Ad-Hoc local danger warning
1 Frequency regulation
4.6 Simulationsumgebung
4.6.3 Anwendungssimulator AppSim
Der Anwendungssimulator AppSim ist wie der Mobilitätsgenerator ebenfalls eine Eigen-entwicklung der BMW Group Forschung und Technik [Ost05, Rei06a, Tau07, Sch07].
Er ist wie der NS2 ereignisbasiert. Die beiden wesentlichen Ereignisse sind dabei
• der Empfang einer Nachricht, sowie
• das Erreichen einer neuen Fahrzeugposition.
Ersteres wird dabei zumeist vom Netzwerksimulator ausgelöst, kann jedoch bei Bedarf auch direkt im AppSim behandelt werden. Letzteres wird durch den Mobilitätsge-nerator bestimmt. Der Anwendungssimulator ermöglicht dabei neben einer einfachen Integration der Anwendungslogik verschiedener Schichten auch die Beeinussung von Umweltzuständen und Fahrzeugeigenschaften. Entsprechend der Überlegungen aus Ab-schnitt 3.1 ermöglicht AppSim die Festlegung
• Spezischer Umweltzustände bzw. Kontextaspekte (Deus-Sicht). Dies beinhal-tet insbesondere die zeitliche und räumliche Spezikation sowohl von statischen Gefahrenquellen, als auch von räumlich ausgedehnten Gefahrenquellen, die dy-namisch über die Zeit ihre Ausbreitung, Lage und Intensität verändern (bei-spielsweise Nebel- oder Regenfelder).
• Spezischer Beobachtungsmöglichkeiten (Capabilities) der Fahrzeuge. Hierdurch kann explizit festgelegt werden, welche Fahrzeuge welche Kontextaspekte mit welcher Qualität beobachten können (Individualsicht).
Abbildung 4.16 zeigt ein vereinfachtes Klassenmodell von AppSim. Eine ausführliche-re Darstellung ndet sich in [Rei06a, Ost05] Abbildung 4.17 zeigt die statische Kopp-lung zwischen Mobilitätsgenerator GenMobTrace, Netzwerksimulator NS2 und Anwen-dungssimulator AppSim im Überblick, die den Simulationen in dieser Arbeit zugrun-de liegen. In Abhängigkeit zugrun-der speziellen Anforzugrun-derungen unterschiedlicher Szenarien wurden für die in dieser Arbeit beschriebenen Simulation entweder AppSim und NS2 gekoppelt, oder jeweils nur eine der beiden Module eingesetzt. In letzterem Fall wurde die Funktionalität des jeweils nicht verwendeten Moduls heuristisch ergänzt, sofern si-chergestellt werden konnte, dass dies auf die Qualität des Simulationsergebnisses keine signikanten Auswirkungen hat.
Kapitel 4 4.6 Simulationsumgebung
4 Resources and Tools
class for encapsulating and sending messages to others. The probabilistic network application inherits fromApplication. This application is then added to someCars in a specialSimulationScenario.
ApplicationEnvironment
Sensors
Environment Events and Messages
External Input NS2Coupling
+ ApplicationServer
CarismaTrace Coupling
+ Application Simulator
Scheduler
Event NewPosition
Event
Message Received Event
Message Message Envelope
Car
Sensor
SensorType
EnvCond
EnvCondType Simulation Environment SuperLayer Application
<<Interface>>
CarAPI
<<Interface>>
Car2SuperLayerAPI
<<Interface>>
ApplicationAPI SimulationScenario
Figure 4.1: Simplified Diagram of the Application Simulator
ThisSimulationScenariodescribes how many vehicles are equipped with Applica-tionsusing probabilistic networks, and it describes as well which environment con-ditions are present, when these environment concon-ditions are present and the sensor setup of each vehicle.
The events triggered by the Application Simulator and used in this diploma thesis are further explained in Section 6.3.
