Direkt zum Inhalt

Intelligente Städte (Smart Cities) benötigen datengestützte Konzepte für eine effektive und nachhaltige Bewältigung von alltäglichen Aufgaben. Eine zentrale Aufgabe ist es, Mobilität in urbanen Räumen mit zunehmender Bevölkerungsdichte zu ermöglichen. In enger Zusammenarbeit mit der Volkswagen AG untersucht das Projekt Urban Mobility Assist neuartige datengestützte Ansätze zur Nutzung von lokal gemessenen Daten in Fahrzeugen und städtischer Infrastruktur, um auf verschiedenen Ebenen einen Mehrwert für das Stadtmanagement, kommerzielle Dienstleister und individuelle Nutzer von Mobilitätsdiensten zu schaffen.

Motivation

Das autonome Fahren wird derzeit als eine der Königswege für zukünftige Mobilitätsszenarien gepriesen. Doch neben rechtlichen und sicherheitstechnischen Fragen ist die technologische Umsetzung vor allem in urbanen Szenarien mit dichtem Verkehr noch problematisch. Die gründliche Auswertung aktueller Sensorinformationen zur Vermeidung von möglichen gefährlichen Situationen ist mit einem erheblichen Aufwand verbunden, der notwendig wäre, um die besten Gesamtfahrentscheidungen abzuleiten. Kurz gesagt: Autonom fahrende Autos verhalten sich noch nicht wie erfahrene Fahrer, sie hinterlassen ein unangenehmes Nutzererlebnis durch unerwartete Stopps, häufige Spurwechsel, usw.

 

Herausforderungen & Highlights

Dieses Problem könnte verringert werden, indem lokale Daten nicht nur für ein klares Bild der aktuellen Situation, sondern auch im Hinblick auf das aktuelle Verhalten anderer Fahrer am gleichen Ort genutzt werden. Es besteht ein klarer Unterschied zwischen der strategischen Absicht (Navigationsaufgabe) und der Taktik (Führungsaufgabe), die in einer Situation angewendet wird, um diese Absicht zu erreichen. Die Auswahl einer korrekten und ‚natürlichen‘ Führung ist ein erster wichtiger Schritt; dann muss diese jedoch noch im Hinblick auf die aktuelle Situation stabilisiert werden. Natürlich erfordert die schiere Menge an Daten, die im alltäglichen Stadtverkehr produziert wird, leistungsfähige Big-Data-Techniken in Verbindung mit hochmodernem maschinellem Lernen.

 

Mögliche Anwendungen und Zukunftsfragen

Die Bewertung und Auswahl dominanter (d. h. typischer) Fahrtaktiken für verschiedene Orte und Situationen verspricht intuitivere Fahrentscheidungen in autonomen Fahrzeugen. Darüber hinaus würden diese Taktiken aufgrund ihres datengestützten Charakters nicht nur Standorte und aktuelle Situationen reflektieren, sondern könnten auch individuelle Merkmale aufweisen, wie z. B. kulturelle Unterschiede oder technische Einschränkungen der Fahrzeuge. Schließlich werden verbesserte Vorhersagen von Führungsaufgaben und deren Beziehung zu früheren Fällen zwangsläufig auch die globale Planung von Verkehrs- und Mobilitätsdiensten verbessern.

Begin
End