Automatische Fahrbahnoberflächenerfassung mittels Low-Cost-Sensorsystemen

Straßenoberflächeninformationen, wie Hindernisse, Längsebenheiten sowie der Reibungskoeffizient spielen eine zentrale Rolle bei der Bewertung von Straßen. Mit Hilfe dieser Informationen können bspw. neue Fahrwerksfunktionen zur Erhöhung der Sicherheit und des Komforts entwickelt werden. Ebenso finden diese Anwendung bei der Planung von Instandhaltungsmaßnahmen mittels Pavement-Management-Systemen.

Neben der Onlineerfassung mit Laserscannersystemen und Kameras liefern Kartendaten einen wesentlichen Beitrag, um robust gegenüber sensortechnisch ungünstigen Umgebungsbedingungen zu sein oder um bspw. möglichst frühzeitig Fahrwerksanpassungen an mögliche bevorstehende Straßenoberflächenänderungen vornehmen zu können. Ein weiteres potenzielles Anwendungsfeld für Daten zur Oberflächenbeschaffenheit stellt die Routenplanung für bspw. das Transportwesen oder den Fitnessbereich dar.  Eine Vielzahl der möglichen Anwendungsfelder profitieren dabei davon, wenn diese Karten möglichst vollständig und aktuell sind. Für die Bereitstellung dieser sind die automatische Erfassung, Aggregation und Verarbeitung der Messdaten sowie eine weite Verbreitung der Sensorsysteme essentiell. Die weite Verbreitung kann hierbei unter anderem durch die Verwendung bereits im Fahrzeug vorhandener oder zusätzlicher kostengünstiger Sensoren gewährleistet werden.

Im Rahmen des Forschungsprojekts werden Straßenoberflächeninformationen mittels Low-Cost-Sensorsystemen erfasst und verarbeitet. Die Bereitstellung von Messdaten erfolgt zur Demonstration durch ein mit diversen Sensoren ausgestattetes Fahrrad (siehe Abbildung).

Die aggregierten Informationen werden fusioniert und mit Hilfe des Modellwissens bezüglich der Vertikaldynamik des Fahrrads der Untergrund geschätzt. Eine weitere Möglichkeit der Extraktion von Oberflächenmerkmalen stellen Zeitreihenanalysen auf Basis von Ähnlichkeitsmaßen dar. Bei der Datenanalyse kommen zudem verschiedene Methoden des maschinellen Lernens zum Einsatz, wobei eine robuste Identifikation der Straßenmerkmale angestrebt wird. Im Kontext mit Big Data ist hierbei die Performanz der eingesetzten Algorithmen von zentraler Bedeutung.

Meine grundsätzlichen Forschungsschwerpunkte sind...

• Maschinelles Lernen
• Mobile Messdatenerfassung
• Zeitreihenanalyse
• Datenfusion
• Modellbasierte Straßenoberflächenrekonstruktion