32
Abbildung 4.16: Vereinfachtes Klassenmodell des Anwendungssimulators AppSim
C2C-Kommunikation GenMobTrace
Fahrzeugbewegung Heuristik Sichtverdeckung
NS2 PHY MAC
NET APP AppSim
Anwendung
Umwelt NET
Trace-Datei
ESRI Shape -Datei
Empfang Übertragung
Log-Datei
GUI
Visualisierung
Abbildung 4.17: Überblick über die statische Kopplung zwischen Mobilitätsgenerator Gen-MobTrace, Netzwerksimulator NS2 und Anwendungssimulator AppSim
Kapitel 5
Kapitel 5
Ein Verfahren zur Deduktion und Prädiktion fahraufgabenbezogener Kontextinformationen
In diesen Kapitel soll nun vorgestellt werden, wie höherwertige Kontextinformationen aus lokalen Beobachtungen abgeleitet werden können. Besonderes Augenmerk liegt dabei in der prädiktiven Abschätzung des zukünftigen Fahrkontextes bzw. der Fahrsi-tuation auf Basis der vorhandenen Kontextinformationen entlang der wahrscheinlichen Fahrtroute, auf Basis von Beobachtungen anderer Fahrzeuge.
Dabei wird angenommen, dass die im Fahrzeug erzeugten Rohsensordaten durch entsprechende Filter oder (low-level) durch Sensordatenfusion geeignet vorverarbeitet werden und abstrahiert vorliegen. Die Ableitung bestimmter Fahrsituationen muss da-bei als abschlieÿender Teilprozess in einer komplexeren Prozesskette ausgehend von der Einzelauswertung der verfügbaren Sensoren verstanden werden, als deren Ergebnis auf Basis der verfügbaren diversitären Beobachtungen ein konsistentes Bild der Fahr-umgebung resultiert [Naa04]. Dies gilt in gleicher Weise sowohl für individuelle, als auch für kooperative Situationsanalysen. Abbildung 5.1 zeigt den vollständigen Pro-zess der Situationserkennung nochmals im Überblick (gestrichelter Rahmen), welche letztlich als Basis für die Handlungsentscheidungen der einzelnen Assistenzfunktionen dient [Naa04]. Entsprechend der Überlegungen aus Kapitel 3.1.2 kann eine prädik-tive Einschätzung aufgrund sensorisch bedingter Unsicherheiten und der inhärenten Dynamik des Umweltzustands lediglich näherungsweise erfolgen. Viele für eine weiter-führende und vorausschauende Fahrerassistenz notwendige Kontextaspekte können in aktuellen Fahrzeugen nicht mit Sensorsystemen unmittelbar detektiert werden. Dies gilt insbesondere für diejenigen Aspekte, die nicht zur Stabilisierung des Fahrzeugs in kritischen Situationen notwendig sind. Läuft das Fahrzeug beispielsweise Gefahr zu Schleudern, so muss die konkrete Ursache (beispielsweise eine einseitig verschmutze Fahrbahn) für den Regeleingri der Räder nicht bekannt sein. Soll der Fahrer jedoch gezielt im Vorfeld auf mögliche Besonderheiten und Gefahrenpotenziale der nahen Fahr-situation aufmerksam gemacht werden, so stellt diese Information bezüglich der spe-zischen Gefahrenursache einen erheblichen Mehrwert für den Fahrer dar. Aus diesem
Abbildung 5.1: Modell einer modularen Sensordatenfusion im Fahrzeug [Naa04]
Grund ist es von groÿem Vorteil, im Falle des Auftretens einer kritischen Fahrsituation die möglichen Ursachen zu bestimmen und einzuschränken. Darüber hinaus können die meisten Fahrzeuge aktuell keine Fahrbeeinträchtigungen wie beispielsweise Hindernisse oder Stauenden automatisch erkennen.
Aufgrund der komplexen Zusammenhänge der existierenden Kontextaspekte in der Anwendungsdomäne und deren sensorieller Beobachtbarkeit existieren zudem in vielen Fällen keine sicheren quantitativen Zusammenhänge, obwohl sich viele physikalische Wechselwirkungen mathematisch exakt beschreiben lassen. Darüber hinaus sind oft-mals nicht alle erforderlichen Messgröÿen verfügbar. So kann zwar beispielsweise auf Basis von fahrdyamischen Gröÿen wie Geschwindigkeit, Quer- und Längsbeschleuni-gung, Lenkwinkel und Drehmoment auf den aktuell gültigen subjektiven Reibwert des Fahrzeuges mit der Straÿe geschlossen werden. Eine objektive Quantizierung sowie eine ursächliche Bestimmung eines möglichen geringen Wertes hängt jedoch von weite-ren Aspekten ab, wie beispielsweise dem Typ und Zustand der Reifen, der Fahrzeug-beladung, oder historischem oder statistischem Wissen über die Wettersituation oder Fahrbahnbeschaenheit.
