Refine
Document Type
- Conference Proceeding (2)
- Book (1)
Keywords
- Accident (2)
- Conference (2)
- Konferenz (2)
- Unfall (2)
- Accident black spot (1)
- Analyse (math) (1)
- Analysis (math) (1)
- Animal (1)
- Artificial intelligence (1)
- Aufzeichnung (1)
Institute
- Sonstige (2)
- Abteilung Fahrzeugtechnik (1)
The paper presents a methodology for the benefit estimation of several secondary safety systems for pedestrians, using the exceptional data depth of GIDAS. A total of 667 frontal pedestrian accidents up to 40kph and more than 500 AIS2+ injuries have been considered. In addition to the severity, affected body region, exact impact point on the vehicle, and the causing part of every injury, the related Euro NCAP test zone was determined. One results of the study is a detailed impact distribution for AIS2+ injuries across the vehicle front. It can be stated, how often a test zone or vehicle part is hit by pedestrians in frontal accidents and which role the ground impact plays. Basing on that, different secondary safety measures can be evaluated by an injury shift method concerning their real world effectiveness. As an example, measures concerning the Euro NCAP pedestrian rating tests have been evaluated. It was analysed which Euro NCAP test zones are the most effective ones. In addition, real test results have been evaluated. Using the presented methodology, other secondary safety like the active bonnet (pop-up bonnet) or a pedestrian airbag measures can be evaluated.
Millions of kilometers are driven and recorded by car manufacturers and researchers every year to gather information about realistic traffic situations. The focus of these studies is often the recording of critical situations to create test scenarios for the development of new systems before introducing them into the market. This paper shows a novel Analysis and Investigation Method for All Traffic Scenarios (AIMATS) based on real traffic scenes. It also shows how to get detailed information about speeds, trajectories and behavior of all participants without driving thousands of kilometers at the example of conflict situations with animals. Basis of the AIMATS is the identification of the most relevant locations as "Points of Interest" (POI), the recording of the critical situations and their "base lines" at these POI. This paper presents a new method to identify critical scenarios involving both vehicles and animals as well as preliminary results of a study done in Saxony using this new method.
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.