Automatisierte Auswertung von Naturalistic-Cycling-Versuchsdaten
| dc.contributor.advisor | Marker, Stefanie | |
| dc.contributor.author | Rippel, Benjamin | |
| dc.contributor.grantor | Technische Universität Berlin | en |
| dc.contributor.referee | Marker, Stefanie | |
| dc.contributor.referee | Hristov, Borislav | |
| dc.date.accepted | 2020-11-30 | |
| dc.date.accessioned | 2021-01-19T15:52:15Z | |
| dc.date.available | 2021-01-19T15:52:15Z | |
| dc.date.issued | 2021 | |
| dc.description.abstract | Die steigende Beliebtheit des Fahrrads hat nicht nur positive Effekte. Eine vermehrte Anzahl an verletzten Radfahrer*innen, insbesondere in Verbindung mit elektrifizierten Fahrrädern, zeigen dies eindrücklich. Während die Zweiradindustrie boomt, versuchen Bund, Länder und Kommunen den steigenden Anforderungen an die Infrastruktur gerecht zu werden. Diese muss nun für verschiedene Fahrradkonzepte mit unterschiedlichen Geschwindigkeitsprofilen ausgelegt werden. Um die neuen Aufgaben bewältigen zu können, werden vermehrt Probandenstudien unternommen, welche das Verhalten der Fahrradnutzer*innen abbilden sollen. Insbesondere die Unfallentstehung, ihr Zusammenspiel mit der Infrastruktur und der Einfluss erhöhter Geschwindigkeit durch Elektrifizierung stehen hierbei im Fokus. Diese Naturalistic Cycling Studies (NCS) verwenden mit Sensoren ausgestattete Fahrräder, welche die täglichen Fahrten ausgewählter Probanden und Probandinnen aufzeichnen. Um die Prinzipien von naturalistischen Studien nicht zu verletzen, müssen die Anbauten möglichst unaufdringlich sein. Diese Anforderung grenzt das verwendbare Sensorset stark ein, sodass üblicherweise keine redundante Sensorik verfügbar ist. Dennoch werden während der Studien enorme Datenmengen, hauptsächlich Kameradaten, aufgezeichnet. Die Sichtung der Daten und die Extraktion von studienrelevanten Situationen, sogenannte Events, wird bisher manuell bewältigt, da verlässliche automatisierte Methoden fehlen. Dieser Zustand führt zwangsläufig zu hohem personellem Aufwand und einer suboptimalen Probandenauswahl, getrieben durch die enormen Kosten der Auswertung. Die vorliegende Arbeit greift diese und weitere Probleme auf und bietet einen Ansatz zur Lösung des Dilemmas. Eine Analyse der aktuellen Auswertungsmethoden von Naturalistic-Cycling-Daten und dem empfohlenen Auswertungsprozess von Probandenstudien im Straßenverkehr zeigen die Eventdetektion als den Ansatzpunkt für eine automatisierte Auswertung auf. Verschiedene Ansätze werden vorgestellt, basierend auf potenziell in NCS auftretenden Forschungsfragen. Der Fokus liegt hierbei auf der Detektion von kritischen Situationen, welche sich durch ein erhöhtes Unfallrisiko auszeichnen. Hierfür werden zwei Prozessketten mit Algorithmen zur Objekterkennung, Objektverfolgung und Berechnung der Situationskritikalität prototypisch implementiert und anhand konstruierter Szenarien auf ihre Funktionalität überprüft. Weitere Szenarienbetrachtungen im Realverkehr schließen die Funktionstests ab. Anhand der Ergebnisse wird beantwortet, ob eine Auswertung der Naturalistic-Cycling-Daten automatisiert werden kann, und welche Schlüsselfaktoren bei der Auswahl des Sensorsets sowie der Umsetzung berücksichtigt werden müssen. Dabei werden die spezifischen Anforderungen an naturalistische Methoden stets geachtet. Ausblicke auf Verfahren, welche die prototypische Implementierung erweitern oder optimieren können, schließen die Arbeit ab. | de |
| dc.description.abstract | The increasing popularity of bicycles leads to many positive effects, but also negative impacts appear. This is clearly shown by the rising numbers of injured bicyclists, many of whom riding electrified bikes. While the bike industry is flourishing, the government tries to meet the new demands regarding cycling infrastructure which must be usable by diverse bicycle concepts with different velocity profiles. To assess and finally meet the requirements w.r.t. the infrastructure, an increased amount of subject studies are carried out. Their goal is to evaluate the behaviour of cyclists with a focus on accident causation and the interplay of infrastructure design and increased velocity due to electrification. The Naturalistic Cycling Studies (NCS) use sensor equipped bicycles to record the daily rides of selected subjects. The principles of naturalistic studies demand unobtrusive modifications to the bike, which limit the number of applicable sensors to a minimum and usually does not allow redundant sensors. Nevertheless, the used sensors record huge amounts of data, mainly camera data. The inspection of the data and the extraction of relevant scenarios w.r.t. the goal of the study, so-called events, is executed in a manual fashion as there are no reliable methods for automation. This leads to high personnel expenses for data analysis and therefore to a reduced and thus suboptimal selection of subjects. This thesis addresses these and other issues and provides a possible solution. Current state of the art methods for analysing Naturalistic Cycling data as well as the recommendations for the analysis of subject studies in traffic indicate that the key for automation is the event detection. Different approaches are presented, based on potential NCS research questions. The detection of critical events, which are characterized by an increased risk of accident, is in focus. Therefore, two different approaches are implemented. Both implement algorithms for object detection, object tracking and calculation of criticality for specific events. Functional tests are performed on artifically created scenarios in a controlled environment as well as on real traffic data. Based on the results, the thesis answers the question whether the analysis of Naturalistic Cycling data can be automated. Additionally, key factors for the design of the sensor set as well as the realization of the analysis are highlighted. The specific requirements regarding naturalistic methods are respected at all times. Finally, methods for the extension and optimization of the provided implementations are shown | en |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/12239 | |
| dc.identifier.uri | http://dx.doi.org/10.14279/depositonce-11111 | |
| dc.language.iso | de | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nd/4.0/ | en |
| dc.subject.ddc | 629 Andere Fachrichtungen der Ingenieurwissenschaften | de |
| dc.subject.other | naturalistische Fahrradstudie | de |
| dc.subject.other | eventbasierte Analyse | de |
| dc.subject.other | Konfliktindikatoren | de |
| dc.subject.other | Objekterkennung | de |
| dc.subject.other | Objektverfolgung | de |
| dc.subject.other | naturalistic cycling study | en |
| dc.subject.other | event based analysis | en |
| dc.subject.other | conflict Indicators | en |
| dc.subject.other | object detection | en |
| dc.subject.other | object tracking | en |
| dc.title | Automatisierte Auswertung von Naturalistic-Cycling-Versuchsdaten | de |
| dc.title.translated | Automated analysis of naturalistic cycling data | en |
| dc.type | Doctoral Thesis | en |
| dc.type.version | acceptedVersion | en |
| tub.accessrights.dnb | free | en |
| tub.affiliation | Fak. 5 Verkehrs- und Maschinensysteme::Inst. Land- und Seeverkehr (ILS)::FG Fahrerverhaltensbeobachtung für energetische Optimierung und Unfallvermeidung | de |
| tub.affiliation.faculty | Fak. 5 Verkehrs- und Maschinensysteme | de |
| tub.affiliation.group | FG Fahrerverhaltensbeobachtung für energetische Optimierung und Unfallvermeidung | de |
| tub.affiliation.institute | Inst. Land- und Seeverkehr (ILS) | de |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |