WO2010097325A1 - Verfahren und vorrichtung zur störfallerkennung auf einer strassenstrecke - Google Patents

Verfahren und vorrichtung zur störfallerkennung auf einer strassenstrecke Download PDF

Info

Publication number
WO2010097325A1
WO2010097325A1 PCT/EP2010/052051 EP2010052051W WO2010097325A1 WO 2010097325 A1 WO2010097325 A1 WO 2010097325A1 EP 2010052051 W EP2010052051 W EP 2010052051W WO 2010097325 A1 WO2010097325 A1 WO 2010097325A1
Authority
WO
WIPO (PCT)
Prior art keywords
road
feature data
vehicles
vehicle
time
Prior art date
Application number
PCT/EP2010/052051
Other languages
English (en)
French (fr)
Inventor
Sebastian Althen
Cai-Nicolas Ziegler
Georg Kinnemann
Tobias Layer
Andrea Ghio
Martin Kessner
Original Assignee
Siemens Aktiengesellschaft
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 DE200910010812 external-priority patent/DE102009010812A1/de
Priority claimed from DE200910010806 external-priority patent/DE102009010806A1/de
Application filed by Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Publication of WO2010097325A1 publication Critical patent/WO2010097325A1/de

Links

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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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

Definitions

  • the invention relates to a method for accident detection on a road section according to the preamble of patent claim 1 and a device for accident detection on a road section according to the preamble of patent claim 16.
  • Road networks also include roads that have increased surveillance requirements for traffic safety reasons. Special attention is given to roads that run through tunnels or over bridges and have potential for particularly serious traffic accidents. Such roads with high security requirements are usually monitored video to detect as early as possible incidents on these roads.
  • TSD Tunnel Video Surveillance
  • the invention is therefore based on the object to provide a method and an apparatus of the type mentioned, with the help of a less complex but reliable accident detection is possible.
  • the problem is solved by a generic method for accident detection on a road with the features specified in the characterizing part of claim 1. Accordingly, video images of vehicles are picked up on passage of one of the tracks, characteristic data for identifying vehicles imaged thereon are determined from the recorded video images, and the number of vehicles located on the road section is determined by adjusting the feature data determined at the track ends.
  • the present invention assumes that incidents on the road route can be detected via the current number of vehicles on the road. To increase the reliability of the particular number of vehicles, the present invention goes beyond the mere accounting of vehicles entering and leaving the road by identifying vehicles at the ends of the tracks by evaluating the recorded video images.
  • the automatic number plate recognition known per se with the official motor vehicle license plate is suitable as feature data suitable for identifying a vehicle.
  • the vehicle balance is thus based on the recognition of a vehicle when leaving the road, which was previously detected when entering the road.
  • their characteristic data for identification is also known.
  • the microscopic feature data is vehicle data, of which at least one part is suitable for recognizing an individual individual vehicle, which has entered the road at the first end of the journey, at its exit at the second end of the journey.
  • feature data that is obtained by evaluating digital video images that are recorded by vehicles when the track ends pass are suitable for this purpose.
  • Feature data for identifying vehicles imaged thereon can also be determined from the recorded video images.
  • the feature data records and in particular the number of vehicles currently on the road route can be determined.
  • the present invention assumes that incidents on the road route can be detected by an evaluation of the vehicles currently on the road route, more precisely their characteristic data records.
  • the present invention can go beyond the mere accounting of vehicles entering and leaving the road by recognizing or recognizing individual individual vehicles at the ends of the tracks by evaluating the recorded video images.
  • a travel time of a vehicle is measured beginning with its entry into the road and given an upper time limit for the travel time, with an exceeding of the time limit is reported, if they exceeded the exit of the vehicle from the road becomes. It is assumed that the exceeding of the time limit is based on an accident in the form of an accident or a traffic jam on the road. Such an accident report can, for example, be displayed to the monitoring personnel in a tunnel control center. The monitoring personnel can then verify the incident and if necessary trigger further action.
  • the upper time limit for the travel time is adjusted accordingly. With low traffic volumes and average high entry speeds, the upper time limit is reduced because the expected travel time is shorter than with high traffic volumes with correspondingly lower mean speeds. This dynamic and traffic-dependent specification of the upper time limit helps to avoid false alarms.
  • Retraction speed specified and reported below the speed limit An accident, such as a traffic jam on the road, may also be indicated by a low entry speed at which jammed vehicles enter the road.
  • a message of exceeding or falling below one or more limits triggers an alarm in a command center and / or a driving of the traffic on and / or off the road link influencing signal and / or change sign.
  • measures are triggered in the event of a detected incident.
  • a measure can be the triggering of an alarm in a command center, for example the police, the fire brigade or an ambulance service.
  • Another measure consists in the control of a signal transmitter arranged, for example, at the tunnel entrance, which can emit light signals for blocking a lane or a request arrow for changing lanes.
  • Another measure provides for the control of a change sign of a arranged on or before entering the roadside traffic sign, which can indicate a speed limit or warnings.
  • macroscopic characteristic data related to the passing traffic flow of vehicles are recorded at the end of the passage of a vehicle and assigned to the feature data record of the vehicle.
  • the combination of microscopic and macroscopic traffic data increases the information content of the feature data sets of vehicles on the road and can thus increase the reliability of the accident detection in the evaluation of these feature data by the decision model.
  • a traffic intensity and / or an average speed of the traffic flow at the respective end of the route and / or a ratio of the traffic intensities at both ends of the route are detected as macroscopic feature data.
  • counting and speed values of vehicle detectors are aggregated over specific time intervals.
  • the traffic volume indicates an average number of passing vehicles per unit of time.
  • the mean velocity is obtained by averaging the individual velocities measured during the time interval.
  • the essential traffic flow data of the track ends can be linked to one another in order to obtain information about the traffic flow present on the entire road route, for example a ratio of the traffic volumes at both ends of the track can be recorded.
  • color data and / or shape data and / or characteristic data and / or speed data and / or class data and / or environmental data of a vehicle are recorded as microscopic feature data.
  • feature data of individual vehicles can be obtained by means of image evaluation algorithms known per se. These include the color or color combinations of a vehicle, the outer shapes including the size of a vehicle, the character content of a license plate printed on a license plate of a vehicle, the current speed of a vehicle, the assignment of a vehicle to a vehicle class over the length or number on axles or trailers, but also the environment of a vehicle, such as the vehicle body, with which the vehicle moves in the flow of traffic.
  • the feature data sets of those preceding and / or following vehicles are detected as environment data of a vehicle, which pass the first end of the journey within a predeterminable time period before or after the passage time of the vehicle.
  • environment data of a vehicle which pass the first end of the journey within a predeterminable time period before or after the passage time of the vehicle.
  • a characteristic data record of a vehicle on the road is assigned a counting variable, which is increased by one each time a vehicle retracted later extends out of the road.
  • the count variable thus indicates the number of vehicles that have overtaken a certain vehicle still on the road and have already left the road. The larger this number becomes, the more likely the vehicle under consideration is left on the road or involved in an accident.
  • a time-variable is assigned to a characteristic data record of a vehicle on the road, which indicates the time since a vehicle which had entered the road immediately before and / or after the given vehicle the road stretch is extended.
  • the time since the first of those vehicles that have later entered the road as a considered vehicle has left the road also indicates a measure of the presence of an accident.
  • the time variable roughly indicates how long the expected passage time of the vehicle in question has already occurred at the second end of the journey.
  • the feature data sets of vehicles on the road are evaluated according to the invention by means of a decision model generated by machine learning and trained in a learning phase.
  • the artificial generation of knowledge from experi- ence is generally understood as meaning learning, for which the term "machine learning” is commonly used.
  • machine learning is implemented using algorithms such as automatic classification or generating a model from a given set of inputs that describes the inputs and allows for predictions
  • the goal of forecasting problems is the development of a mathematical decision model with the help of which the expected output can be determined from a given input Data mining, whereby the translated into German expression "data mining" is not common.
  • the decision model comprises a decision-making function into which at least one feature data record is entered and a decision value is output on the occurrence of a fault.
  • the variable inputs of the decision function are thus the various micro- and macroscopic feature data including the count and time variables of a feature data set, the decision function outputs a binary decision - ie presence or absence of an accident.
  • the decision function is formed by a classification algorithm based in particular on a decision tree, wherein first a learning algorithm is applied which is applied to historical feature data sets with associated accident decisions
  • Recognizing structures that allows an evaluating algorithm to evaluate a newly acquired feature record for the presence of an incident on the roadway.
  • classification methods construct models by means of which information objects can be assigned to predefined classes on the basis of object- and environment-specific properties.
  • Mathematical methods, which are helpful in setting up classification models, stem from classical statistics as well as machine learning. Examples include Decision Trees or Support Vector Machines. Decision trees are a special representation of decision rules. They illustrate successive, hierarchical decisions. Decision trees are trees in which everyone
  • Branching the branching possibilities are provided with probabilities.
  • Automatic or mechanical classification means the generation of a learning algorithm which, applied to known or already classified cases - the so-called database - calculates structures.
  • the newly learned structures make it possible for the evaluating algorithm to assign a new and previously unknown case to one of the known target classes on the basis of the observed attributes and their characteristics.
  • historical feature data records with associated accident decisions for the learning phase are obtained from a simulation of vehicle traffic on the road section.
  • Today available traffic simulation methods Ren can specify and influence individual vehicles on a road, so that very realistic traffic data are generated.
  • the accident detection device comprises means for detecting microscopic feature data related to each passing individual vehicle at the track ends and for summarizing the feature data with a respective passage time of the vehicle into a feature data set.
  • the detection means may be formed by video cameras for receiving passing vehicles.
  • the device comprises means for determining feature data records currently on the roadway vehicles by matching the feature data sets of entering and exiting the road in vehicles. These are set up to determine feature data for identifying vehicles imaged thereon from the recorded video images.
  • the device also includes means for closing to the presence of an incident on the road by evaluating feature data sets of vehicles currently on the road.
  • the means are designed to determine the number of vehicles currently on the road route from the feature data records and to report an exceeding of a predetermined upper number limit for the number of vehicles on the road route.
  • FIG. 1 shows a device according to the invention for incident detection on a road and
  • FIG. 2 shows a decision tree based on a classification algorithm, which represents the decision function
  • a road S of a road network runs through a tunnel T.
  • a first end 10 and a second end 20 located downstream limit the road S in the area of an entrance or exit of the tunnel T.
  • Vehicles F move on the two-lane road S different vehicle classes and at different speeds, so that an order of entering into the road S S vehicles F due to overtaking must not match with a sequence of out of the road S vehicles F out.
  • a video camera 11 and a vehicle detector 13 designed as a double induction loop per lane are arranged in the region of the first link end 10, a video camera 12 and a vehicle detector 23 correspondingly in the region of the second link end 20 21 recorded digital video images of the first and second end of the track 10 and 20 passing vehicles F are evaluated in means 12 and 22, respectively, in order to obtain microscopic feature data m F of individual vehicles F.
  • image evaluation algorithms known per se the video images are used to obtain data on features from the group form, color,
  • Identified license plate, speed, vehicle class and environment of a vehicle are combined to form a feature data record M F of the vehicle F, which also includes the respective passage time tio or t2o of the vehicle F at the first and second travel ends 10 and 20.
  • Some of the microscopic feature data m F are even suitable for identifying the vehicle F.
  • the vehicle detectors 13 and 23 generate counts when the passage of a vehicle F is detected. Furthermore, the vehicle detector 13 or 23 measures the speed with which the detected vehicle F passes the first and second link ends 10 and 20, respectively. From the individual values or measurements averaged over a period of time, the average traffic intensities and the average speeds at the ends 10 and 20 are determined. In addition, the quotient of the traffic intensities at the two ends of the track 10 and 20 is formed.
  • These data describing the traffic flow on the road S are referred to as macroscopic feature data m and also assigned to the feature data record M F.
  • the feature data records M F recorded at the ends of the tracks 10 and 20 are transmitted for adjustment to a monitoring center 30 for the road stretch S.
  • the monitoring center 30 comprises database means 31, which feature data records M F are transferred from vehicles F entering the road S. These form in the database means 31 a kind of monitoring queue of retracted into the road S S vehicles F. Furthermore, the monitoring center 30 comprises balancing means 32, are transferred to the feature data sets M F of extended from the road S vehicles F.
  • the matching means 32 access the database means 31 in order to check whether a transferred feature data record M F corresponds to one from the database means 31.
  • the adjustment means 32 may have a time window for the expected travel time of a person entering the road S
  • Vehicle F are supplied.
  • the time window is calculated based on the entry speed measured by the vehicle detector 13.
  • This travel time or exit time window of each feature data record M F of incoming vehicles F is used to balance the matching of a feature data record M F of an extended vehicle F with feature data records M F of vehicles F retracted in accordance with the required travel time. If correspondence is detected, the corresponding characteristic data record M F removed from the database means 31, so that it always contains the feature data sets M F all currently on the road S S vehicles.
  • To determine the correspondence of two feature data sets M F not all feature data m F or m must match. Since it may happen that not all feature data are recorded, rules can be used here as to when a correspondence is considered as established and when not. For example, when comparing the feature data sets M F a recognized license plate number higher
  • the feature data sets M F of the vehicles F currently located on the road S are evaluated for the presence of an accident.
  • the number of vehicles F currently located on the road S can be used. The higher this number is, the greater the probability of the occurrence of a fault.
  • the feature data sets M F of those preceding and / or following vehicles are detected which pass the first end of the travel 10 within a predefinable time period before or after the passage time tio of the vehicle F under consideration.
  • the feature data set M F of a vehicle located on the roadway is now assigned a counting variable z, which is increased by one each time a later retracted vehicle F exits the road S.
  • the counting variable z thus indicates the number of vehicles F which have overtaken a specific vehicle F still on the road S and have already moved out of the road S again. The larger this number z becomes, the more likely the vehicle F under consideration is left on the road S or involved in an accident.
  • the feature data set M F of a vehicle F located on the road S is also assigned a time variable t, which indicates the time since a vehicle F, which had entered the road S immediately before and / or after the given vehicle F, emerges from the Road section S is extended. The time since the first of those vehicles F, which are later retracted as a considered vehicle F in the road S, has left the road S, also indicates a measure of the presence of a fault.
  • the time may have been measured which has elapsed since the first vehicle F traveled into the road S in front of the vehicle F has left the road S.
  • the time variable roughly indicates how long the expected passage time t 2 o of the observed vehicle F at the second end of the travel 20 has already occurred.
  • the monitoring center 30 comprises decision-making means 33 in which an upper number limit for the number of vehicles z is stored on the road S and the comparison of the number of vehicles z of vehicles F currently located on the road S takes place with the upper number limit. Furthermore, in the decision means upper and lower time limits are stored, which are the respective time window for a retracted into the road
  • vehicle F This is calculated from the measured entry speed.
  • a fault message can be generated due to the fulfillment of various conditions.
  • An accident on the road S may be present if the vehicles F dammed on the road S and the number of vehicles z therefore exceeds a predetermined upper limit number for the number of vehicles z.
  • an accident on the road S can be present if the travel time t, which requires a vehicle F to drive through the road S, exceeds an upper time limit for the travel time t, for example, if the considered vehicle F on the road S an accident or breakdown Has.
  • the travel time t of a vehicle F starting with the Entrance to the road S measured.
  • An accident on the road S may also be present when the vehicles F enter the road S at a speed which is less than a predetermined minimum limit speed. In this case, a congestion or slow-moving traffic could have already formed at the entrance to the road S.
  • a decision model can also be implemented with the aid of which the feature data sets M F are evaluated.
  • the decision model is generated by machine learning and trained in a learning phase on the basis of historical feature data sets M F together with decisions taken on the basis of this.
  • the decision model comprises a decision function EF into which at least one feature data set M F is input and a binary decision about the presence or absence of a fault is output.
  • the decision function EF is formed by a classification algorithm based in particular on a decision tree.
  • a decision tree starts according to FIG 2 in the highest hierarchical level with the decision whether the time variable t has exceeded a predetermined threshold.
  • the threshold can result from the length of the monitored section S and from the prevailing mean speed. As long as the threshold falls below, there is no incident. If the threshold is exceeded, it is checked in the next hierarchy level whether the count variable z has exceeded a certain threshold. As long as the number z of overtaking and the road S already leaving vehicles F does not exceed the threshold, there is no accident. Otherwise, it is checked in the next hierarchical level whether the ratio of the traffic intensities at the track ends 10 and 20 exceeds a predetermined threshold. If so, in the next level of the hierarchy, the average speed level is checked or, otherwise, another decision criterion can be checked.
  • Such a decision tree is trained with a learning algorithm for a so-called C4.5 decision tree. If there are no real historical data for the learning phase, these can be obtained with advantage from a simulation of the vehicle traffic on the road S.
  • a fault has been detected, various measures can be initiated by the monitoring center 30.
  • the incident report is displayed to the monitoring personnel on a monitor and can be evaluated by it. If an accident is actually detected, for example, an alarm can be triggered in a command center 50 to mobilize police, fire or rescue service.
  • It can also be a change sign 70 of a arranged at the first end of the track 10 or in advance of the road S variable traffic signs are controlled to influence the traffic. For example, upon detection of a fault on the road S, the flow of traffic may be subject to a speed restriction or a corresponding warning may be issued.
  • a signal generator 80 for generating a light signal can be controlled, which signals, for example, at the entrance of the tunnel T a lane blocking or a request for lane change.

Abstract

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Störfallerkennung auf einer Straßenstrecke (S), insbesondere innerhalb eines Tunnels (T), mit einem ersten Streckenende (10), an dem Fahrzeuge (F) in die Straßenstrecke (S) einfahren, und einem zweiten Streckenende (20), an dem Fahrzeuge (F) aus der Straßenstrecke (S) ausfahren. Von Mitteln (11,12, 21, 22) werden mikroskopische, auf jeweils ein passierendes einzelnes Fahrzeug (F) bezogene Merkmalsdaten (mF) an den Streckenenden (10, 20) erfasst und mit einem jeweiligen Passagezeitpunkt (t10, t20) des Fahrzeugs (F) zu einem Merkmalsdatensatz (MF) zusammengefasst. Mittel (31, 32) ermitteln Merkmalsdatensätze (MF) von aktuell auf der Straßenstrecke (S) befindlichen Fahrzeugen (F) durch Abgleich der Merkmalsdatensätze (MF) von in die Straßenstrecke (S) einfahrenden und daraus ausfahrenden Fahrzeugen (F). Diese Merkmalsdatensätze (MF) werden von Mitteln (33) zur Entscheidung über das Vorliegen eines Störfalles auf der Straßenstrecke (S) bewertet, wobei aus den Merkmalsdatensätzen (MF) die Anzahl (z) von aktuell auf der Straßenstrecke (S) befindlichen Fahrzeugen (F) ermittelt wird. Indem eine obere Anzahlgrenze für die Fahrzeuganzahl (z) auf der Straßenstrecke (S) vorgegeben und ein Überschreiten der Anzahlgrenze (zmax) gemeldet wird, können Störfälle weniger aufwendig aber zuverlässig erkannt werden.