Statistisches Wissen und heuristische Überlegungen ermöglichen eine Einschätzung der Eintrittswahrscheinlichkeit einer Situation im Vorfeld, rechtzeitig bevor sich ein Fahrzeug in dieser Situation bendet. Eine vorausschauende Einschätzung der Fahr-situation ist wie einleitend beschrieben ein wesentlicher Hebel im Hinblick auf die Bestrebungen zur nachhaltigen Reduzierung der Unfallzahlen. Im Folgenden wird am Beispiel der lokalen Gefahrenwarnung (siehe Abschnitt 2.2.1) ein Verfahren vorgestellt, das es erlaubt, den zukünftigen Fahrkontext auf Basis verfügbarer lokaler Beobach-tungen abzuschätzen. Die wesentlichen Annahmen seien zur Verdeutlichung und zum
Kapitel 5
besseren Verständnis an dieser Stelle nochmals im Überblick dargestellt:
• Fahrzeuge besitzen eine Reihe von Sensoren, die es ihnen erlauben, bestimmte Aspekte der Umwelt am aktuellen Aufenthaltsort, bzw. in der unmittelbaren Umgebung zu beobachten.
• Diese Beobachtungen sind vergleichsweise genau und vertrauenswürdig. Es exi-stieren jedoch nicht für alle wesentlichen fahraufgabenbezogenen Kontextaspekte dedizierte Sensoren.
• Über ein (ad-hoc) Kommunikationssystem können diese Beobachtungen zwi-schen den Fahrzeugen ausgetauscht werden.
• Eine vorausschauende Einschätzung der zukünftigen Fahrsituation über den obachtungshorizont der lokalen Sensoren hinaus kann lediglich auf externen Be-obachtungen anderer Verkehrsteilnehmer oder stationärer Infrastruktursysteme beruhen.
• Aufgrund der örtlichen und zeitlichen Dierenz zwischen einzelnen Beobachtun-gen und des individuellen Fahrzeugkontextes, sowie der inhärenten Dynamik der (Fahr-)Situationen, ist die Vorhersage des Fahrhorizonts in der Regel mit einer vergleichsweise groÿen Unsicherheit behaftet.
• Die Unsicherheit der Vorhersage hängt von der Anzahl, Qualität und der Quan-tität der verfügbaren externen Beobachtungen ab.
Bei niederwertigen Kontextinformationen, also jenen, die unmittelbar durch ein ge-eignetes Sensorsystem beobachtet werden können, beschränkt sich die Unsicherheit auf Messfehler und -Ungenauigkeiten. Werden von diesen niederwertigen Kontextinfor-mationen höherwertige KontextinforKontextinfor-mationen abgeleitet, so existiert in vielen Fällen keine sichere Deduktion. Sofern eine sichere Deduktion existiert, so können höherwerti-ge Kontextinformationen über logische Inferenzverfahren, wie beispielsweise aussahöherwerti-gen-, prädikaten-, beschreibungs- oder temporallogische Terme abgebildet werden (eine de-taillierte Beschreibung und Analyse der verschiedenen Logikkonzepte im Hinblick auf deren Eignung in kontextsensitiven Systemen ndet sich beispielsweise in [Kra06]). In der Regel erhöht sich beim Inferenzprozess aber die Unsicherheit bezüglich des Zu-treens der abgeleiteten Aussage bzw. Kontextinformation, da das Inferenzverfahren selbst keine Sicherheit über das Zutreen der abgeleiteten Information gewährleistet.
