idw – Informationsdienst Wissenschaft

Nachrichten, Termine, Experten

Grafik: idw-Logo
Grafik: idw-Logo

idw - Informationsdienst
Wissenschaft

Science Video Project
idw-Abo

idw-News App:

AppStore

Google Play Store



Instanz:
Teilen: 
27.04.2023 15:13

Weniger Kollisionen mit Radfahrenden durch kooperative intelligente Verkehrssysteme

Birgit Strohmeier Presse- und Öffentlichkeitsarbeit
Salzburg Research Forschungsgesellschaft mbH

    Vernetzung und Automatisierung von Fahrzeugen bieten eine große Chance, auch die Sicherheit von Radfahrenden zu erhöhen. In Salzburg wurden erstmals drahtlose Kommunikationskanäle zwischen unterschiedlichen Fahrzeugen, Fahrrädern und der Infrastruktur unter realen Bedingungen validiert. Forschende aus Österreich und Deutschland haben eine Methode für die kooperative Erkennung von Kollisionsrisiken erprobt und Warnkonzepte für Radfahrende entwickelt.

    Verkehrsunfälle mit Fahrrädern nehmen seit Jahren stetig zu. 2015 verzeichnete die Verkehrsunfallstatistik der Statistik Austria 6.901 Verkehrsunfälle mit Fahrrädern, 2021 waren es bereits 9.578. Die Anzahl der getöteten Radfahrenden pendelte in diesem Zeitraum von 32 bis 50 Personen pro Jahr. Die Unfälle mit anderen beteiligten Fahrzeugen ereigneten sich dabei meist bei einer Abbiegesituation in einem Kreuzungsbereich, wobei das Fahrrad im überwiegenden Fall geradeaus fuhr.

    „Zusätzlich gibt es eine große Anzahl an Beinahe-Unfällen, die in keiner Unfallstatistik aufscheinen. Daher wollten wir mit unserer Forschungsarbeit diese Risiken besser einschätzbar machen, sodass Maßnahmen ergriffen werden können, noch bevor etwas passiert“, sagt die Projektleiterin Cornelia Zankl von Salzburg Research.

    Technologie hilft bei der Reduktion von Kollisionsrisiken

    Neueste technologische Entwicklungen im Bereich der Fahrzeugkommunikation mittels ITS-G5, der Fahrradlokalisierung, der Umfeldwahrnehmung des vernetzen und automatisierten Fahrzeugs mittels Kamera und LiDAR-Sensorik sowie bei straßenseitiger Sensorik mit Kameras schafften die Grundlagen für kooperative Lösungsansätze zur Detektion und Vermeidung von Kollisionsrisiken. Verletzliche Verkehrsteilnehmende wie Fahrradfahrende sollen dabei nicht nur erkannt, sondern aktiv in die Kollisionsvermeidung mit einbezogen werden.

    Das bringt einen Mehrwert auf mehreren Ebenen: Radfahrende werden frühzeitig vor Kollisionen gewarnt, um gefährliche Situationen zu erkennen und Unfälle zu vermeiden. Vernetzte Fahrzeuge und Fahrassistenzsysteme können Radfahrende durch eine verbesserte Detektionsqualität sowie aktive Kommunikation zuverlässiger erkennen und können frühzeitig reagieren. Kommunen und Infrastrukturbetreiber erhalten objektive Bewertungen von Risikozonen an Verkehrsknotenpunkten und können diese durch gezielte Maßnahmen vorbeugend entschärfen.

    Realerprobung in der Stadt und am Land

    Im Forschungsprojekt wurden unterschiedliche Lösungsansätze analysiert, um geeignete und sichere Methoden auswählen zu können. Die vielversprechendsten Methoden wurden in einem kontrollierten Experiment getestet und jeweils in drei Szenarien an zwei Testkreuzungen im ländlichen und urbanen Bereich erprobt.

