Vernetzte Mobilität und Flottendaten
Fahrzeuge werden zunehmend miteinander, mit anderen Verkehrsteilnehmern, mit der Infrastruktur und/oder mit Cloud Services vernetzt. Auch hier gelten die Fragestellungen,
- welche Informationen und Sensordaten werden in welcher Form von den jeweiligen Verkehrsteilnehmern benötigt, um sichere und valide Entscheidungen zur Verbesserung des Verkehrsflusses und der Sicherheit treffen zu können,
- welche Informationen und Sensordaten werden benötigt, um die Regelung und das Management des Verkehrs verbessern zu können,
- wie sind Architekturen und Informationsflüsse zu gestalten, damit die richtigen und relevanten Informationen zu den jeweiligen Entscheidungsträgern gelangen.
Wie in Big Data Analytics ausgeführt, geht es aber vor allem um die geschickte Formulierung der Nachrichten-Inhalte, sodass mit möglichst wenigen aber passenden und relevanten Daten bestmögliche Entscheidungen bzgl. den jeweiligen Anwendungen erzielt werden können.
Anwendungsbeispiele
Wenn mehrere unterschiedliche Benutzer derartiger Systeme quasi in Form einer Flotte benutzen, dann lassen sich daraus viele nützliche Informationen und Funktionen ableiten:
- Mit den Verhaltensmustern der Verkehrsteilnehmer und deren verschiedenen Benutzerprofilen lassen sich verbesserte, kooperative Fahrerassistenz-Systeme ableiten.
- Die Identifikation von (un)günstigen Verhaltensmustern (z.B. bzgl. Energieverbrauch, Verkehrseffizienz, Sicherheit, etc.) kann zur kontinuierlichen Verbesserung der jeweiligen Regelungssysteme in der Verkehrsautomatisierung beitragen.
- Die Bewegungsdaten dienen als Virtuelle Sensoren für die Erkennung der lokalen als auch globalen Verkehrslage verwenden (Extended Floating Car Data). Mit den Sensoren aus den Fahrerassistenzsystemen dienen Fahrzeuge als Verkehrssensoren und für die sogenannte "Collective Perception", damit Fahrzeuge Verkehrsinformationen direkt an andere Fahrzeuge weitergeben.
- Die vernetzten Daten bieten die Basis zur Entwicklung für Predictive Maintenance-Anwendungen.
- Vernetze Systeme in Kombination mit Machine-Learning und Anomalie-Erkennung ermöglichen die Realisierung von kollektivem Lernen, welches eine effiziente Einführung des automatisierten Fahrens ermöglicht.
Lösungen
Neben der entsprechenden Anwendungserfahrung verfügt ANDATA über viele vorgefertigte Lösungen, um schnell spezifische Auswertungen und Analysen von Flottendaten beliebigen Umfangs durchführen zu können. Zudem besteht ein breiter Fundus an Methoden, um z.B. Flottendaten unter Berücksichtigung von Anonymisierung, Dateneffizienz, bestmögliche Analysefähigkeit aufzusetzen, zu implementieren und im Betrieb laufend zu verbessern.
Vor allem geht es auch darum, dass man mit möglichst geringem Datenvolumen bestmögliche Entscheidungen für die jeweilige Anwendung ableiten kann. Zur anwendungsspezifischen Ermittlung der bestmöglichen Daten und Sensor-Inhalte stehen eine Reihe von Engineering-Lösungen zur Verfügung.
Mit VERONET steht ein umfassender Modul-Baukasten inklusive Werkzeugen für die Entwicklung und Umsetzung der Funktionen des vernetzten Fahrens zur Verfügung.
Die gebotenen Lösungen gelten natürlich allgemein und können für beliebige Anwendungen im Internet of Things eingesetzt werden.
Referenzen
Projekt-Trilogie des vernetzten, kooperativen, automatisierten Fahrens
Die Projekt-Trilogie ist gefördert und unterstützt von
Projekt DIGEST - Digitaler Zwilling der Verkehrsinfrastruktur
Im Rahmen des Projekts DIGEST wurde von ANDATA mit den Projektpartnern ein Digitaler Zwilling der Verkehrsinfrastruktur als Basis für vertrauenswürdigen Austausch von Informationen aus originaler Quelle zwischen Infrastruktur und Fahrzeugen entwickelt.
Details über die resultierende CCAM Decision Support Plattform findet man in https://ieeexplore.ieee.org/document/10102410
Projekt EVE - Effiziente Bevorrangung von Einsatzfahrzeugen im automatisierten Straßenverkehr
Im Projekt EVE beschäftigte sich mit der sicheren Bevorrangung von Einsatzfahrzeugen mittels passender C-ITS-Diensten.
Der Anteil von ANDATA am Projekt war die quantitative Bewertung von Risiken und verkehrliche Auswirkungen im Fall von missbräuchlicher oder falscher Verwendung der Services.