Bewertung

Die in diesem Kapitel beschriebene Vorgehensweise zur kooperativen Prädiktion des Fahrkontextes wurde auf Basis der in Abschnitt 4.6 vorgestellten Simulationsumgebung simulativ ausgewertet. Hierzu wurden 100 Fahrzeuge mit einer maximalen Kommuni-kationsreichweite von 400m in einem8km² groÿen Innenstadtszenario simuliert, über das zufällig einzelne Regengebiete hinwegziehen. Überlagerungen dieser Gebiete führen zu einer additiven Intensivierung der angenommenen Regenintensität. Bei mindestens drei überlagerten Regengebieten wird starker Regen angenommen.

Abbildung 5.25 zeigt in einem Beispiel exemplarisch vier Schnappschüsse eines Teils des Simulationsgebietes, in dem die beiden Fahrzeuge5und45speziell gekennzeichnet sind. Die drei im Szenario vorhandenen Regengebiete sind durch Ellipsen symbolisiert.

Sobald auf Basis der individuellen Inferenz der Fahrsituation der Grad des Dafürhal-tens hinsichtlich der Existenz von starkem Regen hinreichend groÿ ist (als Schwellwert hierfür wurde 80% Sicherheit angenommen), übermittelt das Fahrzeug die zugehörige Beobachtung. Die drei Regengebiete verschwinden im Laufe der Simulation zum Zeit-schritt 80, 90 und 110. Abbildung 5.26 zeigt die Entwicklung des Grades des

Dafür-Kapitel 5 5.6 Bewertung

(a) Start (Time Slice 1) (b) Time Slice 33

(c) Time Slice 47 (d) Time Slice 77

Fig. 4. Simulation run: Driving sequence through the rain field

Fig. 5. Belief inRainingHardfor vehicle 5’s local position over time

Figure 5 delineates the development of the local belief in heavy rain of vehicle 5 during the test run. Vehicle 5 enters the rain field at time slice 33, which is shown in 4(b), reaches the second rain layer at time slice 39, and the heavy rain area (three layers) at time slice 44. Figure 4(c), time slice 47, is the moment vehicle 5 starts sending, since at this moment

a pre-defined belief threshold is reached. Note that in order to increase readability, the transmission activity is not shown in the picture. However, the information is received by the surrounding vehicles (38 and 73) and subsequently further disseminated in the affected area. 4(d) shows the leaving of the rain area. The influence of the dynamic (time sliced) setup can be seen in the increase of the belief over time, when the sensor readings stay similar. For example, after time slice 80, when one of the layers disappears, it takes some time to reduce the high belief in heavy rain (see Figure 5).

Meanwhile, vehicle 45 approaches the heavy rain area as well. The probabilistic networks for the remote positions are based on the network for rain detection as described in Section III, with manually set up CPTs. The version of the used network is event-driven, which means that a new slice is added whenever a new message is received. An additional node is instantiated taking into account the temporal effect. The node is used to weight the new data received, depending on the time lag between the time stamp of the message and its reception time. Other tests were made with different approaches that are beyond the scope of this paper. For example, a steady timeline approach was used, in which new slices are added in fixed or speed-adaptive discrete time steps. However, the other approaches performed very similar (see [13] for more Abbildung 5.25: Exemplarische Schnappschüsse eines Teils des Simulationsgebietes

haltens für starken Regen auf Basis individueller Inferenz in Fahrzeug5am jeweiligen Aufenthaltsort des Fahrzeugs. Zu den Zeitschritten33(siehe Abbildung 5.25(b)),39 (5.26(c)) und44(5.26(d)) erreicht das Fahrzeug sukzessive die einzelnen Regengebiete.

Zum Zeitpunkt 47übersteigt der Grad des Dafürhaltens für starken Regen schlieÿ-lich den Schwellenwert und Fahrzeug5beginnt diese Beobachtung zu übertragen, was aus Gründen der Übersichtlichkeit nicht graphisch mit dargestellt wurde. Abbildung 5.26 zeigt dabei deutlich den zeitlichen Charakter der probabilistischen Modellierung, bei der der Grad des Dafürhaltens für die Hypothese bei Anhalten der Evidenz des Regensensors und der Scheibenwischer stetig zunimmt. Das gleiche Prinzip gilt nach Verschwinden des Regengebietes (im Zeitschritt80) auch umgekehrt.

Abbildung 5.27 zeigt demgegenüber die Entwicklung des Grades des Dafürhaltens für starken Regen in Fahrzeug45, jedoch für eine entfernte Position auf der weiteren Fahrtroute. Die Vorhersage stützt sich dabei auf die von den anderen Fahrzeugen emp-fangenen, sowie die eigenen Beobachtungen. Bis zu Zeitschritt40lagen dem Fahrzeug dabei keine Beobachtungen von anderen Fahrzeugen vor. Aufgrund der additiven Unsi-cherheit, die sich aus der Distanz zwischen dem Fahrzeug und dem prädizierten Hypo-thesenort ergibt, ergibt sich im gezeigten Beispiel eine Restwahrscheinlichkeit von 20%

dafür, dass es am vorhergesagten Ort stark regenet, auch wenn keine Evidenz hierfür bekannt ist. Fahrzeug45fährt dabei zwischen Zeitschritt40und70knapp am Gebiet mit starkem Regen vorbei, ehe es sich wieder davon entfernt.