    Bei den Experimenten an den mit smarter Sensorik ausgestatteten Testkreuzungen Weiserstraße/Gabelsbergerstraße in der Stadt Salzburg und an der B158 in der Salzburger Gemeinde Koppl kamen ein vernetztes, automatisiertes Fahrzeug sowie ein neuartiges vernetztes Forschungsfahrrad zum Einsatz. Getestet wurde eine durchgängige Kette von unterschiedlichen Datenverarbeitungsmethoden von der Eigenlokalisierung und Detektion von Verkehrsteilnehmenden, über die Erkennung von Kollisionsrisiken und die Generierung und Aussendung von Warnmeldungen bis hin zur Kommunikation an Radfahrende sowie andere Verkehrsteilnehmende.

    Zentrale Forschungsergebnisse

    Das Forschungsvorhaben Bike2CAV hat eindrucksvoll die hohe Komplexität bei der technischen Umsetzung von kooperativen Systemen gezeigt, da sehr viele Systemkomponenten aufeinander abgestimmt zusammenspielen müssen. In den definierten Schwerpunktbereichen des Projekts konnten folgende zentrale Ergebnisse gewonnen werden:

    Risikozonen für Radfahrende an Verkehrsknoten:

    Den Forschenden gelang eine semiautomatisierte Ableitung von Interaktionszonen in Kreuzungsbereichen basierend auf statistischen Unfallwahrscheinlichkeiten. „Eine wichtige Erkenntnis war, dass Radfahrende die Infrastruktur an der untersuchten, urbanen Kreuzung oft anders als vorgesehen verwenden. Das liegt vermutlich daran, dass die Planung primär den Bedürfnissen des KFZ-Verkehrs folgt“, so Martin Loidl von der Universität Salzburg.

    Smarte Fahrräder und Eigenlokalisierung aus Sicht des Fahrrads:

    Eine hochgenaue Eigenlokalisierung von Radfahrenden ist zentral für eine zuverlässige Detektion von Kollisionsrisiken. Neben zwei im Holoscene Bike verbauten GNSS-Empfängern wurden auch die Genauigkeit eines Smartphones und die eines am Helm montierten hochgenauen Sensors untersucht. Das Ziel war eine weniger als 50 cm große Abweichung bei 99,9-prozentiger Zuverlässigkeit. „Speziell im städtischen Umfeld war die angestrebte Lokalisierungsgenauigkeit durch die dichte Bebauung und eine Bahn-Unterführung sehr herausfordernd. Erreicht wurden 0,5 Meter laterale Abweichung bei 95 Prozent Zuverlässigkeit in ruraler Umgebung sowie unter zwei Meter laterale Abweichung bei 95 Prozent Zuverlässigkeit in urbaner Umgebung “, berichtet Zankl.

    V2X-Kommunikation für Fahrräder:

    Als zielführend hat sich der Ansatz herausgestellt, auch Fahrräder mit V2X-Technologie auszustatten, um automatisierten Fahrzeuge neben der passiven Erkennung über Umfeldsensorik auch eine aktive Erkennung über ITS-G5 zu ermöglichen. „Solche Fahrräder sind bisher nicht am Markt erhältlich, ein Proof-of-Concept-Prototyp konnte jedoch im Projekt getestet werden“, sagt Louis P. Huard, Geschäftsführer von Boréal Bikes.

    Erkennung von Radfahrenden durch die Infrastruktur und V2X-Kommunikation:

    Mittels umfangreicher Sensorik sollen Radfahrende durch die Infrastruktur visuell erkannt und verfolgt werden. “Unser eingesetztes kamerabasiertes KI-Detektionssystems zur Erkennung und Klassifikation von Kraftfahrzeugen und Fußgänger:innen wurde auf die Erkennung von Radfahrenden erweitert und optimiert. Zudem wurde für die V2X-Kommunikation der Entwurf des Nachrichtenformats collective perception message für die Übertragung der Informationen von detektierten Verkehrsteilnehmenden erfolgreich getestet“, sagt Alexander Paier von Kapsch TrafficCom.

    Erkennung von Radfahrenden durch Fahrzeuge:

    Basierend auf Machine-Learning-Methoden wurde eine Intentionserkennung von Radfahrenden umgesetzt und dadurch eine bessere Pfadvorhersage und Bestimmung von Kollisionsrisiken ermöglicht. „Besonders die visuelle Bestimmung der Körperhaltung und Handzeichenerkennung sind wichtig für eine zuverlässige Bewegungsvorhersage“, so Martin Fletzer vom AIT - Austrian Institute of Technology.

    Warnkonzepte für Radfahrende:

    Die Anforderungen an nicht-ablenkende Warnungen vor Kollisionsrisiken zwischen einem Fahrzeug und Radfahrenden wurden in einem Co-Creation-Prozess mit Lead-Usern identifiziert. Unterschiedliche Warnungsmodi – akustisch, visuell und taktile Warnsignale – wurden mittels einer Navigations-App am Smartphone, Vibration an der Lenkstange und akustischen Signalen im Helm konzipiert und getestet. „Die Radfahrenden empfanden vor allem auditive Warnungen als hilfreich, besonders in Situationen, in denen sich ein Fahrzeug von hinten nähert“, sagt Cornelia Zankl von Salzburg Research.

    Realerprobung:

    In allen sechs getesteten Szenarien konnten riskante Situationen mit Kollisionsrisiko nachgestellt und Kollisionswarnungen erzeugt werden.

    „Zusammenfassend können wir bestätigen, dass Kollisionsrisiken mit dem gewählten Ansatz kooperativ erkannt werden können. Die Anbindung unterschiedlicher Datenquellen und die Verarbeitung der großen Datenmengen gestaltete sich jedoch noch sehr aufwendig. Die durchgeführten Tests waren auf prototypischer Ebene erfolgreich, für einen realen Einsatz sind jedoch noch Weiterentwicklungen bzw. Optimierungen erforderlich.“, fasst Projektleiterin Cornelia Zankl von Salzburg Research zusammen.

    Das Kuratorium für Verkehrssicherheit (KFV) hat abschließend untersucht, ob die kooperativ erkannten Situationen für die Radfahrenden tatsächlich riskant waren und ob diese effektiv vor einem Risiko gewarnt wurden. „Beim Feldversuch ist es gelungen, eine gute Auswahl an typischen Hochrisikosituationen für Radfahrende zu generieren. In 27 der insgesamt 30 Fahrten konnte eine Warnung vor einer für Radfahrende tatsächlich gefährlichen Situation an die beteiligten Verkehrsteilnehmenden ausgesendet werden“, attestiert Hatun Atasayar, Sicherheitsexpertin beim KFV.

    ---

    Eckdaten zum Forschungsprojekt „Bike2CAV“

    Projekttitel: Entwicklung und Validierung von Methoden zur Kollisionsvermeidung von Radfahrer:innen durch Fahrzeug-zu-X-Kommunikation
    Projektdauer: 01.09.2020 - 30.04.2023 (32 Monate)

    Projektziele:
    1. Validierung von Methoden zur Verbesserung der Umfeldwahrnehmung und Detektion von Intentionen
    2. Entwicklung eines Verfahrens zur kooperativen Detektion von Kollisionsrisiken
    3. Entwicklung von Methoden zur Warnung von Radfahrenden vor Kollisionsrisiken
    4. Evaluierung der validierten Methoden in einem integrierten Proof-of-Concept-Prototypen mittels Realerprobungen

    Forschungskonsortium: Salzburg Research Forschungsgesellschaft (Projektleitung), AIT – Austrian Institute of Technology GmbH, Center for Vision, Automation & Control, Universität Salzburg, Department for Geoinformatics, Kapsch TrafficCom AG, Bike Citizens Mobile Solutions GmbH, BB Boréal Bikes GmbH, KFV – Kuratorium für Verkehrssicherheit.
    Fördergeber: Bundesministerium für Klimaschutz, Umwelt, Energie, Mobilität, Innovation und Technologie

    Website: https://www.bike2cav.at/
    Video zum Projekt: https://www.youtube.com/watch?v=5c1c_UY0eTQ

    ---

    Hintergrundinformation

    Holoscene Bike

    Boréal Bikes stellte das Holoscene Edge Bike bereit – ein Forschungsrad ausgerüstet mit modernster Technologie für Konnektivität, Edge-Computing und Human-Machine-Interface. Das Fahrrad ist mit vergleichbaren Sensoren ausgestattet, die auch in autonomen Fahrzeugen neuester Generation zu finden sind. Die Sensorik umfasst fünf Kameras für eine vollständige 360-Grad-Surround-Ansicht und fünf LiDAR-Sensoren für räumliche Informationen aus der Umgebung. Der Zweck des Fahrrads besteht darin, Sensoren und Komponenten, die in einem intelligenten Transportsystem (ITS) verwendet werden, mit zuverlässigen Basisdaten aus der Fahrradperspektive zu erweitern. Diese Datensätze aus der Sicht des Fahrrads ermöglichen die Entwicklung und Einbindung des Fahrrads in intelligente Verkehrssysteme sowie die Validierung ebensolcher Technologien.

    Forschungsfahrzeug

    Das Austrian Institute of Technology (AIT) rüstete ein VW T-Roc mit erforderlicher Sensorik aus: Kameras für die Umgebungswahrnehmung, GNSS-Receiver für die Lokalisierung und eine On-Board-Unit (OBU) für die Kommunikation mit anderen Verkehrsteilnehmenden und der Infrastruktur. Neben dem Einsatz als Fahrzeug für Demonstrationszwecke, ist solch ein Fahrzeug eine ideale Möglichkeit für Aufnahmen in realen Verkehrssituationen. Dadurch können die erforderlichen Trainingsdaten für neuronale Netze gesammelt werden.

    Testkreuzungen

    Kapsch TrafficCom installierte straßenseitige Infrastruktur für V2X-Kommunikation und KI-basierte Videoanalyse. V2X ITS-G5 Roadside Units ermöglichen die Kommunikation mit Fahrrad und dem Connected Automated Vehicle (CAV). Auch die Daten der Videoanalyse werden über die RSU an die Verkehrsteilnehmenden und eine zentrale Plattform übermittelt. Für die Videoanalyse wurden zwei verschiedene Kameras eingesetzt. Neben einer üblichen Kamera mit einem Blickwinkel von ca. 90° kam eine 180°-Kamera zum Einsatz, die einen besseren Überblick über die gesamte Kreuzungssituation ermöglicht. Die Prozessierung der Videos erfolgte direkt vor Ort in einem Controller (Edge Computing).

    HD-Maps

    Salzburg Research modelliert in digitalen, hochauflösenden Karten (HD-Maps) das Straßennetz in sehr hoher Qualität. Diese Karten werden zur Analyse von Bewegungsabläufen von Radfahrerenden auf Verkehrsknoten eingesetzt und unter anderem für das Referenzieren (Map-Matching) von Trajektorien, die die Fahrspuren von Fahrzeugen oder Fahrrädern zeigen, oder für die Prognose von Intentionen wie Abbiegemanövern, verwendet.


    Wissenschaftliche Ansprechpartner:

    Cornelia Zankl, Salzburg Research Forschungsgesellschaft mbH (Gesamtprojektleitung)
    +43-662-2288-317 | cornelia.zankl@salzburgresearch.at


    Weitere Informationen:

    Video zum Projekt
    https://www.salzburgresearch.at/presseaussendung/weniger-kollisionen-mit-radfahr... Umfangreiches Bildmaterial zum Download
    https://www.bike2cav.at/ Projektwebsite


    Bilder

    Forschungsfahrrad und Forschungsfahrzeug bei der Realerprobung von kooperativ erkannten Kollisionswarnungen
    Forschungsfahrrad und Forschungsfahrzeug bei der Realerprobung von kooperativ erkannten Kollisionswa ...

    © Salzburg Research/wildbild

    Mehr Sicherheit für Radfahrende durch kooperative intelligente Verkehrssysteme
    Mehr Sicherheit für Radfahrende durch kooperative intelligente Verkehrssysteme

    © Salzburg Research


    Merkmale dieser Pressemitteilung:
    Journalisten, Wissenschaftler, jedermann
    Geowissenschaften, Informationstechnik, Psychologie, Verkehr / Transport
    überregional
    Forschungs- / Wissenstransfer, Forschungsergebnisse
    Deutsch


     

    Hilfe

    Die Suche / Erweiterte Suche im idw-Archiv
    Verknüpfungen

    Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.

    Klammern

    Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).

    Wortgruppen

    Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.

    Auswahlkriterien

    Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).

    Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).