Statt auf einem immer gültigen und beweisbaren Zusammenhang basiert das Schlieÿ-verfahren auf statistischem Wissen oder heuristischen Experteneinschätzungen über die Zusammenhänge und Abhängigkeiten einzelner Kontextaspekte der (modellierten) Welt. Solche probabilistischen Schlieÿverfahren stellen wahrscheinliche Zusammenhän-ge zwischen einzelnen Kontextaspekten her, die üblicher- aber nicht notwendiZusammenhän-gerweise gültig sind. Auf Basis statistischer Vorkenntnisse dieser Zusammenhänge lässt sich dabei letztlich ein Grad der Überzeugtheit bestimmen, der angibt, wie groÿ die sta-tistische Eintrittswahrscheinlichkeit eines bestimmten Zustands eines Kontextaspekts ist. Probabilistische Schlieÿverfahren sind insbesondere dann von Vorteil, wenn nicht alle voneinander abhängigen Kontextaspekte lokal bekannt sind.
Im Hinblick auf eine prädiktive Einschätzung der eigenen Fahrsituation ergibt sich ein weiterer Unsicherheitsfaktor durch die räumliche und zeitliche Verteilung der einer vorausschauenden Einschätzung der Fahrsituation zugrunde liegenden Beobachtungen.
Zudem müssen individuelle räumliche und zeitliche Charakteristika wie Form, Ausdeh-nung, Intensität oder auch Bewegungsrichtung der Kontextaspekte mit berücksichtigt werden.
Probabilistische Netze (oder Bayessche Netze - siehe nächster Abschnitt) sind ein weit verbreiteter und ausführlich evaluierter Ansatz, Aussagen bei unsicherer Daten-grundlage, fehlender Information und unsicherer aber statistisch bekannter Zusammen-hänge aus bekanntem Wissen abzuleiten. Typische Anwendungsdomänen Bayesscher Netze sind medizinische Expertensysteme (siehe beispielsweise [LS88, HHN92, HN92, Hv02, Hv03]), autonome Robotersteuerungen (siehe beispielsweise [Rüd04, LBDM04, SLR95]), oder Wettervorhersagen (siehe beispielsweise [KKN01, CSG04]). Es existieren zudem jedoch auch viele Ansätze zur Sensordatenfusion ([ZJL02]), sowie zur Inferenz höherwertiger Kontextinformationen [GPZ04, DP04, Hv02, TLL05, KKP+03]. Anger-mann, Robertson und Strang [ARS05], Ranganathan et al. [RAMC04], sowie Krause [Kra06] beschreiben zudem Möglichkeiten, Vorteile, Eigenschaften und Anforderun-gen im Hinblick auf eine probabilistische Kontextinferenz auf Basis Bayesscher Netze.
Krause beschreibt darüber hinaus eine Möglichkeit, unterschiedliche Verfahren zur De-duktion höherwertiger Kontextaspekte in einem einheitlichen Rahmenwerk zu vereinen [Kra06, KLPS07]. Bayessche Netze erscheinen daher als geeignete Methodik, den zu-künftigen Fahrkontext abzuschätzen. Der Prädiktionsprozess besteht dabei aus drei grundlegenden Phasen:
1. Die lokale Deduktion von Kontextaspekten, die nicht von einem speziellen Sen-sorsystem direkt beobachtet werden können. Dies betrit beispielsweise die De-tektion von Aquaplaning, welches auf Basis der aktuellen und vergangenen Nie-derschlagsmenge, sowie fahrdynamischer Parameter wie individuelle Raddreh-zahlen rückgeschlossen werden kann.
2. Das Verfügbarmachen der lokalen Beobachtungen.
3. Die Prädiktion der zukünftigen Fahrsituation auf Basis der vorhandenen lokalen Beobachtungen und der inferierten Kontextaspekte.
Im Folgenden sollen daher die wesentlichen Grundlagen probabilistischen Schlieÿens auf Basis Bayesscher Netze aufgezeigt werden, sowie die Einschränkungen und Pro-bleme, die sich im Hinblick auf die konkreten Anforderungen und Eigenschaften bei der Ableitung höherwertiger Kontextaspekte auf Basis örtlich und zeitlich verteilter Fahrzeugbeobachtungen ergeben. Für eine ausführlichere Diskussion Bayesscher Netze sei an dieser Stelle auf die entsprechende Standardliteratur verwiesen, beispielsweise [KN03, Cha91, Jen01, Nea04, KM05]. Im Anschluss werden die einzelnen Phasen der Schlussfolgerung näher beschrieben. Die vorgestellte Kontextdeduktion basiert dabei auf Ergebnissen aus [Sch07, Rei06a, RSS06, SSS07].