1

0,8

0,6

0,4

0,2

0

0 20 40 60 80 100 120 Simulationszeit

Grad des Dafürhaltens

wahr falsch

Abbildung 5.26: Entwicklung des Grades des Dafürhaltens für starken Regen in Fahrzeug5 auf Basis individueller Inferenz

Abbildung 5.28 stellt zudem in einem weiteren Simulationsdurchlauf mit verfeiner-ter Simulation der Regenintensität (zwischen 0 und 100) die vorgestellte zweistuge Prädiktion (Interpolation und Quervalidierung) und die tatsächliche Ausprägung des Kontextaspekts Regen an einer entfernten Position gegenüber. Die Prädiktion basiert dabei auf einer vierstugen gleichverteilten Diskretisierung der Regenintensität und entspricht der wahrscheinlichsten Hypothese. In weiteren Simulationsdurchläufen wur-de die Anzahl wur-der verfügbaren Sensoren in wur-den Fahrzeugen schrittweise reduziert und so die möglichen individuellen Beobachtungen und daraus resultierend auch das Vertrauen in die individuelle Inferenz verringert. Eine hinreichend groÿe Zahl an partizipierenden Fahrzeugen vorausgesetzt, bleibt davon die Qualität der Vorhersage jedoch nahezu un-berührt. Dies lässt sich darauf zurückführen, dass das Vertrauen in die individuellen Hypothesen bei der interpolierten Vorhersage entsprechend berücksichtigt wird. Als Konsequenz gehen Beobachtungen von besser ausgestatteten Fahrzeugen mit höherem Gewicht in die Prädiktion ein und ermöglichen weiterhin eine gute Vorhersagequali-tät. Die nachgelagerte Quervalidierung stützt zudem die Qualität der Vorhersage. So konnte des Weiteren simulativ gezeigt werden, dass auch dann eine richtige Vorhersage hinsichtlich einer Aquaplaninggefahr möglich ist, wenn keine direkten Aquaplaningevi-denzen, sondern lediglich Starkregenevidenzen vorliegen.

Die Qualität der Vorhersage vermindert sich jedoch, wie erwartet, mit zunehmen-der Situationsdynamik und geringerer Fahrzeugdichte. Dieser Eekt wird insbesonzunehmen-dere durch die gezielte Verbreitung falscher Vorhersagen verstärkt. Eine weiterführende Ana-lyse gezielter Angrie und den Auswirkungen verschiedener Mehrheitsentscheidungen auf die Qualität der Vorhersage ist in [Ost05, ODS07] beschrieben.

Kapitel 5 5.6 Bewertung

1

0,8

0,6

0,4

0,2

0

0 20 40 60 80 100 120 Simulationszeit

Grad des Dafürhaltens

wahr falsch

Abbildung 5.27: Entwicklung des Grades des Dafürhaltens für starken Regen in Fahrzeug45 auf Basis kooperativer Prädiktion an einer entfernten Position

0 5 10 15 20 25 30 35 40 45 50 55 Simulationszeit [s]

100 90 80 70 60 50 40 30 20 10 0

Regenintensität [0-100]

tatsächlich vorhergesagt

Kein gering mittel stark Regenintensität diskret

Abbildung 5.28: Vergleich zwischen Prädiktion und tatsächlicher Ausprägung des Kontexta-spekts Regen an einer entfernten Position

Kapitel 6

Kapitel 6

Nutzenoptimierende Verbreitung fahrrelevanter

Kontextinformationen in automobilen Ad-hoc Netzen

Das folgende Kapitel beschreibt ein nutzenoptimierendes Rahmenwerk zur Verbrei-tung von Kontextinformationen in automobilen Ad-hoc Netzen. Das erarbeitete Rah-menwerk trägt dabei den in Abschnitt 2.4 beschriebenen speziellen Anforderungen der Anwendungsdomäne (2.2) Rechnung. Es ermöglicht zudem eine generische Integration verschiedener Optimierungsstrategien der in Abschnitt 4.5 beschriebenen existierenden Arbeiten. Es nutzt dabei Ergebnisse aus [SAE06, AEK⁺06, AESS06, ESKS06, SSEE06, KSE⁺06, Sch06, Adl06].

Zentrales Paradigma ist die globale Maximierung des Anwendungsnutzens. Zur ex-akten Einordnung werden einleitend nochmals die zugrunde liegenden Annahmen und Paradigmen herausgestellt. Im Anschluss wird das Paradigma der Netzwerknutzenopti-mierung im Allgemeinen, sowie speziell im Hinblick auf die besonderen Rahmenbedin-gungen automobiler Ad-hoc Netze und dessen mögliche Umsetzung als Rahmenwerk beschrieben. Das vorgestellte Rahmenwerk wird schlieÿlich simulativ evaluiert.