Digitale Mobilitäts-Services unterstützen Autofahrer

Ein kontinuierlich wachsendes Verkehrsaufkommen stellt Städte vor enorme Herausforderungen und die Geduld der Autofahrer auf die Probe. Lösungsansätze hierfür liegen unter anderem in der Minimierung des Feierabendverkehrs oder der Parkplatzsuche – beispielsweise durch neue Mobilitäts-Services, wie etwa einer schwarmbasierten Parkplatzsuche. Sie sind deshalb ein wichtiger Bestandteil von Smart-City-Konzepten, die die Verbesserung der Lebensqualität ihrer Bewohner zum Ziel haben. Die Schaffung einer geeigneten Infrastruktur – allen voran einer geeigneten IT-Infrastruktur in und rund um Fahrzeuge – spielt dabei eine zentrale Rolle. Um Smart-City-Konzepte realisieren zu können, beschäftigen sich Entwickler im Entwicklungsprojekt DIAS mit neuen Entwicklungsansätzen für künftige Mobilitäts-Services.

Services durch Schwarmdaten generieren

Ziel von DIAS ist es, digitale Services und Funktionen rund um das Fahrzeug kundenspezifisch anbieten zu können. Das Entwicklungsprojekt liefert hierfür Entscheidungsgrundlagen für Algorithmen und IT-Infrastrukturen im Bereich Connected Cars. DIAS setzt sich dabei mit verschiedenen Forschungsbereichen auseinander: zum einen zählt hierzu die Analyse der Einsatzmöglichkeiten von Technologien wie Big Data oder Cloud Computing. Der Gewinn neuer Erkenntnisse bei der Zusammenführung der Daten aus unterschiedlichen Fahrzeugen, beispielsweise das Ableiten eines realistischen Fahrermodelles aus Geschwindigkeitsprofilen verschiedener Fahrer, stellt einen weiteren Bereich dar. Zudem arbeiten die Entwickler an Location-Based-Services, indem sie Kartendaten mit gewonnenen Fahrzeug- und Umfelddaten anreichern. Das DIAS-Projekt beschäftigt sich darüber hinaus mit dem Einsatz von Methoden künstlicher Intelligenz, damit das Fahrzeug Objekte wie beispielsweise Schilder, andere Fahrzeuge oder Fußgänger sowie komplexe Verkehrssituationen erkennen kann. Dadurch lassen sich neue POIs (Points of Interest) automatisch kartographieren und in geeigneten Anwendungen wie einem Flottenmanagement anzeigen. Die gewonnenen Informationen helfen je nach Grad der Vertrauenswürdigkeit dabei, den erkannten POIs eine entsprechende Konfidenz zuzuteilen: hierfür legen die Verantwortlichen fest, wie oft das System eine Baustelle erkennen muss, um die automatische Kartographierung beziehungsweise das Entfernen des POI auszulösen.

Bild 1: Für das DIAS-Projekt hat ASAP die eigene Fahrzeugflotte mit intelligenten Sensoren ausgestattet und die benötigte IT-Infrastruktur aufgesetzt. ASAP

Für die Umsetzung des Projektes hat ASAP die eigene Fahrzeugflotte (Bild 1) an den Standorten Ingolstadt und München mit intelligenten Sensoren ausgestattet und die benötigte IT-Infrastruktur aufgesetzt. Das System sendet die Daten aus den Fahrzeugen an ein Back-End und stellt sie anschließend in aufbereiteter Form den Nutzern der Services wieder zur Verfügung. Mit den auf diese Weise gewonnenen Schwarmdaten lässt sich Wissen über sinnvolle Anwendungsmöglichkeiten von Algorithmen im Bereich Machine Learning sowie in der Objekterkennung generieren. Zusätzlich lassen sich damit Big-Data-Technologien evaluieren und hinsichtlich möglicher Einsatzzwecke für Kundenprojekte analysieren.

