TU Darmstadt / ULB / TUbiblio

KI-gestützte Erkennung verkehrssicherheitstechnischer Indikatoren und Ableitung von zugehörigen Defiziten auf Grundlage der Zustandserfassung und -bewertung von Landstraßen

Hoffmann, Andre (2023)
KI-gestützte Erkennung verkehrssicherheitstechnischer Indikatoren und Ableitung von zugehörigen Defiziten auf Grundlage der Zustandserfassung und -bewertung von Landstraßen.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00024366
Dissertation, Erstveröffentlichung, Verlagsversion

Kurzbeschreibung (Abstract)

Ziel der Dissertation war es herauszufinden, in wie weit sich die Daten der Zustandserfassung und –bewertung (ZEB) zur Erschließung verkehrssicherheitstechnischer Defizite auf Landstraßen anhand von KI-Methoden eignen. Bei KI-Verfahren ist es nicht möglich die Architektur eines Systems abschließend festzulegen ohne die funktionalen Aspekte umzusetzen und zu testen, da aufgrund der inhärenten BlackBox-Problematik die Performanz nicht im Voraus abgeschätzt werden kann. Die Arbeit dokumentiert daher den Prozess zur Schaffung und Testung eines Prototyps zur Ableitung von Verkehrssicherheitsdefiziten. Hierfür werden die Phasen des Vorgehensmodells PAISE (Process Model for AI Systems Engineering) des CC-King Kompetenzzentrum für KI zur Erschaffung KI-basierter Systeme durchlaufen. PAISE sieht zunächst den Aufbau eines Ziel- und Problemverständnisses vor. Dabei werden zunächst die Verkehrssicherheitsarbeit in Deutschland betrachtet und die wichtigsten Verfahren sowie deren Arbeitsweise nach zugehörigen Arbeitsblättern, Empfehlungen und Richtlinien vorgestellt. Auch bestehende und im Entwurf befindliche Bewertungsverfahren auf Netzebene sowie weiterführende Aktivitäten wie die Entwicklung digitaler Werkzeuge und Checklisten werden beschrieben. Zur Konkretisierung der fachlichen Inhalte werden außerdem die für Landstraßen relevanten Planungsrichtlinien zusammengefasst.

Anschließend werden Convolutional Neural Networks als für diese Anwendung wichtigstes Instrument der Methodengruppe KI zunächst allgemein, dann in ihren grundlegenden und für den Straßenraum spezifischen Aufgabenstellungen vorgestellt. Für die Festlegung von Anforderungen und Lösungsansätzen gemäß PAISE werden auf Basis der Ausführungen zur Verkehrssicherheitsarbeit drei übergeordnete Anwendungsfälle identifiziert, um funktionale Anforderungen an die Methodik zur Erschließung der verkehrssicherheitstechnischen Defizite zu definieren. Die zu erschließenden Verkehrssicherheitsdefizite werden unter Berücksichtigung der technischen und fachlichen Rahmenbedingung ausgewählt. Für jede Defizitgruppe werden auf Basis der zugehörigen Richtlinien sowie forschungstechnischer Vorarbeiten Prozesse zur automatisierten Erschließung definiert (funktionale Dekomposition nach PAISE). Hierauf werden die wichtigsten Subprozesse zur Erschließung der Defizite (Regelquerschnitt, Verortung, geometrische Beziehungen) konzeptionell weiter ausgeführt. Aus den Prozessen lassen sich Anforderungen an die physischen Objekte, welche durch die KI-Methoden zu erkennen sind, definieren (Komponentenspezifikation nach PAISE).

Für die Umsetzung der prototypischen Anwendung werden der Datenfluss, die statische Architektur und das Datenmodell des dreigliedrig, geschichteten Systems vorgestellt, welche die drei Stufen der Erschließung als physische Objekte, Indikatoren und Defizite in unterschiedlichen Abstraktionsschichten abbilden. Für die Erstellung der KI werden der Annotationsprozess, die Auswahl der CNN basierten Architekturen und deren Implementierung sowie Integration ins Gesamtsystem beschrieben. In der Folge werden die Indikatorextraktions- und die Defizitklassifizierungsroutinen dargestellt, welche die im Konzeptteil identifizierten Prozesse implementieren.