Description

Beschreibung
Verfahren und Vorrichtung zur Störfallerkennung auf einer Straßenstrecke
Die Erfindung betrifft ein Verfahren zur Störfallerkennung auf einer Straßenstrecke gemäß dem Oberbegriff des Patentanspruches 1 sowie eine Vorrichtung zur Störfallerkennung auf einer Straßenstrecke gemäß dem Oberbegriff des Patentanspru- ches 16.
Straßennetze umfassen auch Straßenstrecken, die aus Verkehrssicherheitsgründen einen erhöhten Überwachungsbedarf haben. Ein besonderes Augenmerk gilt hier Straßenstrecken, die durch einen Tunnel oder über eine Brücke verlaufen und ein Potenzial für besonders schwerer Verkehrsunfälle in sich bergen. Solche Straßenstrecken mit hohem Sicherheitsbedarf werden in der Regel videoüberwacht, um möglichst frühzeitig Störfälle auf diesen Straßenstrecken zu erkennen.
Aus der DE-Produktschrift "TLD/TSD: Tunnel-Videoüberwachung", herausgegeben von Weiss-Electronic GmbH, ist ein Videodetek- tionssystem zur Ereignisdetektion, Spurüberwachung, Rauchde- tektion und Tunnelüberwachung bekannt. Durch kontinuierliche Beobachtung des Verkehrsgeschehens im Tunnel werden liegengebliebene oder verunfallte Fahrzeuge, Falschfahrer, Rauchentwicklung und Brände im Tunnel erkannt. Ein Tunnel-Lane-Detek- tor (TLD) ermöglicht die Verkehrsüberwachung mehrerer abgegrenzter Zonen, in welchen der Verkehrsfluss gemessen wird. Ein rapider Geschwindigkeitsabfall, liegengebliebene Fahrzeuge und Falschfahrer lösen einen Alarm aus. Ein Tunnel-Smoke- Detektor (TSD) teilt das Videobild in eine Matrix auf und überprüft ständig die Kontrastsituation in den einzelnen Bildabschnitten. Verlieren einzelne Bildbereiche den Kon- trast, führt dies zunächst zu einem Voralarm; verstärkt sich die Rauchentwicklung wird der Hauptalarm ausgelöst. Dieses bekannte Videosystem erfordert eine Vielzahl an längs der zu überwachenden Straßenstrecke angeordneten Videokameras, für deren Bildauswertung hinsichtlich der Erkennung der verschiedenen Störfallereignisse aufwendige Software-Algorithmen erforderlich sind.
Der Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren und eine Vorrichtung der eingangs genannten Art bereitzustellen, mit deren Hilfe eine weniger aufwendige aber zuverlässige Störfallerkennung ermöglicht wird.
Hinsichtlich des Verfahrens wird die Aufgabe durch ein gattungsgemäßes Verfahren zur Störfallerkennung auf einer Straßenstrecke mit den im kennzeichnenden Teil des Patentanspruches 1 angegebenen Merkmalen gelöst. Demnach werden Videobilder von Fahrzeugen bei Passage jeweils eines der Streckenen- den aufgenommen, aus den aufgenommenen Videobildern Merkmalsdaten zur Identifizierung von darauf abgebildeten Fahrzeugen ermittelt, und durch Abgleich der an den Streckenenden ermittelten Merkmalsdaten die Anzahl der auf der Straßenstrecke befindlichen Fahrzeuge bestimmt. In Abkehr von einer voll- ständigen Videoüberwachung der Straßenstrecke geht die vorliegende Erfindung davon aus, Störfälle auf der Straßenstrecke über die jeweils aktuelle Anzahl der auf der Straßenstrecke befindlichen Fahrzeuge zu erkennen. Zur Erhöhung der Zuverlässigkeit der bestimmten Fahrzeuganzahl geht die vorlie- gende Erfindung über die reine Bilanzierung von in die Straßenstrecke einfahrenden und daraus ausfahrenden Fahrzeugen hinaus, indem an den Streckenenden durch Auswertung der aufgenommenen Videobilder Fahrzeuge identifiziert werden. Hierzu eignet sich im Besonderen die an sich bekannte automatische Nummernschilderkennung mit dem amtlichen Kraftfahrzeugkennzeichen als zur Identifizierung eines Fahrzeugs geeignete Merkmalsdaten. Die Fahrzeugbilanz beruht damit auf der Wiedererkennung eines Fahrzeugs bei Ausfahrt aus der Straßenstrecke, welches vorher bei Einfahrt in die Straßenstrecke erfasst wurde. Damit sind neben der Anzahl an auf der Straßenstrecke befindlichen Fahrzeuge auch deren Merkmalsdaten zur Identifizierung bekannt. Erfindungsgemäß wird eine obere Anzahlgrenze für die Fahrzeuganzahl auf der Straßenstrecke vorgegeben und ein Überschreiten der Anzahlgrenze gemeldet. Unabhängig von Einfahrgeschwindigkeit und erwarteter Reisezeit deutet ein Überschreiten einer gewissen Anzahlgrenze an auf der Straßenstrecke befindlichen Fahrzeugen auf einen Störfall auf der Straßenstrecke hin, der zur weiteren Evaluierung beispielsweise dem Überwachungspersonal gemeldet wird. Bei den mikroskopischen Merkmalsdaten handelt es sich erfindungsgemäß um Fahrzeugdaten, von welchen wenigstens ein Teil dazu geeignet ist, ein individuelles Einzelfahrzeug, welches am ersten Streckenende in die Straßenstrecke eingefahren ist, bei seiner Ausfahrt am zweiten Streckenende wiederzuerkennen. Hierfür eignen sich insbesondere Merkmalsdaten, die durch Auswertung digitaler Videobilder gewonnen werden, welche von Fahrzeugen bei Passage der Streckenenden aufgenommen werden. Aus den aufgenommenen Videobildern können auch Merkmalsdaten zur Identifizierung von darauf abgebildeten Fahrzeugen ermittelt werden. Durch Abgleich der an den Streckenenden ermittelten Merkmalsdatensätze können die Merkmalsdatensätze und insbesondere die Anzahl der aktuell auf der Straßenstrecke befindlichen Fahrzeuge bestimmt werden. In Abkehr von einer vollständigen Videoüberwachung der Straßenstrecke geht die vorliegende Erfindung davon aus, Störfälle auf der Straßenstrecke über eine Bewertung der jeweils aktuell auf der Straßenstrecke befindlichen Fahrzeuge, genauer gesagt ihrer Merk- malsdatensätze, zu erkennen. Zur Erhöhung der Zuverlässigkeit der bestimmten Fahrzeuganzahl kann die vorliegende Erfindung über die reine Bilanzierung von in die Straßenstrecke einfahrenden und daraus ausfahrenden Fahrzeugen hinausgehen, indem an den Streckenenden durch Auswertung der aufgenommenen Vi- deobilder einzelne individuelle Fahrzeuge erkannt bzw. wiedererkannt werden.
In einer bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens wird eine Reisezeit eines Fahrzeugs beginnend mit dessen Einfahrt in die Straßenstrecke gemessen und eine obere Zeitgrenze für die Reisezeit vorgegeben, wobei ein Überschreiten der Zeitgrenze gemeldet wird, falls diese vor Ausfahrt des Fahrzeugs aus der Straßenstrecke überschritten wird. Hierbei wird davon ausgegangen, dass der Überschreitung der Zeitgrenze ein Störfall in Form eines Unfalles oder eines Fahrzeugstaus auf der Straßenstrecke zugrunde liegt. Eine solche Störfallmeldung kann beispielsweise dem Überwachungs- personal in einer Tunnelzentrale zur Anzeige gebracht werden. Das Überwachungspersonal kann dann den Störfall verifizieren und gegebenenfalls weitere Maßnahmen auslösen.
Vorzugsweise wird bei dem erfindungsgemäßen Verfahren eine Geschwindigkeit eines in die Straßenstrecke einfahrenden
Fahrzeugs gemessen und die obere Zeitgrenze in Abhängigkeit der gemessenen Einfahrgeschwindigkeit vorgegeben. Da die erwarteten Reisezeiten für die Zurücklegung der Straßenstrecke von dem aktuell vorliegenden Verkehrszustand abhängen, wird die obere Zeitgrenze für die Reisezeit entsprechend ange- passt. Bei geringem Verkehrsaufkommen und durchschnittlich hohen Einfahrgeschwindigkeiten wird die obere Zeitgrenze verringert, da die zu erwartende Reisezeit kürzer ist als bei hohem Verkehrsaufkommen mit entsprechend niedrigeren mittle- ren Geschwindigkeiten. Diese dynamische und verkehrsabhängige Vorgabe der oberen Zeitgrenze hilft damit Falschmeldungen zu vermeiden .
In einer vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens wird eine untere Geschwindigkeitsgrenze für die
Einfahrgeschwindigkeit vorgegeben und ein Unterschreiten der Geschwindigkeitsgrenze gemeldet. Ein Störfall, wie beispielsweise ein Verkehrsstau auf der Straßenstrecke, kann auch durch eine geringe Einfahrgeschwindigkeit, mit der sich im Stau befindliche Fahrzeuge in die Straßenstrecke einfahren, angezeigt sein.
In einer anderen vorteilhaften Ausführungsform des erfindungsgemäßen Verfahrens löst eine Meldung einer Über- bzw. Unterschreitung einer oder mehreren Grenzen einen Alarm in einer Einsatzzentrale und/oder ein Ansteuern von den Verkehr auf und/oder vor der Straßenstrecke beeinflussenden Signal- und/oder Wechselzeichengebern aus. Entweder nach Evaluierung einer Störfallmeldung durch Überwachungspersonal oder automatisch aufgrund hinterlegter Strategien werden Maßnahmen bei einem erkannten Störfall ausgelöst. Eine Maßnahme kann die Auslösung eines Alarms in einer Einsatzzentrale, beispiels- weise der Polizei, der Feuerwehr oder eines Rettungsdienstes, sein. Eine weitere Maßnahme besteht in der Ansteuerung eines beispielsweise am Tunneleingang angeordneten Signalgebers, der Lichtzeichen zur Sperrung eines Fahrstreifens oder einen Aufforderungspfeil zum Fahrstreifenwechsel abgeben kann. Eine weitere Maßnahme sieht die Ansteuerung eines Wechselzeichengebers eines an oder vor der Einfahrt in die Straßenstrecke angeordneten Wechselverkehrszeichens vor, welches eine Geschwindigkeitsbeschränkung oder Warnhinweise anzeigen kann.
In einer vorteilhaften Ausführungsform des erfindungsgemäßen Verfahrens werden zum Passagezeitpunkt eines Fahrzeugs an einem Streckenende makroskopische, auf den passierenden Verkehrsstroms von Fahrzeugen bezogene Merkmalsdaten erfasst und dem Merkmalsdatensatz des Fahrzeugs zugeordnet. Die Kombina- tion von mikroskopischen und makroskopischen Verkehrsdaten erhöht den Informationsgehalt der Merkmalsdatensätze von auf der Straßenstrecke befindlichen Fahrzeugen und kann damit die Zuverlässigkeit der Störfallerkennung bei der Bewertung dieser Merkmalsdaten durch das Entscheidungsmodell erhöhen.
Vorzugsweise werden als makroskopische Merkmalsdaten eine Verkehrsstärke und/oder eine mittlere Geschwindigkeit des Verkehrsstromes am jeweiligen Streckenende und/oder ein Verhältnis aus den Verkehrsstärken an beiden Streckenenden er- fasst. Für diese makroskopischen Merkmalsdaten des Verkehrsflusses werden Zähl- und Geschwindigkeitswerte von Fahrzeugdetektoren über bestimmte Zeitintervalle aggregiert. Die Verkehrsstärke gibt eine mittlere Anzahl an passierenden Fahrzeugen pro Zeiteinheit an. Die mittlere Geschwindigkeit ent- steht durch Mittelwertbildung von während des Zeitintervalls gemessenen Einzelgeschwindigkeiten. Damit stehen an den Streckenenden die wesentlichen Verkehrsflussdaten zur Verfügung, in deren Werteverlauf sich ein Störfall auf der Straßenstre- cke widerspiegeln kann. Zusätzlich können die Merkmalsdaten der Streckenenden miteinander verknüpft werden, um eine Aussage über den auf der gesamten Straßenstrecke vorliegenden Verkehrsfluss zu gewinnen, beispielsweise kann ein Verhältnis aus den Verkehrsstärken an beiden Streckenenden erfasst werden .
In einer bevorzugten Ausgestaltung des erfindungsgemäßen Verfahrens werden als mikroskopische Merkmalsdaten Farbdaten und/oder Formdaten und/oder Kennzeichendaten und/oder Geschwindigkeitsdaten und/oder Klassendaten und/oder Umgebungsdaten eines Fahrzeugs erfasst. Aus digitalen Videoaufnahmen der Fahrzeuge können mittels an sich bekannter Bildauswertungsalgorithmen unterschiedlichste Merkmalsdaten einzelner Fahrzeuge gewonnen werden. Hierzu zählen die Farbe oder Farbkombinationen eines Fahrzeugs, die äußeren Formen einschließlich der Größe eines Fahrzeugs, der Zeicheninhalt eines auf dem Nummernschild abgedruckten amtlichen Kfz-Kennzeichens eines Fahrzeugs, die aktuelle Geschwindigkeit eines Fahrzeugs, die Zuordnung eines Fahrzeugs zu einer Fahrzeugklasse über dessen Länge oder Anzahl an Achsen oder Anhängern, aber auch die Umgebung eines Fahrzeugs, etwa der Fahrzeugpulk, mit dem sich das Fahrzeug im Verkehrsstrom bewegt.
In einer vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens werden als Umgebungsdaten eines Fahrzeugs die Merkmalsdatensätze derjenigen vorausfahrenden und/oder nachfolgenden Fahrzeuge erfasst, welche das erste Streckenende innerhalb eines vorgebbaren Zeitraums vor bzw. nach dem Pas- sagezeitpunkt des Fahrzeugs passieren. Wenngleich durch Überholvorgänge auf der Straßenstrecke die Reihenfolgen der Fahrzeugpassagen an den beiden Streckenenden nicht übereinzustimmen braucht, können aus gewissen Änderungen der Reihenfolge Hinweise auf das Vorliegen eines Störfalles folgen. Die in- nerhalb des Zeitraums um den Passagezeitpunkt eines Fahrzeugs in die Straßenstrecke einfahrenden Fahrzeuge werden in Abhängigkeit ihrer Einzelgeschwindigkeiten dispergieren und in einem anderen Zeitfenster und in ggf. geänderter Reihenfolge die Straßenstrecke verlassen. Darauf nimmt auch das Vorliegen eines Störfalles Einfluss, da ein verunfalltes Fahrzeug beispielsweise auf der Straßenstrecke liegen bleiben kann.
In einer bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens wird einem Merkmalsdatensatz eines auf der Straßenstrecke befindlichen Fahrzeugs eine Zählvariable zugeordnet, die jeweils um eins erhöht wird, wenn ein später eingefahrenes Fahrzeug aus der Straßenstrecke ausfährt. Die Zähl- variable gibt also die Anzahl der Fahrzeuge an, die ein bestimmtes, noch auf der Straßenstrecke befindliches Fahrzeugs überholt haben und auch bereits aus der Straßenstrecke ausgefahren sind. Je größer diese Anzahl wird, desto wahrscheinlicher ist das betrachtete Fahrzeug auf der Straßenstrecke lie- gengeblieben oder in einen Störfall involviert.
In einer weiteren bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens wird einem Merkmalsdatensatz eines auf der Straßenstrecke befindlichen Fahrzeugs eine Zeitvariable zuge- ordnet, welche die Zeitdauer angibt, seit der ein Fahrzeug, welches unmittelbar vor und/oder nach dem gegebenen Fahrzeug in die Straßenstrecke eingefahren war, aus der Straßenstrecke ausgefahren ist. Die Zeit, seit dem das erste derjenigen Fahrzeuge, die später als ein betrachtetes Fahrzeug in die Straßenstrecke eingefahren sind, die Straßenstrecke verlassen hat, gibt ebenfalls ein Maß für das Vorliegen eines Störfalles an. Ebenso kann die Zeit gemessen werden, die vergangen ist, seit dem das erste vor dem betrachteten Fahrzeug in die Straßenstrecke eingefahrene Fahrzeug die Straßenstrecke ver- lassen hat. Die Zeitvariable gibt in etwa an, wie lange der erwartete Passagezeitpunkt des betrachteten Fahrzeugs am zweiten Streckenende bereits zurückliegt.
Zur Automatisierung der Störfallerkennung werden die Merk- malsdatensätze von auf der Straßenstrecke befindlichen Fahrzeugen erfindungsgemäß mittels eines durch maschinelles Lernen erzeugten und in einer Lernphase trainierten Entscheidungsmodells bewertet. Unter dem an sich bekannten maschinel- len Lernen, wofür auch der englische Begriff „Machine Lear- ning" gebräuchlich ist, versteht man im Allgemeinen die künstliche Generierung von Wissen aus Erfahrung. Ein künstliches System lernt aus Beispielen und kann nach Beendigung der Lernphase verallgemeinern, indem es in den Lerndaten Gesetzmäßigkeiten erkennt und dann auch unbekannte Daten beurteilen kann. Praktisch umgesetzt wird maschinelles Lernen mittels Algorithmen, wie zum Beispiel der automatische Klassifizierung oder dem Erzeugen eines Modells aus einer gegebenen Men- ge von Eingaben, welches die Eingaben beschreibt und Vorhersagen ermöglicht. Der Erfindung liegt dabei ein Prognoseproblem zugrunde, anhand aktuell vorliegender Merkmalsdatensätze einen Störfall vorherzusehen. Das Ziel von Prognoseproblemen ist die Entwicklung eines mathematischen Entscheidungsmo- dells, mit dessen Hilfe aus einer gegebenen Eingabe die zu erwartende Ausgabe bestimmt werden kann. Prognoseprobleme sind Problemtypen für Methoden des Data Mining, wobei der ins Deutsche übersetzte Ausdruck „Datenschürfen" nicht gebräuchlich ist. Man versteht hierunter die systematische Anwendung von Methoden, die meist statistisch-mathematisch begründet sind, auf einen sehr großen Datenbestand mit dem Ziel einer Musterkennung . Data Mining ermöglicht die Auswertung großer Datenmengen mit Hilfe statistischer Verfahren, künstlicher neuronaler Netze, Fuzzy-Clustering-Verfahren oder genetischen Algorithmen. Ziel ist dabei das Aufspüren von Regeln oder Mustern .
In einer weiteren vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens umfasst das Entscheidungsmodell eine Ent- Scheidungsfunktion, in welche wenigstens ein Merkmalsdatensatz eingegeben und ein Entscheidungswert über das Vorliegen eines Störfalles ausgegeben wird. Die veränderlichen Eingaben der Entscheidungsfunktion sind also die verschiedenen mikro- und makroskopischen Merkmalsdaten einschließlich der Zähl- und Zeitvariablen eines Merkmalsdatensatzes, wobei die Entscheidungsfunktion eine binäre Entscheidung - also Vorliegen oder Nichtvorliegen eines Störfalles - ausgibt. Vorzugsweise wird die Entscheidungsfunktion durch einen Klassifikationsalgorithmus gebildet, der insbesondere auf einem Entscheidungsbaum beruht, wobei zunächst ein lernender Algorithmus erzeugt wird, der auf historische Merkmalsdatensätze mit zugehörigen Störfallentscheidungen angewandt wird, um
Strukturen zu erkennen, die es einem auswertenden Algorithmus erlaubt, einen neu erfassten Merkmalsdatensatz hinsichtlich des Vorliegens eines Störfalles auf der Straßenstrecke zu bewerten. Allgemein konstruieren Klassifikationsverfahren Mo- delle, mittels derer Informationsobjekte anhand von objekt- und umweltspezifischen Eigenschaften vordefinierten Klassen zugeteilt werden können. Mathematische Methoden, die für das Aufstellen von Klassifikationsmodellen hilfreich sind, entstammen sowohl der klassischen Statistik als auch dem maschi- nellen Lernen. Beispielhaft sind hier Decision Trees (engl, für Entscheidungsbäume) oder Support Vector Machines (engl, für Stützvektormaschinen) zu nennen. Entscheidungsbäume sind eine spezielle Darstellungsform von Entscheidungsregeln. Sie veranschaulichen aufeinanderfolgende, hierarchische Entschei- düngen. Entscheidungsbäume sind Bäume, bei denen bei jeder
Verzweigung die Verzweigungsmöglichkeiten mit Wahrscheinlichkeiten versehen sind. Unter automatischer bzw. maschineller Klassifikation versteht man die Erzeugung eines lernenden Algorithmus, der angewandt auf bekannte oder schon klassifi- zierte Fälle - der sogenannten Datenbasis -, Strukturen berechnet. Die neu erlernten Strukturen ermöglichen es dem auswertenden Algorithmus, einen neuen und bisher unbekannten Fall aufgrund der beobachteten Attribute und deren Ausprägungen einer der bekannten Ziel-Klassen zuzuordnen.
In einer besonders vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens werden historische Merkmalsdatensätze mit zugehörigen Störfallentscheidungen für die Lernphase aus einer Simulation des Fahrzeugverkehrs auf der Straßenstrecke gewonnen. Hierdurch kann in großem Umfang oder auf ganz auf den Zugriff auf tatsächlich in der Vergangenheit erfassten Merkmalsdaten nebst zugehörigen Störfallentscheidungen verzichtete werden. Heute verfügbare Verkehrssimulationsverfah- ren können Einzelfahrzeuge auf einer Straßenstrecke vorgeben und beeinflussen, so dass sehr realistische Verkehrsdaten erzeugt werden.
Hinsichtlich der Vorrichtung wird die Aufgabe gelöst durch eine gattungsgemäße Vorrichtung mit den im kennzeichnenden Teil des Patentanspruches 16 angegebenen Merkmalen. Demnach umfasst die Vorrichtung zur Störfallerkennung Mittel zur Erfassung mikroskopischer, auf jeweils ein passierendes einzel- nes Fahrzeug bezogener Merkmalsdaten an den Streckenenden und zur Zusammenfassung der Merkmalsdaten mit einem jeweiligen Passagezeitpunkt des Fahrzeugs zu einem Merkmalsdatensatz. Die Erfassungsmittel können durch Videokameras zur Aufnahme passierender Fahrzeuge gebildet sein. Ferner umfasst die Vor- richtung Mittel zur Ermittelung von Merkmalsdatensätzen aktuell auf der Straßenstrecke befindlicher Fahrzeuge durch Abgleich der Merkmalsdatensätze von in die Straßenstrecke einfahrenden und daraus ausfahrenden Fahrzeugen. Diese sind dazu eingerichtet, aus den aufgenommenen Videobildern Merkmalsda- ten zur Identifizierung von darauf abgebildeten Fahrzeugen zu ermitteln. Dann umfasst die Vorrichtung auch Mittel zum Schließen auf das Vorliegen eines Störfalles auf der Straßenstrecke durch Bewertung von Merkmalsdatensätzen von aktuell auf der Straßenstrecke befindlichen Fahrzeugen. Erfindungs- gemäß sind die Mittel dazu ausgebildet, aus den Merkmalsdatensätzen die Anzahl von aktuell auf der Straßenstrecke befindlichen Fahrzeugen zu ermitteln und ein Überschreiten einer vorgegebenen oberen Anzahlgrenze für die Fahrzeuganzahl auf der Straßenstrecke zu melden.
Weitere Eigenschaften und Vorteile der Erfindung ergeben sich aus einem in der Zeichnung veranschaulichten Ausführungsbeispiel, in deren
FIG 1 eine erfindungsgemäße Vorrichtung zur Störfallerkennung auf einer Straßenstrecke und FIG 2 ein auf einem Entscheidungsbaum beruhender Klassifikationsalgorithmus, der die Entscheidungsfunktionbil- det,
schematisch dargestellt sind.
Gemäß FIG 1 verläuft eine Straßenstrecke S eines Straßennetzes durch einen Tunnel T. Ein erstes Streckenende 10 und ein stromab davon liegendes zweites Streckenende 20 begrenzen die Straßenstrecke S im Bereich einer Einfahrt bzw. Ausfahrt des Tunnels T. Auf der zweispurigen Straßenstrecke S bewegen sich Fahrzeuge F unterschiedlicher Fahrzeugklassen und mit unterschiedlichen Geschwindigkeiten, so dass eine Reihenfolge von in die Straßenstrecke S einfahrenden Fahrzeugen F auf- grund von Überholvorgängen nicht mit einer Reihenfolge von aus der Straßenstrecke S ausfahrenden Fahrzeugen F übereinstimmen muss.
Zur Erfassung von Merkmalsdaten passierender Fahrzeuge F sind im Bereich des ersten Streckenendes 10 eine Videokamera 11 sowie ein als doppelte Induktionsschleife je Fahrspur ausgebildeter Fahrzeugdetektor 13 angeordnet, im Bereich des zweiten Streckenendes 20 entsprechend eine Videokamera 12 und ein Fahrzeugdetektor 23. Die von den Videokameras 11 bzw. 21 auf- genommenen digitalen Videobilder von das erste bzw. zweite Streckenende 10 bzw. 20 passierenden Fahrzeugen F werden in Mitteln 12 bzw. 22 ausgewertet, um mikroskopische Merkmalsdaten mF einzelner Fahrzeuge F zu gewinnen. Durch Anwendung an sich bekannter Bildauswertungsalgorithmen werden aus den Vi- deobildern Daten zu Merkmalen aus der Gruppe Form, Farbe,
Kfz-Kennzeichen, Geschwindigkeit, Fahrzeugklasse und Umgebung eines Fahrzeugs ermittelt. Diese mikroskopischen Merkmalsdaten mF werden zu einem Merkmalsdatensatz MF des Fahrzeugs F zusammengefasst , zu dem auch der jeweilige Passagezeitpunkt tio bzw. t2o des Fahrzeugs F am ersten bzw. zweiten Streckenende 10 bzw. 20 gehört. Einige der mikroskopischen Merkmaldaten mF, etwa die Kfz-Kennzeichendaten, sind sogar zur Identifizierung des Fahrzeugs F geeignet. Die Fahrzeugdetektoren 13 bzw. 23 erzeugen Zählimpulse, wenn die Passage eines Fahrzeugs F erkannt wird. Des Weiteren misst der Fahrzeugdetektor 13 bzw. 23 die Geschwindigkeit, mit der das erfasste Fahrzeug F das erste bzw. zweite Stre- ckenende 10 bzw. 20 passiert. Aus den über einen Zeitraum ag- gregierten Einzelwerten bzw. -messungen werden die mittleren Verkehrsstärken und die mittleren Geschwindigkeiten an den Streckenenden 10 bzw. 20 bestimmt. Darüber hinaus wird der Quotient aus den Verkehrsstärken an den beiden Streckenenden 10 bzw. 20 gebildet. Diese den Verkehrsfluss auf der Straßenstrecke S beschreibenden Daten werden als makroskopische Merkmalsdaten m bezeichnet und ebenfalls dem Merkmalsdatensatz MF zugeordnet.
Die an den Streckenenden 10 bzw. 20 erfassten Merkmalsdatensätze MF werden zum Abgleich an eine Überwachungszentrale 30 für die Straßenstrecke S übertragen. Die Überwachungszentrale 30 umfasst Datenbankmittel 31, welcher Merkmalsdatensätze MF von in die Straßenstrecke S einfahrenden Fahrzeugen F überge- ben werden. Diese bilden in den Datenbankmitteln 31 eine Art Überwachungsschlange von in die Straßenstrecke S eingefahrenen Fahrzeugen F. Ferner umfasst die Überwachungszentrale 30 Abgleichsmittel 32, an die Merkmalsdatensätze MF von aus der Straßenstrecke S ausgefahrenen Fahrzeugen F übergeben werden. Die Abgleichsmittel 32 greifen auf die Datenbankmittel 31 zu, um zu überprüfen, ob ein übergebener Merkmalsdatensatz MF zu einem aus den Datenbankmitteln 31 korrespondiert.
Den Abgleichsmitteln 32 kann ein Zeitfenster für die erwar- tende Reisezeit eines in die Straßenstrecke S einfahrenden
Fahrzeugs F zugeführt werden. Das Zeitfenster wird anhand der vom Fahrzeugdetektor 13 gemessenen Einfahrgeschwindigkeit berechnet. Dieses Reisezeit- bzw. Ausfahrtszeitfenster eines jeden Merkmalsdatensatzes MF einfahrender Fahrzeuge F dient dazu, beim Abgleich eines Merkmalsdatensatzes MF eines ausgefahrenen Fahrzeuges F mit gemäß der benötigten Reisezeit in Frage kommenden Merkmalsdatensätzen MF eingefahrener Fahrzeuge F abzugleichen. Bei festgestellter Korrespondenz wird der entsprechende Merkmalsdatensatz MF aus den Datenbankmitteln 31 entfernt, so dass diese stets die Merkmalsdatensätze MF aller aktuell auf der Straßenstrecke S befindlichen Fahrzeuge F enthält. Zur Feststellung der Korrespondenz zweier Merk- malsdatensätze MF müssen nicht alle Merkmalsdaten mF bzw. m übereinstimmen. Da es vorkommen kann, dass nicht alle Merkmalsdaten erfasst werden, können hier Regeln zugrunde gelegt werden, wann eine Korrespondenz als festgestellt gilt und wann nicht. Beispielsweise kann beim Vergleich der Merkmals- datensätze MF einem erkannten Kfz-Kennzeichen eine höhere
Signifikanz als der Fahrzeugfarbe oder der bloßen Erfassung eines Fahrzeugs F eingeräumt werden. Auf diese Weise werden mit einer hohen Zuverlässigkeit die Merkmalsdatensätze MF der aktuell auf der Straßenstrecke S befindlichen Fahrzeugen F ermittelt.
Erfindungsgemäß werden die Merkmalsdatensätze MF der aktuell auf der Straßenstrecke S befindlichen Fahrzeuge F hinsichtlich des Vorliegens eines Störfalles bewertet. Hierzu kann zunächst die Anzahl an aktuell auf der Straßenstrecke S befindlichen Fahrzeugen F dienen. Je höher diese Anzahl ist, desto größer ist die Wahrscheinlichkeit für das Vorliegen eines Störfalles. Des Weiteren werden zur Bewertung der Merkmalsdatensätze MF als Umgebungsdaten eines Fahrzeugs F die Merkmalsdatensätze MF derjenigen vorausfahrenden und/oder nachfolgenden Fahrzeuge erfasst, welche das erste Streckenende 10 innerhalb eines vorgebbaren Zeitraums vor bzw. nach dem Passagezeitpunkt tio des betrachteten Fahrzeugs F passieren. Dem Merkmalsdatensatz MF eines auf der Straßenstrecke befind- liehen Fahrzeugs wird nun eine Zählvariable z zugeordnet, die jeweils um eins erhöht wird, wenn ein später eingefahrenes Fahrzeug F aus der Straßenstrecke S ausfährt. Die Zählvariable z gibt also die Anzahl der Fahrzeuge F an, die ein bestimmtes, noch auf der Straßenstrecke S befindliches Fahrzeug F überholt haben und bereits aus der Straßenstrecke S wieder ausgefahren sind. Je größer diese Anzahl z wird, desto wahrscheinlicher ist das betrachtete Fahrzeug F auf der Straßenstrecke S liegengeblieben oder in einen Störfall involviert. Dem Merkmalsdatensatz MF eines auf der Straßenstrecke S befindlichen Fahrzeugs F wird ferner eine Zeitvariable t zugeordnet, welche die Zeitdauer angibt, seit der ein Fahrzeug F, welches unmittelbar vor und/oder nach dem gegebenen Fahrzeug F in die Straßenstrecke S eingefahren war, aus der Straßenstrecke S ausgefahren ist. Die Zeit, seit dem das erste derjenigen Fahrzeuge F, die später als ein betrachtetes Fahrzeug F in die Straßenstrecke S eingefahren sind, die Straßenstrecke S verlassen hat, gibt ebenfalls ein Maß für das Vorliegen eines Störfalles an. Ebenso kann die Zeit gemessen werden, die vergangen ist, seit dem das erste vor dem betrachteten Fahrzeug F in die Straßenstrecke S eingefahrene Fahrzeug F die Straßenstrecke S verlassen hat. Die Zeitvariable gibt in etwa an, wie lange der erwartete Passagezeitpunkt t2o des be- trachteten Fahrzeugs F am zweiten Streckenende 20 bereits zurückliegt .
Erfindungsgemäß umfasst die Überwachungszentrale 30 Entscheidungsmittel 33, in welchen eine obere Anzahlgrenze für die Fahrzeuganzahl z auf der Straßenstrecke S hinterlegt ist und der Vergleich der Fahrzeuganzahl z von aktuell auf der Straßenstrecke S befindlichen Fahrzeuge F mit der oberen Anzahlgrenze stattfindet. Ferner sind in den Entscheidungsmitteln obere und untere Zeitgrenzen hinterlegt, die das jeweilige Zeitfenster der für ein in die Straßenstrecke eingefahrenes
Fahrzeug F definieren. Dieses wird anhand der gemessenen Einfahrgeschwindigkeit berechnet. Eine Störfallmeldung kann aufgrund der Erfüllung verschiedener Bedingungen erzeugt werden. Ein Störfall auf der Straßenstrecke S kann vorliegen, falls sich die Fahrzeuge F auf der Straßenstrecke S aufstauen und die Fahrzeuganzahl z daher eine vorgegebene obere Anzahlgrenze für die Fahrzeuganzahl z überschreitet. Ebenso kann ein Störfall auf der Straßenstrecke S vorliegen, wenn die Reisezeit t, die ein Fahrzeug F zum Durchfahren der Straßenstrecke S benötigt, eine obere Zeitgrenze für die Reisezeit t überschreitet, beispielsweise wenn das betrachtete Fahrzeug F auf der Straßenstrecke S einen Unfall oder eine Panne hat. Hierzu wird die Reisezeit t eines Fahrzeugs F beginnend mit dessen Einfahrt in die Straßenstrecke S gemessen. Ein Störfall auf der Straßenstrecke S kann auch vorliegen, wenn die Fahrzeuge F mit einer Geschwindigkeit in die Straßenstrecke S einfahren, die kleiner als eine vorgegebene minimale Grenzgeschwin- digkeit ist. In diesem Fall könnte sich ein Stau oder zähfließender Verkehr bereits an der Einfahrt in die Straßenstrecke S ausgebildet haben.
In den Entscheidungsmitteln 33 kann auch ein Entscheidungsmo- dell implementiert sein, mit dessen Hilfe die Merkmalsdatensätze MF bewertet werden. Das Entscheidungsmodell wird durch maschinelles Lernen erzeugt und in einer Lernphase anhand historischer Merkmalsdatensätze MF samt hierzu getroffener Störfallentscheidungen trainiert. Das Entscheidungsmodell um- fasst eine Entscheidungsfunktion EF, in welche wenigstens ein Merkmalsdatensatz MF eingegeben und eine binäre Entscheidung über das Vorliegen oder Nichtvorliegen eines Störfalles ausgegeben wird. Die Entscheidungsfunktion EF wird durch einen Klassifikationsalgorithmus gebildet, der insbesondere auf ei- nem Entscheidungsbaum beruht.
Ein Entscheidungsbaum startet gemäß FIG 2 in der höchsten Hierarchieebene mit der Entscheidung, ob die Zeitvariable t eine vorgegebene Schwelle überschritten hat. Die Schwelle kann sich aus der Länge des überwachten Streckenabschnitts S sowie aus der vorherrschenden mittleren Geschwindigkeit ergeben. Solange die Schwelle unterschritten bleibt, liegt kein Störfall vor. Wird die Schwelle überschritten, so wird in der nächsten Hierarchieebene überprüft, ob die Zählvariable z ei- ne gewisse Schwelle überschritten hat. Solange die Anzahl z an überholenden und die Straßenstrecke S bereits verlassenden Fahrzeugen F die Schwelle nicht überschreitet, liegt kein Störfall vor. Andernfalls wird in der nächsten Hierarchieebene überprüft, ob das Verhältnis der Verkehrsstärken an den Streckenenden 10 bzw. 20 eine vorgegebene Schwelle übersteigt. Wenn ja, wird in der nächsten Hierarchieebene die Höhe der mittleren Geschwindigkeit überprüft, oder, andernfalls kann ein anderes Entscheidungskriterium überprüft werden. Nach Abschluss der Bewertungen liegt also entweder ein Störfall vor oder nicht. Ein solcher Entscheidungsbaum wird mit einem Lernalgorithmus für einen sogenannten C4.5-Entschei- dungsbaum trainiert. Falls für die Lernphase keine echten historischen Daten vorliegen, können diese mit Vorteil aus einer Simulation des Fahrzeugverkehrs auf der Straßenstrecke S gewonnen werden.
Ist ein Störfall erkannt worden, so können von der Überwa- chungszentrale 30 aus verschiedene Maßnahmen eingeleitet werden. Die Störfallmeldung wird dem Überwachungspersonal auf einem Monitor angezeigt und kann durch dieses evaluiert werden. Ist ein Störfall tatsächlich erkannt, kann beispielsweise ein Alarm in einer Einsatzzentrale 50 ausgelöst werden, um Polizei, Feuerwehr oder einen Rettungsdienst zu mobilisieren. Es kann auch ein Wechselzeichengeber 70 eines am ersten Streckenende 10 oder im Vorfeld der Straßenstrecke S angeordneten Wechselverkehrszeichens zur Beeinflussung des Verkehrs angesteuert werden. Beispielsweise kann bei Erkennung eines Stör- falls auf der Straßenstrecke S dem zufließenden Verkehr hierdurch eine Geschwindigkeitsbeschränkung auferlegt oder ein entsprechender Warnhinweis ausgegeben werden. Des Weiteren kann ein Signalgeber 80 zur Erzeugung eines Lichtsignals angesteuert werden, der beispielsweise am Eingang des Tunnels T eine Fahrstreifensperrung oder eine Aufforderung zum Fahrstreifenwechsel signalisiert.

Claims

Patentansprüche
1. Verfahren zur Störfallerkennung auf einer Straßenstrecke (S), insbesondere innerhalb eines Tunnels (T), mit einem ers- ten Streckenende (10), an dem Fahrzeuge (F) in die Straßenstrecke (S) einfahren, und einem zweiten Streckenende (20), an dem Fahrzeuge (F) aus der Straßenstrecke (S) ausfahren,
- wobei an den Streckenenden (10, 20) mittels Videokameras (11, 21) jeweils mikroskopische, auf ein passierendes einzel- nes Fahrzeug (F) bezogene Merkmalsdaten (mF) erfasst und mit einem jeweiligen Passagezeitpunkt (tio, t2o) des Fahrzeugs (F) zu einem Merkmalsdatensatz (MF) zusammengefasst werden,
- wobei durch Abgleich der Merkmalsdatensätze (MF) von in die Straßenstrecke (S) einfahrenden und daraus ausfahrenden Fahrzeugen (F) die Merkmalsdatensätze (MF) von aktuell auf der Straßenstrecke (S) befindlichen Fahrzeugen (F) ermittelt werden,
- und wobei durch Bewertung von Merkmalsdatensätzen (MF) von aktuell auf der Straßenstrecke (S) befindlichen Fahrzeugen (F) auf das Vorliegen eines Störfalles auf der Straßenstrecke (S) geschlossen wird, d a d u r c h g e k e n n z e i c h n e t,
- dass aus den Merkmalsdatensätzen (MF) die Anzahl (z) von aktuell auf der Straßenstrecke (S) befindlichen Fahrzeugen (F) ermittelt wird,
- und dass eine obere Anzahlgrenze für die Fahrzeuganzahl (z) auf der Straßenstrecke (S) vorgegeben und ein Überschreiten der Anzahlgrenze gemeldet wird.
2. Verfahren nach Anspruch 1,
- wobei eine Reisezeit (t) eines Fahrzeugs (F) beginnend mit dessen Einfahrt (tio) in die Straßenstrecke (S) gemessen und eine obere Zeitgrenze für die Reisezeit (t) vorgegeben wird,
- und wobei ein Überschreiten der Zeitgrenze gemeldet wird, falls diese vor Ausfahrt (t2o) des Fahrzeugs (F) aus der
Straßenstrecke (S) überschritten wird.
3. Verfahren nach Anspruch 2,
- wobei eine Geschwindigkeit (v) eines in die Straßenstrecke (S) einfahrenden Fahrzeuges (F) gemessen und die obere Zeitgrenze in Abhängigkeit der gemessenen Einfahrgeschwindigkeit (v) vorgegeben wird.
4. Verfahren nach Anspruch 3,
- wobei eine untere Geschwindigkeitsgrenze für die Einfahrgeschwindigkeit (v) vorgegeben und ein Unterschreiten der Ge- schwindigkeitsgrenze gemeldet wird.
5. Verfahren nach einem der Ansprüche 1 bis 4,
- wobei eine Meldung einer Über- bzw. Unterschreitung einer oder mehrerer Grenzen einen Alarm in einer Einsatzzentrale (50) und/oder ein Ansteuern von den Verkehr auf und/oder vor der Straßenstrecke (S) beeinflussenden Signal- und/oder Wechselzeichengebern (70) auslöst.
6. Verfahren nach einem der Ansprüche 1 bis 5, - wobei zum Passagezeitpunkt (tio, t2o) eines Fahrzeugs (F) an einem Streckenende (10, 20) makroskopische, auf den passierenden Verkehrsstroms von Fahrzeugen (F) bezogene Merkmalsdaten (m) erfasst und dem Merkmalsdatensatz (MF) des Fahrzeugs (F) zugeordnet werden.
7. Verfahren nach Anspruch 6,
- wobei als makroskopische Merkmalsdaten (m) eine Verkehrsstärke und/oder eine mittlere Geschwindigkeit des Verkehrsstromes am jeweiligen Streckenende (10, 20) und/oder ein Ver- hältnis aus den Verkehrsstärken an beiden Streckenenden (10, 20) erfasst werden.
8. Verfahren nach einem der Ansprüche 1 bis 7,
- wobei als mikroskopische Merkmalsdaten (mF) Farbdaten und/ oder Formdaten und/oder Kennzeichendaten und/oder Geschwindigkeitsdaten und/oder Klassendaten und/oder Umgebungsdaten eines Fahrzeugs (F) erfasst werden.
9. Verfahren nach Anspruch 8,
- wobei als Umgebungsdaten eines Fahrzeugs (F) die Merkmalsdatensätze (MF) derjenigen vorausfahrenden und/oder nachfolgenden Fahrzeuge (F) erfasst werden, welche das erste Stre- ckenende (10) innerhalb eines vorgebbaren Zeitraums vor bzw. nach dem Passagezeitpunkt (tio) des Fahrzeugs (F) passieren.
10. Verfahren nach einem der Ansprüche 1 bis 9,
- wobei einem Merkmalsdatensatz (MF) eines auf der Straßen- strecke (S) befindlichen Fahrzeugs (F) eine Zählvariable (z) zugeordnet wird, die jeweils um eins erhöht wird, wenn ein später eingefahrenes Fahrzeug (F) aus der Straßenstrecke (S) ausfährt .
11. Verfahren nach einem der Ansprüche 1 bis 10,
- wobei einem Merkmalsdatensatz (MF) eines auf der Straßenstrecke (S) befindlichen Fahrzeugs (F) eine Zeitvariable (t) zugeordnet wird, welche die Zeitdauer angibt, seit der ein Fahrzeug (F) , welches unmittelbar vor und/oder nach dem gege- benen Fahrzeug (F) in die Straßenstrecke (S) eingefahren war, aus der Straßenstrecke (S) ausgefahren ist.
12. Verfahren nach einem der Ansprüche 1 bis 11,
- und wobei die Bewertung eines Merkmalsdatensatzes (MF) mit- tels eines durch maschinelles Lernen erzeugten und in einer
Lernphase trainierten Entscheidungsmodells erfolgt.
13. Verfahren nach Anspruch 12,
- wobei das Entscheidungsmodell eine Entscheidungsfunktion (EF) umfasst, in welche wenigstens ein Merkmalsdatensatz (MF) eingegeben und ein Entscheidungswert über das Vorliegen eines Störfalles ausgegeben wird.
14. Verfahren nach Ansprüche 13, - wobei die Entscheidungsfunktion (EF) durch einen Klassifikationsalgorithmus gebildet wird, der insbesondere auf einem Entscheidungsbaum beruht, - und wobei zunächst ein lernender Algorithmus erzeugt wird, der auf historische Merkmalsdatensätze (MF) mit zugehörigen Störfallentscheidungen angewandt wird, um Strukturen zu erkennen, die es einem auswertenden Algorithmus erlaubt, einen neu erfassten Merkmalsdatensatz (MF) hinsichtlich des Vorlie- gens eines Störfalles auf der Straßenstrecke (S) zu bewerten.
15. Verfahren nach Anspruch 12 bis 14,
- wobei historische Merkmalsdatensätze (MF) mit zugehörigen Störfallentscheidungen für die Lernphase aus einer Simulation des Fahrzeugverkehrs auf der Straßenstrecke (S) gewonnen werden .
16. Vorrichtung zur Störfallerkennung auf einer Straßen- strecke (S) , insbesondere innerhalb eines Tunnels (T) , mit einem ersten Streckenende (10), an dem Fahrzeuge (F) in die Straßenstrecke (S) einfahren, und einem zweiten Streckenende (20), an dem Fahrzeuge (F) aus der Straßenstrecke (S) ausfahren, umfassend - Mittel (11, 12, 21, 22) zur Erfassung mikroskopischer, auf jeweils ein passierendes einzelnes Fahrzeug (F) bezogener Merkmalsdaten (mF) an den Streckenenden (10, 20) und zur Zusammenfassung der Merkmalsdaten (mF) mit einem jeweiligen Passagezeitpunkt (tio, t2o) des Fahrzeugs (F) zu einem Merk- malsdatensatz (MF) ,
- Mittel (31, 32) zur Ermittelung von Merkmalsdatensätzen (MF) aktuell auf der Straßenstrecke (S) befindlicher Fahrzeuge (F) durch Abgleich der Merkmalsdatensätze (MF) von in die Straßenstrecke (S) einfahrenden und daraus ausfahrenden Fahrzeugen (F)
- und Mittel (33) zum Schließen auf das Vorliegen eines Störfalles auf der Straßenstrecke (S) durch Bewertung von Merkmalsdatensätzen (MF) von aktuell auf der Straßenstrecke (S) befindlichen Fahrzeugen (F) , d a d u r c h g e k e n n z e i c h n e t,
- dass die Mittel (33) dazu ausgebildet sind, aus den Merkmalsdatensätzen (MF) die Anzahl (z) von aktuell auf der Straßenstrecke (S) befindlichen Fahrzeugen (F) zu ermitteln und ein Überschreiten einer vorgegebenen oberen Anzahlgrenze für die Fahrzeuganzahl (z) auf der Straßenstrecke (S) zu melden .
PCT/EP2010/052051 2009-02-27 2010-02-18 Verfahren und vorrichtung zur störfallerkennung auf einer strassenstrecke WO2010097325A1 (de)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
DE102009010812.2 2009-02-27
DE102009010806.8 2009-02-27
DE200910010812 DE102009010812A1 (de) 2009-02-27 2009-02-27 Verfahren und Vorrichtung zur Störfallerkennung auf einer Straßenstrecke
DE200910010806 DE102009010806A1 (de) 2009-02-27 2009-02-27 Verfahren und Vorrichtung zur Störfallerkennung auf einer Straßenstrecke

Publications (1)

Publication Number Publication Date
WO2010097325A1 true WO2010097325A1 (de) 2010-09-02

Family

ID=42135098

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2010/052051 WO2010097325A1 (de) 2009-02-27 2010-02-18 Verfahren und vorrichtung zur störfallerkennung auf einer strassenstrecke

Country Status (1)

Country Link
WO (1) WO2010097325A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2447924A1 (de) * 2010-10-29 2012-05-02 Siemens Aktiengesellschaft System zur Ermittlung der Verkehrssituation auf einer Straßenstrecke
CN114771599A (zh) * 2022-04-27 2022-07-22 上海申浙数智轨道科技有限公司 一种轨道故障的定位方法、系统、存储介质和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0171098A1 (de) * 1984-07-02 1986-02-12 Koninklijke Philips Electronics N.V. Verfahren zur Steuerung eines Strassenverkehrüberwachungssystems und ein Strassenverkehrüberwachungssystem zur Benutzung des Verfahrens
WO1995025321A1 (de) * 1994-03-14 1995-09-21 Siemens Aktiengesellschaft Verfahren zur verkehrserfassung und verkehrssituationserkennung auf autostrassen, vorzugsweise autobahnen
EP0740280A2 (de) * 1995-04-28 1996-10-30 INFORM Institut für Operations Research und Management GmbH Verfahren zur Störungserkennung im Strassenverkehr
WO2008152279A2 (fr) * 2007-06-05 2008-12-18 SOCIETE DES AUTOROUTES PARIS-RHIN-RHONE, Société Anonyme Procede et dispositif de detection de bouchons routiers

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0171098A1 (de) * 1984-07-02 1986-02-12 Koninklijke Philips Electronics N.V. Verfahren zur Steuerung eines Strassenverkehrüberwachungssystems und ein Strassenverkehrüberwachungssystem zur Benutzung des Verfahrens
WO1995025321A1 (de) * 1994-03-14 1995-09-21 Siemens Aktiengesellschaft Verfahren zur verkehrserfassung und verkehrssituationserkennung auf autostrassen, vorzugsweise autobahnen
EP0740280A2 (de) * 1995-04-28 1996-10-30 INFORM Institut für Operations Research und Management GmbH Verfahren zur Störungserkennung im Strassenverkehr
WO2008152279A2 (fr) * 2007-06-05 2008-12-18 SOCIETE DES AUTOROUTES PARIS-RHIN-RHONE, Société Anonyme Procede et dispositif de detection de bouchons routiers

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2447924A1 (de) * 2010-10-29 2012-05-02 Siemens Aktiengesellschaft System zur Ermittlung der Verkehrssituation auf einer Straßenstrecke
CN114771599A (zh) * 2022-04-27 2022-07-22 上海申浙数智轨道科技有限公司 一种轨道故障的定位方法、系统、存储介质和电子设备
CN114771599B (zh) * 2022-04-27 2024-01-05 上海申浙数智轨道科技有限公司 一种轨道故障的定位方法、系统、存储介质和电子设备

Similar Documents

Publication Publication Date Title
EP0740280B1 (de) Verfahren zur Störungserkennung im Strassenverkehr
EP1554603B1 (de) Verfahren und vorrichtung zur überwachung toter winkel eines kraftfahrzeugs
DE102006047634A1 (de) Verfahren zum Erfassen eines Umfelds eines Fahrzeugs
DE102014223744A1 (de) Assistenzsystem zur Detektion von in der Umgebung eines Fahrzeuges auftretenden Fahrhindernissen
EP2447924B1 (de) System zur Ermittlung der Verkehrssituation auf einer Straßenstrecke
EP2425414B1 (de) Verfahren und vorrichtung zur verkehrssteuerung an einem bahnübergang
DE102015103361A1 (de) Verkehrsdichte-empfindlichkeitswähler
EP3770879A1 (de) Verfahren, vorrichtung und computerprogramm zum aufbereiten von daten über eine ampelanlage
DE102019211098B4 (de) Verfahren, Vorrichtung und Computerprogramm zum Bestimmen einer Ampelphase einer Ampel einer Ampelanlage
DE102016224576B4 (de) Verhaltensmodell von Verkehrsteilnehmern für ein Fahrerassistenzsystem umfassend Statistiken zu Abweichungen vom Normverhalten
WO2015155120A1 (de) VERFAHREN ZUM BETREIBEN EINES FAHRERINFORMATIONSSYSTEM FÜR ENGSTELLEN IM STRAßENVERKEHR UND FAHRERINFORMATIONSSYSTEM
DE102014220571A1 (de) Verfahren und Vorrichtung zur Erkennung von relevanten Verkehrszeichen für ein Fahrzeug
DE102014104574B4 (de) Durchführung von Spezialtransporten
WO2010097325A1 (de) Verfahren und vorrichtung zur störfallerkennung auf einer strassenstrecke
EP2254104B1 (de) Verfahren zum automatischen Erkennen einer Situationsänderung
DE10257798A1 (de) Sicherheitsvorrichtung für nicht-spurgebundene Fahrzeuge
WO2009021902A1 (de) Verfahren und vorrichtung zur priorisierung von sonderfahrzeugen an einem lichtsignalgesteuerten knotenpunkt
DE102009010806A1 (de) Verfahren und Vorrichtung zur Störfallerkennung auf einer Straßenstrecke
DE102009010812A1 (de) Verfahren und Vorrichtung zur Störfallerkennung auf einer Straßenstrecke
DE102021120043A1 (de) Verfahren und Steuerschaltung zum Überwachen einer Zulässigkeitsbedingung für einen automatisierten Fahrmodus eines Kraftfahrzeugs sowie Kraftfahrzeug mit der Steuerschaltung
DE102007038723A1 (de) Verfahren und Vorrichtung zur Bevorrechtigung von Sonderfahrzeugen an einem lichtsignalgesteuerten Knotenpunkt
DE102017008116B4 (de) Verfahren und Vorrichtung zur beweiskräftigen Erfassung von Verkehrsverstößen eines Fahrzeugs
DE102020105527A1 (de) Verfahren und system zum ermitteln von ursachen für eine verkehrsstörung
EP4222725A1 (de) Verfahren zum erzeugen einer freigabe für eine nutzung eines seitenstreifens mittels eines überwachungssystems, sowie überwachungssystem
DE102022210507A1 (de) Alarmsystem zur Warnung vulnerabler Verkehrsteilnehmer in einem vorgegebenen Straßenabschnitt

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10710812

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 10710812

Country of ref document: EP

Kind code of ref document: A1