Architektur und Zusammenhänge

Im Entwicklungsprojekt DIAS mussten die Verantwortlichen zunächst die Infrastruktur zur Erhebung, Übermittlung, Verwaltung sowie Auswertung von Daten erarbeiten und umsetzen. Diese bildet die Grundlage zur Evaluierung möglicher Einsatzzwecke der gewonnenen Schwarmdaten und zu einer Rapid-Prototyping-Umgebung, um neue Services unkompliziert praxisnah umzusetzen. Dazu war es nötig, Technologien und aktuelle Frameworks aus den Bereichen Big Data und Cloud Computing zu implementieren. Bild 2 veranschaulicht die hierfür aufgebaute Architektur und Zusammenhänge innerhalb des DIAS-Projekts wie folgt:

Bild 2: Aufbau Architektur und Zusammenhänge im DIAS-Projekt. ASAP

Die Devices (1) sind für die Erfassung der Daten aus dem Fahrzeug und dem Umfeld, wie zum Beispiel der aktuellen Fahrzeuggeschwindigkeit, Fahrerinteraktionen und Tempolimits zuständig. Anschließend findet eine verschlüsselte, kontinuierliche Kommunikation (2) zwischen Devices und Cloud statt. Die Cloud (3) liefert die für das Projekt aufgesetzte Infrastruktur. Unter Intelligence (4) erfolgt dann das Auswerten der erfassten Daten mit unterschiedlichen Ansätzen, beispielsweise Bildverarbeitung, mathematische Modelle oder Methoden aus dem Bereich des Machine Learnings. Daraus resultieren dann die Automotive Services (5) die dem Fahrer einen Mehrwert bieten.

Die Verantwortlichen entwickelten die in den Fahrzeugen eingesetzten Devices zunächst auf Grundlage eines Raspberry Pi. An das Device haben sie dann unterschiedliche Sensoren wie Kamera oder GPS-Empfänger angebunden. Des Weiteren war es nötig, eine Hardware zu entwickeln, die es ermöglicht, Fahrzeugbussysteme auszulesen. Als Middleware kommt ROS (Roboter Operating System) zum Einsatz. Diese ermöglicht eine standardisierte Verwaltung und Kommunikation der einzelnen Softwarefunktionen auf dem Device. Die Realisierung der Verteilung von Softwareupdates und Konfigurationen erfolgt über Puppet. Damit lassen sich verschiedene Messkampagnen zentral steuern.

Die Kommunikation zur Cloud ist verschlüsselt und über ein Zertifikatsmanagement abgesichert. Während die Aufzeichnung von Fahrzeug- und GPS-Daten kontinuierlich verläuft, lösen nur spezielle Trigger in der Software die Aufzeichnung der Kameradaten und deren Übertragung in das Backend aus. Im Device laufende Objekterkennung, beispielsweise eine Verkehrsschilderkennung, können diese Trigger auslösen. Um LTE-Datenvolumen einsparen zu können, implementierten die Entwickler ein Burst-Modus als ROS-Node. Somit lassen sich bestimmte Daten, wie zum Beispiel Bilder oder Umgebungsinformationen, erst bei einer bestehenden WLAN-Verbindung an einem der ASAP Standorte übertragen. Die Fahrzeuge übermitteln bestimmte Fahrzeugsignale kontinuierlich an die Cloud. Somit sind die Entwickler in der Lage, auf den jeweiligen Einsatzzweck angepasste Messkampagnen mit Live-Daten und solchen mit eher statischen Informationen durchzuführen.

Die Cloud empfängt und bearbeitet die Daten ebenfalls mittels ROS-Knoten. Anschließend werden die Daten in NoSQL-Datenbanken persistiert. Jedes Element der Cloud läuft in einem Docker-Container – dadurch ist es einfach möglich, ein Load Balancing durchzuführen und die zukünftige Skalierbarkeit sicherzustellen. Ein GPU Cluster kommt zum Einsatz, um empfangene Bilddaten zur Analyse an die Intelligence weiterzuleiten. Erkannte Objekte lassen sich mit bereits vorhandenen Daten verifizieren, anschließend fusionieren und in die Datenbank schreiben. Somit ist es möglich für jedes Objekt eine Konfidenz zu erstellen, welche angibt, wie sicher das Objekt existiert. Dies ist insbesondere nötig, um auf Veränderungen in der Umwelt (Straßenbau/-führung, Infrastruktur) reagieren zu können.

Die Datenbank bietet eine einheitliche Schnittstelle zur flexiblen Datenauswertung und -aufbereitung für die Services an. So lassen sich zum Beispiel alle erkannten Objekte als statische und dynamische POIs in einer Karte visualisieren. Die Services können die Daten auch nach ihrer Konfidenz filtern und nur jene verwenden, die eine für den Service ausreichend hohe Konfidenz besitzen.

Neben der Auswertung von Daten liegt ein weiterer Fokus der Intelligence des DIAS-Projektes darauf, die bestehenden Modelle zu verbessern oder neue Modelle aufzubauen. Die am Entwicklungsprojekt beteiligten Entwickler bereiten hierzu die gewonnenen Daten auf und verwenden diese zum Training, Evaluieren und Testen. Aus neuen Modellen lassen sich anschließend auch weitere Services entwickeln. Des Weiteren ist es möglich, durch Methoden aus dem Bereich des Deep Learnings auch Zusammenhänge zwischen unterschiedlichen Datenquellen zu finden und die Zusammenhänge anschließend näher zu untersuchen.

Kombination verschiedener Methoden

Bild 3: Anreicherung von Kartendaten mit gewonnenen Fahrzeug- und Umfelddaten ASAP

Bild 4: Grafische Darstellung im DIAS-Projekt aufgezeichneter Daten. ASAP

Durch den Einsatz verschiedener Methoden – klassische Algorithmen aus der Bildverarbeitung sowie Methoden des Machine Learning – ist es möglich, anhand der gewonnenen Schwarmdaten Lichtsignalanlagen zu erkennen. Daten aus den Fahrzeugen speisen neuronale Netze und trainieren diese auf bestimmte Situationen. Dann erfolgt die Validierung des Lernprozesses der künstlichen Intelligenz: das neue Netzwerk wird an die Fahrzeuge gesendet, welche die Güte des trainierten Algorithmus prüfen, indem sie die Erkennungsraten des Systems für die neu antrainierten und ähnlichen Situationen im Straßenverkehr ermitteln. Dabei lassen sich auch Erkenntnisse darüber gewinnen, in welcher Form die Trainingsdaten aufzubereiten sind, damit die Algorithmen relevante Situationen künftig effizienter erkennen können. Lichtsignalanlagen lassen sich bereits als POIs automatisiert im Datenbanksystem hinterlegen und dort mit weiteren Informationen verknüpfen. So lassen sich Karten mit verschiedensten Informationen anreichern und Live-Modelle erstellen (Bilder 3 und 4), in denen unterschiedlichste Details – Standorte der Fahrzeuge, Live-Bewegungen inklusive Fahrzeugsignalen sowie Standorte von Ampeln – abgebildet sind.

Durch die Verbindung herkömmlicher Technologien mit Methoden künstlicher Intelligenz ergeben sich im DIAS-Projekt neue Erkenntnisse. So kombinieren die Entwickler beispielsweise Bildverarbeitung zur Schildererkennung mit Machine Learning und identifizieren dadurch POIs für ihre Live-Modelle: angelernte Algorithmen erkennen dabei etwa, wenn viele Fahrzeuge an einer Stelle abbremsen und die Spur wechseln – ein Hinweis auf eine mögliche Baustelle. In Kombination mit der Schilderkennung lassen sich Gefahrenzonen so künftig noch eindeutiger identifizieren. Mithilfe von Machine Learning lassen sich aus den Schwarmdaten zudem realistische Fahrermodelle generieren. Verschiedene Informationen über ein Fahrverhalten – wann und warum bremst der Fahrer, wie stark bremst er und mit welcher Geschwindigkeit fährt er in relevanten Szenarien – fließen darin ein. Solche Fahrermodelle dienen beispielsweise zu Testzwecken im Bereich der virtuellen Absicherung.

(aok)