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.

Es wird ein Überblick über Nachschulungsmaßnahmen gegeben, die von der Projektgruppe "Kurse für auffällige Kraftfahrer" bei der Bundesanstalt für Straßenwesen vorgeschlagen werden. Zunächst wird unterschieden zwischen Kursen für auffällig gewordene Kraftfahrer ohne Trunkenheitsdelikte und Kursen für alkoholauffällige Kraftfahrer. Die Nachschulungsmaßnahmen für Fahrer ohne Trunkenheitsdelikte belaufen sich zum einen auf Kurse auf freiwilliger Basis (Kurse für Kraftfahrer im Alter bis zu 23 Jahren; Kurse für Kraftfahrer ab 24 Jahre), zum anderen auf obligatorische Kurse (Teilnehmer Personen mit 14 Punkten bis 17 Punkten im Verkehrszentralregister). Die Zielgruppe für Kurse für alkoholauffällige Kraftfahrer umfasst Personen, die einmal oder wiederholt durch Trunkenheit im Straßenverkehr in Erscheinung getreten sind (ausgenommen alkoholbedingte Verkehrsverstöße im Sinne von Ordnungswidrigkeiten). Abschließend wird die Thematik der Qualifikation von Moderatoren abgehandelt (Begriffsbestimmung und Rahmenbedingung; Qualifikationserfordernisse im einzelnen; Eingangsqualifikation und Abschluss).