ForschungForschungsprojekte
RoCCl - Road Condition Cloud

RoCCl - Road Condition Cloud

Team:  M. Sc. Alexander Busch
Jahr:  2018
Förderung:  Deutsche Forschungsgemeinschaft (DFG)
Laufzeit:  02/2018 - 01/2021

Eine Vielzahl von Unfällen im Straßenverkehr ist auf die fehlende Kenntnis des aktuellen Fahrbahnzustands und somit des Reibwertes zwischen Fahrbahn und Reifen zurückzuführen. Der Fahrer kann oft nur sehr stark verzögert auf Reibwertänderungen reagieren und seine Fahrweise anpassen. Selbiges gilt für aktive Fahrerassistenzsysteme, wie beispielsweise die Notbremsfunktion, die bei zu geringem Reibwert nur die Aufprallgeschwindigkeit reduzieren, den Unfall aber nicht verhindern kann. Das Ziel dieses Projektes ist es, den Fahrbahnzustand durch wahrscheinlichkeitsbasierte Datenfusion verschiedener heterogener Quellen zu schätzen und in eine zeitlich veränderliche Karte, der Road Condition Cloud (RoCCl), zu überführen. Diese Informationen können von den Fahrzeugen genutzt werden, um beispielsweise den Fahrer vor glatten Fahrbahnen frühzeitig zu warnen oder die Fahrerassistenzsysteme entsprechend zu adaptieren.

Innerhalb des Fahrzeugs wird dazu anhand eines detaillierten Fahrdynamikmodells unter Hinzunahme von Seriensensorik wie Beschleunigungen, Gierrate und Raddrehzahlen, der aktuelle Reibwert des Reifen-Fahrbahn-Kontakts geschätzt und zusätzliche mit einer Konfidenz zur Abschätzung der Genauigkeit bzw. Korrektheit der Schätzung belegt. Des Weiteren werden Informationen aus Onboard- und Umgebungssensorik (Temperatur, Scheibenwischerstatus, GPS-Position, Abstandsverhalten etc.) hinzugezogen. Diese Informationen werden an die RoCCl geschickt und dort echtzeitnah aufbereitet. Dabei müssen Daten sehr großer Menge bei hohen Datenraten und einer großen Datenvielfalt berücksichtigt werden.  Durch Methoden der wahrscheinlichkeitsbasierten Sensordatenfusion werden die heterogenen Informationen einzelner Fahrzeuge an einem Ort zu einer Schätzung des Fahrbahnzustands, erneut mit zusätzlicher Konfidenz, verarbeitet. Durch Hinzunahme von globalen Informationen, wie Temperaturverläufen oder Niederschlagsinforationen werden die einzelnen Schätzungen zu einer globalen, zeitlich veränderlichen Karte erweitert. Somit kann die Konfidenz der Schätzung an einem bestimmten Ort durch Informationen aus mehrerer Fahrzeugen erhöht werden. Zusätzlich bietet sich die Möglichkeit durch Interpolation Orte mit einem Schätzwert zu belegen, die nicht direkt durch Informationen aus einem Fahrzeug stimuliert werden. Die Kommunikation mit der RoCCl bietet somit auch die Möglichkeit Fahrerassistenzsysteme zu Beginn einer Fahrt korrekt zu initialisieren. Zeitliche Veränderungen, beispielsweise abrupt, von trocken zu nass durch eintretenden Regen oder langsame Änderungen durch Abtrocknung werden dabei ebenfalls berücksichtigt.

 

Die Funktionsweise der RoCCl soll in einer Simulation mit skalierbarer Flottengröße demonstriert werden. Innerhalb der simulierten Flotte werden mehrere reale Fahrzeuge eingebunden, um die Ergebnisse an realen Versuchsträgern zu validieren.