Danach werden drei Anwendungen zur Visualisierung der erschlossenen Größen vorgestellt, die im Rahmen des Forschungsprojekts KISStra und als Masterarbeit in Betreuung des Autors entstanden sind, welche eine einfache Basisvisualisierung, die Integration in eine bestehende Anwendung sowie eine komplexere speziell für die Visualisierung und Filterung der Daten erstellte Anwendung umfassen. Für den Validierungsteil wird die Methodik auf eine ausgewählte Teststrecke angewendet und zunächst die Defizitverteilung auf der Teststrecke analysiert. Weiterhin werden Fehler des Indikators Fahrbahnbreite und der globalen Verortung anhand von extern gemessenen Daten untersucht. Darauf folgt die qualitative Validierung durch demonstrative Analysen von Unfällen anhand der Defizite auf der Teststrecke. Abschließend werden die Korrelation zwischen Defizitanzahl und Unfällen auf der Teststrecke berechnet und interpretiert.

Zusammenfassend lässt sich sagen, dass die Ergebnisse der Validierung der vorliegenden Arbeit dafürsprechen, dass die ausgewählten Defizite sich zur quantitativen als auch qualitativen Analyse von Unfällen des Unfalltyps Fahrunfall eignen. Es kommt zwar durchaus zu Fehlklassifikation von Defiziten durch den Prototyp, welche sich auf Fehler der KI-Subkomponenten zurückführen lassen. Menschliche Experten können die Fehler aber bei der Analyse von lokalen Unfallstellen relativ einfach erkennen und ausschließen. Bei einer netzweiten Bewertung von Teilstrecken und größeren Abschnitten anhand der Defizite fallen die fehlklassifizierten Defizite durch die Aggregation weniger stark ins Gewicht.

Typ des Eintrags: Dissertation
Erschienen: 2023
Autor(en): Hoffmann, Andre
Art des Eintrags: Erstveröffentlichung
Titel: KI-gestützte Erkennung verkehrssicherheitstechnischer Indikatoren und Ableitung von zugehörigen Defiziten auf Grundlage der Zustandserfassung und -bewertung von Landstraßen
Sprache: Deutsch
Referenten: Rüppel, Prof Dr. Uwe ; Eichhorn, Prof. Dr. Andreas
Publikationsjahr: 2023
Ort: Darmstadt
Kollation: X, 158, XI-XXVI
Datum der mündlichen Prüfung: 14 Juni 2023
DOI: 10.26083/tuprints-00024366
URL / URN: https://tuprints.ulb.tu-darmstadt.de/24366
Kurzbeschreibung (Abstract):

Ziel der Dissertation war es herauszufinden, in wie weit sich die Daten der Zustandserfassung und –bewertung (ZEB) zur Erschließung verkehrssicherheitstechnischer Defizite auf Landstraßen anhand von KI-Methoden eignen. Bei KI-Verfahren ist es nicht möglich die Architektur eines Systems abschließend festzulegen ohne die funktionalen Aspekte umzusetzen und zu testen, da aufgrund der inhärenten BlackBox-Problematik die Performanz nicht im Voraus abgeschätzt werden kann. Die Arbeit dokumentiert daher den Prozess zur Schaffung und Testung eines Prototyps zur Ableitung von Verkehrssicherheitsdefiziten. Hierfür werden die Phasen des Vorgehensmodells PAISE (Process Model for AI Systems Engineering) des CC-King Kompetenzzentrum für KI zur Erschaffung KI-basierter Systeme durchlaufen. PAISE sieht zunächst den Aufbau eines Ziel- und Problemverständnisses vor. Dabei werden zunächst die Verkehrssicherheitsarbeit in Deutschland betrachtet und die wichtigsten Verfahren sowie deren Arbeitsweise nach zugehörigen Arbeitsblättern, Empfehlungen und Richtlinien vorgestellt. Auch bestehende und im Entwurf befindliche Bewertungsverfahren auf Netzebene sowie weiterführende Aktivitäten wie die Entwicklung digitaler Werkzeuge und Checklisten werden beschrieben. Zur Konkretisierung der fachlichen Inhalte werden außerdem die für Landstraßen relevanten Planungsrichtlinien zusammengefasst.

Anschließend werden Convolutional Neural Networks als für diese Anwendung wichtigstes Instrument der Methodengruppe KI zunächst allgemein, dann in ihren grundlegenden und für den Straßenraum spezifischen Aufgabenstellungen vorgestellt. Für die Festlegung von Anforderungen und Lösungsansätzen gemäß PAISE werden auf Basis der Ausführungen zur Verkehrssicherheitsarbeit drei übergeordnete Anwendungsfälle identifiziert, um funktionale Anforderungen an die Methodik zur Erschließung der verkehrssicherheitstechnischen Defizite zu definieren. Die zu erschließenden Verkehrssicherheitsdefizite werden unter Berücksichtigung der technischen und fachlichen Rahmenbedingung ausgewählt. Für jede Defizitgruppe werden auf Basis der zugehörigen Richtlinien sowie forschungstechnischer Vorarbeiten Prozesse zur automatisierten Erschließung definiert (funktionale Dekomposition nach PAISE). Hierauf werden die wichtigsten Subprozesse zur Erschließung der Defizite (Regelquerschnitt, Verortung, geometrische Beziehungen) konzeptionell weiter ausgeführt. Aus den Prozessen lassen sich Anforderungen an die physischen Objekte, welche durch die KI-Methoden zu erkennen sind, definieren (Komponentenspezifikation nach PAISE).

Für die Umsetzung der prototypischen Anwendung werden der Datenfluss, die statische Architektur und das Datenmodell des dreigliedrig, geschichteten Systems vorgestellt, welche die drei Stufen der Erschließung als physische Objekte, Indikatoren und Defizite in unterschiedlichen Abstraktionsschichten abbilden. Für die Erstellung der KI werden der Annotationsprozess, die Auswahl der CNN basierten Architekturen und deren Implementierung sowie Integration ins Gesamtsystem beschrieben. In der Folge werden die Indikatorextraktions- und die Defizitklassifizierungsroutinen dargestellt, welche die im Konzeptteil identifizierten Prozesse implementieren.

Danach werden drei Anwendungen zur Visualisierung der erschlossenen Größen vorgestellt, die im Rahmen des Forschungsprojekts KISStra und als Masterarbeit in Betreuung des Autors entstanden sind, welche eine einfache Basisvisualisierung, die Integration in eine bestehende Anwendung sowie eine komplexere speziell für die Visualisierung und Filterung der Daten erstellte Anwendung umfassen. Für den Validierungsteil wird die Methodik auf eine ausgewählte Teststrecke angewendet und zunächst die Defizitverteilung auf der Teststrecke analysiert. Weiterhin werden Fehler des Indikators Fahrbahnbreite und der globalen Verortung anhand von extern gemessenen Daten untersucht. Darauf folgt die qualitative Validierung durch demonstrative Analysen von Unfällen anhand der Defizite auf der Teststrecke. Abschließend werden die Korrelation zwischen Defizitanzahl und Unfällen auf der Teststrecke berechnet und interpretiert.

Zusammenfassend lässt sich sagen, dass die Ergebnisse der Validierung der vorliegenden Arbeit dafürsprechen, dass die ausgewählten Defizite sich zur quantitativen als auch qualitativen Analyse von Unfällen des Unfalltyps Fahrunfall eignen. Es kommt zwar durchaus zu Fehlklassifikation von Defiziten durch den Prototyp, welche sich auf Fehler der KI-Subkomponenten zurückführen lassen. Menschliche Experten können die Fehler aber bei der Analyse von lokalen Unfallstellen relativ einfach erkennen und ausschließen. Bei einer netzweiten Bewertung von Teilstrecken und größeren Abschnitten anhand der Defizite fallen die fehlklassifizierten Defizite durch die Aggregation weniger stark ins Gewicht.

