-Abbildung und/oder in einer Simulation zur Verkehrsplanung genutzt wird.
EP23161919.8A 2022-03-14 2023-03-14 Verfahren und systeme zur früherkennung und bewertung von strukturellen gefahrenstellen im strassenverkehr Pending EP4246487A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022105919.7A DE102022105919A1 (de) 2022-03-14 2022-03-14 Verfahren und Systeme zur Früherkennung und Bewertung von strukturellen Gefahrenstellen im Straßenverkehr
LU102919A LU102919B1 (de) 2022-03-14 2022-03-14 Verfahren und Systeme zur Früherkennung und Bewertung von strukturellen Gefahrenstellen im Straßenverkehr

Publications (1)

Publication Number Publication Date
EP4246487A1 true EP4246487A1 (de) 2023-09-20

Family

ID=85570002

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23161919.8A Pending EP4246487A1 (de) 2022-03-14 2023-03-14 Verfahren und systeme zur früherkennung und bewertung von strukturellen gefahrenstellen im strassenverkehr

Country Status (1)

Country Link
EP (1) EP4246487A1 (de)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010055370A1 (de) * 2010-12-21 2012-06-21 Daimler Ag Verfahren zum Erstellen und zur Nutzung einer Gefahrenkarte eines Kraftfahrzeug-Navigationssystems
US20160379485A1 (en) * 2015-06-25 2016-12-29 Here Global B.V. Method and apparatus for providing safety levels estimate for a travel link based on signage information
US20170241791A1 (en) * 2016-02-24 2017-08-24 Allstate Insurance Company Risk Maps
DE102019203405A1 (de) 2019-03-13 2020-04-16 Audi Ag Verfahren zur Warnung vor Gefahren im Straßenverkehr und Fahrerassistenzsystem
DE102019209294A1 (de) * 2019-06-26 2020-06-25 Zf Friedrichshafen Ag Verfahren zur Verbesserung der Sicherheit im Strassenverkehr
DE102020108531A1 (de) 2020-03-27 2020-08-20 Daimler Ag Verfahren zur Identifizierung potentieller Gefahrenstellen
US20210181753A1 (en) * 2018-06-25 2021-06-17 Allstate Insurance Company Preemptive Logical Configuration of Vehicle Control Systems

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010055370A1 (de) * 2010-12-21 2012-06-21 Daimler Ag Verfahren zum Erstellen und zur Nutzung einer Gefahrenkarte eines Kraftfahrzeug-Navigationssystems
US20160379485A1 (en) * 2015-06-25 2016-12-29 Here Global B.V. Method and apparatus for providing safety levels estimate for a travel link based on signage information
US20170241791A1 (en) * 2016-02-24 2017-08-24 Allstate Insurance Company Risk Maps
WO2017146790A1 (en) 2016-02-24 2017-08-31 Allstate Insurance Company Risk maps
US20210181753A1 (en) * 2018-06-25 2021-06-17 Allstate Insurance Company Preemptive Logical Configuration of Vehicle Control Systems
DE102019203405A1 (de) 2019-03-13 2020-04-16 Audi Ag Verfahren zur Warnung vor Gefahren im Straßenverkehr und Fahrerassistenzsystem
DE102019209294A1 (de) * 2019-06-26 2020-06-25 Zf Friedrichshafen Ag Verfahren zur Verbesserung der Sicherheit im Strassenverkehr
DE102020108531A1 (de) 2020-03-27 2020-08-20 Daimler Ag Verfahren zur Identifizierung potentieller Gefahrenstellen

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
B. RYDERA. DAHLINGER ET AL.: "Spatial prediction of traffic accidents with critical driving events - Insights from a nationwide field study", TRANSPORTATION RESEARCH PART A: POLICY AND PRACTICE, vol. 124, 2019

Similar Documents

Publication Publication Date Title
DE102017217297B4 (de) System zur Erzeugung und/oder Aktualisierung eines digitalen Modells einer digitalen Karte
EP3438901A1 (de) Testfahrtszenario-datenbanksystem für realitätsnahe virtuelle testfahrtszenarien
DE102016220913A1 (de) Verfahren und Vorrichtung zur Generierung von Testfällen für autonome Fahrzeuge
DE102013205392A1 (de) Backend für Fahrerassistenzsysteme
EP2149132A1 (de) Verfahren und vorrichtung zur erkennung von verkehrsrelevanten informationen
DE10056756A1 (de) Fahrerkonditionierung durch Fahrtinformationen über die Fahrzeuge in einem lokalen verkehrlichen Umfeld
WO2021191051A1 (de) VERFAHREN UND EINE VORRICHTUNG ZUR IDENTIFIZIERUNG POTENTIELLER GEFAHRENSTELLEN IM STRAßENVERKEHR
DE102018221054A1 (de) Verfahren zum Bereitstellen von Kartendaten in einem Kraftfahrzeug, Kraftfahrzeug und zentrale Datenverarbeitungseinrichtung
DE102012004625A1 (de) Verfahren und Vorrichtung zur Aktualisierung und Anpassung von Karteninformationen in einem Navigationssystem
DE102013107960B4 (de) Verfahren zur Aktualisierung einer Datenbasis sowie Einrichtung und Computerprogramm
WO2024002589A1 (de) Verfahren zur ermittlung und bereitstellung von fahrspurverläufen
DE102016215825A1 (de) Verfahren zum externen Bereitstellen von Kartendaten für Assistenzsysteme von Kraftfahrzeugen
EP4238077A1 (de) Verfahren zur bereitstellung von informationen über verkehrsteilnehmer
EP3811035B1 (de) Verfahren zum verifizieren von sensoren eines sensornetzwerks und sensornetzwerk
DE102019000403A1 (de) Verfahren zumindest zur Ausgabe einer Warnung vor einer Gefahrenstelle
LU102919B1 (de) Verfahren und Systeme zur Früherkennung und Bewertung von strukturellen Gefahrenstellen im Straßenverkehr
EP4246487A1 (de) Verfahren und systeme zur früherkennung und bewertung von strukturellen gefahrenstellen im strassenverkehr
DE102022105919A1 (de) Verfahren und Systeme zur Früherkennung und Bewertung von strukturellen Gefahrenstellen im Straßenverkehr
DE102017217299A1 (de) Verfahren und Einrichtung
DE102012219695A1 (de) Verfahren zum Gewinnen, Bereitstellen und Anwenden von streckenbezogenen Fahrzeugdaten und Vorrichtung hierfür
DE102020211477A1 (de) Verfahren zum Bewerten eines Fahrverhaltens eines Kraftfahrzeugs
DE102016009199B4 (de) Verfahren zum Betreiben einer Datenerfassungseinheit zum Erfassen von mindestens einem Steuerungsereignis einer Steuerungvorrichtung eines Kraftfahrzeugs sowie eine Datenerfassungseinheit und eine Datenverarbeitungseinheit
EP3844936B1 (de) Anfordern, analysieren und übermitteln von daten der fahrerassistenzsysteme eines fahrzeugs an einen externen nutzer
DE102022102780B4 (de) Verfahren und System zur Erkennung von unerlaubten Fahrzeug-Überholvorgängen in einer Überholverbotszone eines Fahrwegs
DE112022002882T5 (de) Fahrzeugsteuersystem und elektronische steuervorrichtung

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230314

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR