Konzeption, Aufbau und Bewertung einer Tool- und Methodenkette zur KI-gestützten Analyse von verkehrlichen Bewegungsdaten

Kurzfassung

In vielen verschiedenen Bereichen können technologische Erfolge mithilfe des Einsatzes von KI-Verfahren erzielt werden. Mit der Entwicklung des autonomen Fahrens wird diese Technologie auch schon im Straßenverkehr erprobt. Die automatische Analyse von verschiedenen Anwendungsfällen im Straßenverkehr, insbesondere der frühzeitigen Erkennung von kritischen Situationen, ist eine Grundvoraussetzung für diese Entwicklung. Das Ziel dieser Arbeit ist daher die Erstellung einer Tool- und Methodenkette zur KI-gestützten Analyse von verkehrlichen Bewegungsdaten. Die Forschungsfragen die sich daraus ergeben sind: Kann ein KI-Verfahren anhand eines Anwendungsfall trainiert werden und befriedigende Ergebnisse liefern? und: Welche Verfahren eignen sich für welche Anwendungsfälle? Neben diesen Anforderungen soll das implementierte Softwareprodukt als Grundlage für Weiterentwicklungen und Erweiterung dienen. Daher muss es einen einfachen Einstieg in die Thematik der KI-Verfahren ermöglichen, sowie einfach erweiterbar und benutzbar sein. Im Rahmen der Masterarbeit wurde dafür eine Trainer-Architektur aufgebaut, mit welchem verschiedene KI-Verfahren trainiert und gespeichert werden können. Als Anwendungsfall wurde, Prädiktion der kritischen Situationen von Linksabbiegern mit entgegenkommendem Verkehr, ausgesucht. Zum Aufbau der nötigen Datenbasis wurde eine Tool- und Methodenkette konzipiert und implementiert, welche aus verschiedenen Filterungs- und Bearbeitungsschritten besteht. Als KI-Verfahren wurden drei verschiedene Modelle (LSTM, CNN und MLP) aus dem maschinellen Lernen ausgewählt, mit dem Ziel einen möglichst breiten Überblick über verschiedene Verfahren, Vorgehen und Herangehensweisen zur Lösung des selben Anwendungsfalls aufzuzeigen. Die Ergebnisse der Verfahren zeigen, dass diese erfolgreich für die Analyse von verkehrlichen Anwendungsfällen eingesetzt werden können. Während das Ziel dieser Arbeit nur die Schaffung einer gemeinsamen Grundlage war, sollten in weiteren Arbeiten die Ergebnisse der Modelle, durch die Verbesserung der Filterungsschritte oder Erstellung weiterer Methoden, geschärft werden.