Alternatives oder übersetztes Abstract:
Alternatives AbstractSprache

The aim of this dissertation is to find out to what extent the data of the Pavement condition survey and assessment (ZEB) is suitable for the derivation of traffic safety deficits on rural roads using AI methods. In AI systems, it is not possible to define conclusively the architecture of a system without implementing and testing the functional aspects, since performance cannot be estimated in advance due to the inherent Black Box problem. Therefore, this dissertation documents the process of creating and testing a prototype for the derivation of traffic safety deficits. For this purpose, the process model PAISE (Process Model for AI Systems Engineering) of the CC-King Competence Center for AI is applied for the creation of AI-based systems. The first PAISE phase provides a goal and problem understanding: The main procedures of road safety work in Germany and their associated worksheets, recommendations and guidelines are summarized. Also existing and draft assessment procedures on network level as well as further activities like the development of digital tools and checklists are described. Planning guidelines relevant to rural roads are also introduced to concretize the technical content. Subsequently, Convolutional Neural Networks are presented as the most important AI tool for this application, first in general, then for the road space specific tasks. For the definition of requirements and solution approaches according to PAISE, three superordinate use cases are identified in order to define functional requirements for the methodology to derive the road safety deficits. The traffic safety deficits to be derived are selected considering the technical and functional framework. For each group of deficits, processes for automated deduction are defined on the basis of the associated guidelines and preliminary research work (functional decomposition according to PAISE). The most important sub-processes for the deduction of the deficits (cross-section type, localization, geometric relations) are conceptualized. From the processes, requirements for the physical objects, which are to be recognized by the AI methods, can be defined (component specification according to PAISE). For the implementation of the prototypical application, the data flow, the static architecture and the data model of the tripartite, layered system are presented, which represent the three stages of the deduction as physical objects, indicators and deficits in different abstraction layers. For the creation of the AI, the annotation process, the selection of CNN-based architectures and their implementation and integration into the overall system are described. Afterwards, the indicator extraction and the deficit classification routines are presented, which implement the processes identified in the concept part. For the visualization of the deducted deficits, three applications are presented, which were developed within the research project KISStra and as a master thesis supervised by the author. They comprise a simple basic visualization, the integration into an existing application as well as a more complex application created for the visualization and filtering of the data. For the validation, the methodology is applied to a selected test track and the deficit distribution on the test track is analyzed. Furthermore, errors of the lane width indicator and the global location are investigated using externally measured data. This is followed by qualitative validation through demonstrative analyses of accidents based on the deficits on the test track. Finally, the correlation between the number of deficits and accidents on the test track is calculated and interpreted. In summary, the results of the validation of the present work indicate that the selected deficits are suitable for the quantitative and qualitative analysis of accidents of the type “driving accident”. It is true that there are misclassifications of deficits by the prototype, which can be attributed to errors of the AI subcomponents. However, human experts can detect and exclude the errors relatively easily when analyzing local accident sites. In the case of a network-wide evaluation of subsections and larger sections, the misclassified deficits are less significant due to the aggregation of the deficits.

Englisch
Status: Verlagsversion
URN: urn:nbn:de:tuda-tuprints-243661
Sachgruppe der Dewey Dezimalklassifikatin (DDC): 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau
Fachbereich(e)/-gebiet(e): 13 Fachbereich Bau- und Umweltingenieurwissenschaften
13 Fachbereich Bau- und Umweltingenieurwissenschaften > Institut für Numerische Methoden und Informatik im Bauwesen
Hinterlegungsdatum: 30 Aug 2023 14:15
Letzte Änderung: 31 Aug 2023 07:33
PPN:
Referenten: Rüppel, Prof Dr. Uwe ; Eichhorn, Prof. Dr. Andreas
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 14 Juni 2023
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen