Verhaltensanalyse von Fahrdaten durch KI für sicherere Autos
Jedes Jahr sterben in der Europäischen Union mehr als 80 000 Menschen aufgrund von Verletzungen aus dem Straßenverkehr. Glücklicherweise können im Zeitalter von Big Data Erkenntnisse aus den menschlichen Fehlern gezogen werden, die solche Tragödien verursachen. Die Überwachung des Fahrerverhaltens ist heutzutage mittels Smartphones, Smartwatches und Sensoren in modernen Fahrzeugen möglich. Diese Geräte liefern eine Fülle von Informationen, die auf neuen, leistungsfähigen Computern ausgewertet werden können. Mit Methoden wie maschinellem Lernen können zum Beispiel Fahrmuster erkannt werden. Mit künstlicher Intelligenz (KI) kann aus dem menschlichen Fahrverhalten sogar gelernt und dieses „nachgeahmt“ werden. Dies ist besonders nützlich, wenn optimale Fahrmuster in Algorithmen integriert werden, mit denen automatisierte Fahrzeuge gesteuert werden.
Optimale Fahrweise als Schlüssel zur Sicherheit
Diese Kombination von Daten und Methodik war das Grundprinzip des Projekts RHAPSODY, das über die Marie-Skłodowska-Curie-Maßnahmen unterstützt wurde. Koordiniert wurde das Projekt von Eleonora Papadimitriou, Assistenzprofessorin für Verkehrssicherheit an der Technischen Universität Delft in den Niederlanden. Die Forschung wurde zusammen mit Dimitrios Tselentis durchgeführt, einem wissenschaftlichen Mitarbeiter im Team. Papadimitriou und Tselentis verfolgten eine einfache, aber unterschätzte Idee: Der Schlüssel zur Verhinderung von Autounfällen liegt in der Untersuchung des erfolgreichen, nicht des gefährlichen Fahrverhaltens. Papadimitriou vertritt die Meinung, dass es den automatisierten und autonomen Fahrzeugen an genau diesen Informationen mangelt. „Wir müssen ‚optimales‘ Verhalten nicht unbedingt als perfektes Verhalten verstehen, sondern als ein Verhalten für ein möglichst geringes Risiko und ungestörtes, gemütliches Fahren“, erklärt sie.
Umwandlung von Gigabytes von Daten in einen verhaltensorientierten Rahmen
Im Rahmen des RHAPSODY-Projekts wurden ganze 26 000 Fahrten von 124 Fahrerinnen und Fahrern in vier europäischen Ländern erfasst, um sichere Fahrmuster konkret zu definieren. Die Studie wurde in Zusammenarbeit mit dem Horizont2020-Forschungsprojekt iDreams und der Abteilung für integrierte Fahrzeugsicherheit der niederländischen Organisation für angewandte wissenschaftliche Forschung durchgeführt. Von dem Projekt und der Organisation erhielt das RHAPSODY-Team Daten zu lebensechtem Fahren, die über viele Jahre hinweg bei Echtzeit-Fahrerfahrungen erfasst wurden. Diese Daten mit einem Volumen von mehreren Gigabyte wurden für neue Erkenntnisse analysiert. Zunächst identifizierte und kategorisierte das Team verschiedene Fahrtypen und ermittelte sich wiederholende Fahrmuster im täglichen Fahrverhalten. Die Forschenden beachteten auch die Tageszeiten und Witterungsbedingungen, die diese Verhaltensweisen auslösen könnten. Das diente dem Hauptziel von RHAPSODY: zu verstehen, wie Autofahrer mit alltäglichen Verkehrsinteraktionen umgehen. Insgesamt lieferte das RHAPSODY-Team einen soliden Rahmen für die Analyse von Fahrerverhalten und Verkehrssicherheit. Die gewonnenen Erkenntnisse können nun angewendet werden, um personalisierte Technologien für selbstfahrende Autos weiterzuentwickeln. Wie Papadimitriou bemerkt: „Irgendwann können wir berechenbare und vertrauenswürdige automatisierte Fahrzeuge schaffen, die wesentliche Sicherheitsvorteile im Hinblick auf die Unfallverhütung bieten.“ Ist die Auswertung dieser Daten abgeschlossen? Offenbar nicht für Tselentis, der plant, „weitere KI-gestützte Verfahren wie Computersehen und neuronale Netze auszutesten, um die Ergebnisse des Projekts zu konsolidieren (und möglicherweise zu patentieren)“. Mit anderen Worten: eine Sicherheitsrhapsodie, die fortgesetzt werden muss.
Schlüsselbegriffe
RHAPSODY, automatisiertes Fahrzeug, künstliche Intelligenz, KI, Fahrmuster, Verkehrssicherheit, Verhaltensanalyse
