Sichere Unfallprognose (SUP)

Moderne PKW schützen Insassen und Fu?g?nger, indem sie dank vorausschauender Systeme wie Fu?g?ngererkennung 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-Fu?g?nger-Kollisionen seit 2016 Bestandteil des Testprozesses gro?er Ratingagenturen wie dem Euro NCAP. Doch was, wenn sich ein Unfall trotz aller Ma?nahmen nicht verhindern l?sst? Um bei einem Verkehrsunfall alle Beteiligten bestm?glich 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 k?nnten, um so ihre maximale Schutzwirkung zu entwickeln. Ein Airbag ben?tigt z. B. etwa 40 Millisekunden von der Zündung bis zu seiner vollst?ndigen Entfaltung. Die vorausschauende Ausl?sung derart kritischer Sicherheitsmechanismen macht besondere Anstrengungen erforderlich, um zu gew?hrleisten, dass diese nur dann zum Einsatz kommen, wenn die Umst?nde es auch gestatten. Eine der wichtigsten Gr??en 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 Fu?g?ngern zurückzuführen. Deswegen sind Gr??en wie die pr?dizierte Unfallschwere probabilistisch zu beschreiben. Gute Sch?tzwerte solcher Gr??en setzen dabei eine gute Interpretation der Umwelt voraus. Ein statistischer Ansatz ist erforderlich.

Abb. 1 veranschaulicht, wie unterschiedlich sich eine Pre-Crash-Situation in nur 512 Millisekunden in Abh?ngigkeit 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 allt?glicher Unfallsituationen millionenfach erzeugt. Mittels geeigneter Modelle wird für jeden einzelnen dieser Unf?lle der vollst?ndige 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. Zus?tzlich kommen im Projekt statistische Methoden in Form maschineller Lernverfahren zum Einsatz. Diese k?nnen die Erkenntnisse aus Millionen vorab simulierter Unfallszenarien im Falle eines real pr?dizierten Crashs in Echtzeit zur Verfügung zu stellen. Abbildung 2 zeigt die Schritte dieses Pr?diktionsverfahrens. Zu sehen ist, wie der Regressionsalgorithmus nach erfolgreichem Anlernen der Trainingsdaten in der Lage ist, Histogramme der Unfallschwere zu sch?tzen. Das rechts in Abbildung 2 dargestellte Histogramm einer bestimmten Pre-Crash-Situation veranschaulicht, dass in dem konkreten Fall bereits 185 Millisekunden vor Kollision die zugeh?rige Unfallschwere mit geringer Streuung, d. h. mit hoher Zuverl?ssigkeit, pr?diziert werden kann. 

Die pr?dizierte Unfallschwere kann nun als Kriterium für eine frühzeitige Airbagausl?sung herangezogen werden. Da der ungef?hre Verlauf des Unfalls und dessen zu erwartende Schwere nun vorab bekannt sind, k?nnen Sicherheitsmechanismen so angesteuert werden, dass sie die auf die Insassen wirkende Last bestm?glich über die gesamte zur Verfügung stehende Zeit verteilen. Bei der verwendeten Methodik mit maschinellen Lernverfahren wird eine besonders hohe Qualit?t der Unfallschweresch?tzung dadurch erreicht, dass Daten hochpr?ziser FEM-Simulationen sowie von Fahrzeugversuchen Verwendung finden. Für Letztere werden die CARISSMA Indoor-Versuchsanlage zur Darstellung von Verkehrsszenarien im urbanen Bereich und die Outdoor-Freiversuchsfl?che zur Darstellung von Verkehrsszenarien im dynamischen Grenzbereich sowie unter realen Witterungsbedingungen verwendet.

F?rdermittelgeber

Audi AG

Poster zum Projekt