Moderne PKW schützen Insassen und Fußgänger, indem sie dank vorausschauender Systeme wie Fußgängererkennung oder Automatischem Notbremsassistenten bereits vor einem potenziellen Unfall aktiv werden und versuchen, diesen zu verhindern. Die Erkennung von bevorstehenden Fahrzeug-Fahrzeug-Kollisionen ist bereits seit 2014, die von Fahrzeug-Fußgänger-Kollisionen seit 2016 Bestandteil des Testprozesses großer Ratingagenturen wie dem Euro NCAP. Doch was, wenn sich ein Unfall trotz aller Maßnahmen nicht verhindern lässt? Um bei einem Verkehrsunfall alle Beteiligten bestmöglich zu schützen, wird im Forschungsprojekt „Sichere Unfallprognose“ der Frage nachgegangen, welches Handlungspotenzial Situationen bieten, in denen ein Crash unausweichlich ist. Eine zentrale Rolle kommt dabei solchen irreversiblen Aktoren zu, welche bereits vor einem Unfall gezündet werden könnten, um so ihre maximale Schutzwirkung zu entwickeln. Ein Airbag benötigt z. B. etwa 40 Millisekunden von der Zündung bis zu seiner vollständigen Entfaltung. Die vorausschauende Auslösung derart kritischer Sicherheitsmechanismen macht besondere Anstrengungen erforderlich, um zu gewährleisten, dass diese nur dann zum Einsatz kommen, wenn die Umstände es auch gestatten. Eine der wichtigsten Größen bei der Entscheidungsfindung stellt dabei die Unfallschwere einer bevorstehenden Kollision dar. Der genaue Verlauf in der Pre-Crash-Phase bis zum Eintritt des Unfalls steht nicht eindeutig fest. Unsicherheiten sind neben system- und witterungsbedingtem Sensorrauschen vor allem auf die Unkenntnis der Reaktionen von Fahrern und Fußgängern zurückzuführen. Deswegen sind Größen wie die prädizierte Unfallschwere probabilistisch zu beschreiben. Gute Schätzwerte solcher Größen setzen dabei eine gute Interpretation der Umwelt voraus. Ein statistischer Ansatz ist erforderlich.
Sichere Unfallprognose (SUP)
Abb. 1 veranschaulicht, wie unterschiedlich sich eine Pre-Crash-Situation in nur 512 Millisekunden in Abhängigkeit der Fahrerreaktionen entwickeln kann. Die verschiedenen Konstellationen zum Unfallzeitpunkt haben signifikante Unterschiede der zu erwartenden Unfallschwere zur Folge; Unterschiede die eine differenzierte Betrachtung erforderlich machen. Die Simulationen wurden mit einem eigens entwickelten Simulationsframework generiert, in welchem neben Matlab auch das Verkehrssimulationstool SUMO des Deutschen Luft- und Raumfahrtzentrums zum Einsatz kommt. Mit Hilfe eines eigens entwickelten Simulationsframeworks werden im Projekt die für eine statistische Analyse erforderlichen Daten in Form alltäglicher Unfallsituationen millionenfach erzeugt. Mittels geeigneter Modelle wird für jeden einzelnen dieser Unfälle der vollständige Unfallhergang von Pre- über In- bis hin zur Post-Crash-Phase simuliert. Links in Abbildung 2 sind die Unfallkonstellationen von 24 Millionen solcher Simulationen dargestellt.
Die Validierung der Methodik sowie der entwickelten Feder-Masse- und Fahrdynamikmodelle erfolgt dabei durch einen entsprechenden Versuchsaufbau mit Modellfahrzeugen im Labor. Zusätzlich kommen im Projekt statistische Methoden in Form maschineller Lernverfahren zum Einsatz. Diese können die Erkenntnisse aus Millionen vorab simulierter Unfallszenarien im Falle eines real prädizierten Crashs in Echtzeit zur Verfügung zu stellen. Abbildung 2 zeigt die Schritte dieses Prädiktionsverfahrens. Zu sehen ist, wie der Regressionsalgorithmus nach erfolgreichem Anlernen der Trainingsdaten in der Lage ist, Histogramme der Unfallschwere zu schätzen. Das rechts in Abbildung 2 dargestellte Histogramm einer bestimmten Pre-Crash-Situation veranschaulicht, dass in dem konkreten Fall bereits 185 Millisekunden vor Kollision die zugehörige Unfallschwere mit geringer Streuung, d. h. mit hoher Zuverlässigkeit, prädiziert werden kann.
Die prädizierte Unfallschwere kann nun als Kriterium für eine frühzeitige Airbagauslösung herangezogen werden. Da der ungefähre Verlauf des Unfalls und dessen zu erwartende Schwere nun vorab bekannt sind, können Sicherheitsmechanismen so angesteuert werden, dass sie die auf die Insassen wirkende Last bestmöglich über die gesamte zur Verfügung stehende Zeit verteilen. Bei der verwendeten Methodik mit maschinellen Lernverfahren wird eine besonders hohe Qualität der Unfallschwereschätzung dadurch erreicht, dass Daten hochpräziser FEM-Simulationen sowie von Fahrzeugversuchen Verwendung finden. Für Letztere werden die CARISSMA Indoor-Versuchsanlage zur Darstellung von Verkehrsszenarien im urbanen Bereich und die Outdoor-Freiversuchsfläche zur Darstellung von Verkehrsszenarien im dynamischen Grenzbereich sowie unter realen Witterungsbedingungen verwendet.
Fördermittelgeber
Audi AG
Poster zum Projekt
