The main focus of the benefit estimation of advanced safety systems with a warning interface by simulation is on the driver. The driver is the only link between the algorithm of the safety system and the vehicle, which makes the setup of a driver model for such simulations very important. This paper describes an approach for the use of a statistical driver model in simulation. It also gives an outlook on further work on this topic. The build-up process of the model suffices with a distribution of reaction times and a distribution of reaction intensities. Both were combined in different scenarios for every driver. Each scenario has then a specific probability to occur. To use the statistical driver model, every accident scene has to be simulated with each driver scenario (combinations of reaction times and intensities). The results of the simulations are then combined regarding the probabilities to occur, which leads to an overall estimated benefit of the specific system. The model works with one or more equipped participants and delivers a range for the benefit of advanced safety systems with warning interfaces.

The focus of the technical innovation in the automobile industry is currently changing to sensor based safety systems, which are operating in the pre-crash phase of an accident. To get more information about this pre-crash phase for real accidents a simulation of this phase using the GIDAS database is done. The basics for this simulation are geometrical information about the accident location and the exact accident data out of the GIDAS database. This aggregated information gives the possibility to simulate an exact motion for every accident participant, using MATLAB / SIMULINK, in the pre-crash phase. After the simulation the information about the geometrical positions, the velocities and maneuvers of the drivers to an individual TTC (time to collision) are available. With those results it is possible to develop new useful sensor geometries using pre-crash scatter plots or estimate the efficiency of implemented active safety systems in combination with sensor characteristics. This simulation can be done for every reconstructed accident included in the GIDAS database, so these results can represent a wide spread basis for the further development of active safety systems and sensor geometries and characteristics

Die Rekonstruktion von Verkehrsunfällen ist ein zeitaufwändiger Prozess, der so objektiv wie möglich verlaufen sollte. Die Unfallrekonstruktion ist von den verfügbaren Informationsquellen, sich daraus ergebenden Anknüpfungstatsachen sowie dem Erfahrungsschatz des Rekonstrukteurs abhängig. Das Forschungsprojekt untersucht auf Basis von Daten der German In-Depth Accident Study (GIDAS), welche Verbesserungen der GIDAS- Unfallrekonstruktion durch Erhebung zusätzlicher Anknüpfungstatsachen zu erwarten sind und ob die Unfallrekonstruktion durch Nutzung künstlicher Intelligenz (KI) optimiert werden kann. Zunächst wurde das Vorgehen in der Rekonstruktion von Verkehrsunfällen im Rahmen des GIDAS- Projektes analysiert. In Abhängigkeit der derzeit verfügbaren Informationsquellen wurden sieben verschiedene Rekonstruktionsvarianten gefunden, für die während der Projektlaufzeit Beispielfälle von erfahrenen GIDAS-Rekonstrukteuren bearbeitet wurden. Diese Fälle bildeten die Basis für eine spätere KI-Potenzialabschätzung. Die Untersuchung derzeit in GIDAS standardmäßig erhobener Informationsquellen und der sich daraus ergebenden Anknüpfungstatsachen ergab, dass aktuell für die Bestimmung von etwa der Hälfte der bisherigen Anknüpfungstatsachen nur eine Informationsquelle vorhanden ist. Unter Einbeziehung neuer Informationsquellen, die zur Verbesserung der Rekonstruktion analysiert wurden, konnte dieser Anteil auf ein Viertel reduziert werden. Anhand der drei beispielhaft gewählten neuen Informationsquellen Event Data Recorder (EDR), Reibwertschätzung (NIRA-Board (NIRA dynamics, 2022)) und Videos von Verkehrsüberwachungskameras wurde für exemplarische Verkehrsunfälle eine Abschätzung des Mehrwertes der zusätzlichen Erhebung dieser neuen Informationsquellen durchgeführt. Im Ergebnis ermöglichen neue Informationsquellen schon vorhandene GIDAS-Kodierungen zu präzisieren oder sogar vorher unbekannte Parameter zu erfassen. Die derzeit in GIDAS verwendeten Variablen für Toleranzangaben im Rekonstruktionsprozess und ihre Verwendungshäufigkeit waren Teil einer weiteren Analyse. Darauf aufbauend wurde die Genauigkeit der Angabe von rekonstruierten Bewegungsparametern untersucht und für einen Teil der im Projektzeitraum rekonstruierten Unfälle der relative Fehler der Kodierungen für Geschwindigkeitswerte in den verschiedenen Phasen eines Unfalls analysiert. Im Ergebnis zeigt sich, dass Geschwindigkeitsangaben der In-Crash-Phase bei Auslaufbeginn die größten relativen Fehler haben. Die Analysen zum derzeitigen GIDAS- Rekonstruktionsprozess wurden mit einer Befragung von Rekonstrukteuren abgeschlossen, durch die subjektive Beurteilungsfehler im Rekonstruktionsprozess herausgearbeitet wurden. Zwischen den rekonstruierenden Personen ergaben sich teilweise große Unterschiede in der Variablenbestimmung. Ein GIDAS-Teildatensatz von 1837 Pkw-Pkw- Unfällen ermöglichte grundlegende Betrachtungen für die Prüfung, ob die Verkehrsunfallrekonstruktion durch KI-Methoden effizienter und mit weniger Toleranzen behaftet durchgeführt werden kann. Fünf verschiedene Modelle des maschinellen Lernens wurden trainiert und evaluiert. Bei der Anwendung auf einen GIDAS-Testdatensatz zeigte sich, dass das CatBoost-Modell die höchste Vorhersagegenauigkeit für die Parameter Ausgangsgeschwindigkeit v0, Kollisionsgeschwindigkeit vk, vektorielle Geschwindigkeitsdifferenz delta-v und den Energy-Equivalent-Speed (EES) hatte. Dass KI-Anwendungen einen potenziellen Nutzen für die Unfallrekonstruktion haben, wurde durch Ergebnisse für zwanzig Beteiligte der im Projektzeitraum rekonstruierten Pkw-Pkw-Unfälle deutlich. Bei zwölf beteiligten Pkw (60%) weist die Vorhersage der Ausgangsgeschwindigkeit eine Abweichung von maximal 20% zum vom Rekonstrukteur festgelegten Wert auf; vier Beteiligte (20%) haben maximal nur 10% Abweichung. Die vorhergesagte Ausgangsgeschwindigkeit liegt für fünf Beteiligte (25%) innerhalb des vom Rekonstrukteur angegebenen Toleranzbereichs, der für diese Beteiligten Abweichungen bis zu 20% zulässt. Bei der Arbeit mit den KI-Modellen wurden Schwächen deutlich, deren Ursprung in der relativ kleinen Trainingsdatenmenge vermutet wird. Die entstandenen KI-Modelle sind daher als Ausgangspunkt für den iterativen Prozess der Implementierung und Integration von KI in der Unfallrekonstruktion einzuordnen.