Individualsicht

Kapitel 3 3.1 Kontextbäume als Modellierungsgrundlage

• Überwachungssensoren wie beispielsweise Temperatur- oder Füllstandsensoren, welche zur Überwachung bestimmter Verbrauchs- und Verschleiÿgröÿen dienen.

Im Speziellen liefern sie dem Fahrer wichtige Informationen hinsichtlich des ak-tuellen Fahrzeugzustands.

Eine alternative Klassizierung bezieht sich auf die Art der Datenerhebung durch den Sensor. Hier existieren insbesondere zwei grundlegende Paradigmen. Zum einen zykli-sche Sensoren wie beispielsweise Temperatur- oder Geschwindigkeitssensoren, die fort-laufend in bestimmten periodischen Zeitabständen einen neuen Messwert bereitstellen.

Zum anderen ereignisgesteuerte Sensoren wie beispielsweise Kollisions- oder Airbag-sensoren. Diese erzeugen lediglich dann einen neuen Messwert, wenn ein bestimmtes Ereignis eingetreten ist. Auf Basis des im vorangegangenen Abschnitt spezizierten Modellraums bedeutet dies, dass jedem Kontextaspekt eine individuelle und zeitlich veränderbare Wahrscheinlichkeitsverteilung zugewiesen werden muss, die den Grad des Dafürhaltens über dem Wertebereich abbildet (siehe hierzu auch Kosch [Kos05b]). Dies resultiert also aus der Tatsache, dass Kontextaspekte nicht exakt und zweifelsfrei ge-messen werden können, da alle Messsysteme inhärent mit einem technisch bedingten Fehler behaftet sind. Der Fehler eines Messsystems besteht dabei üblicherweise aus einem systeminhärenten systematischen Fehler, der für jede Messung gleich ist, sowie einem zufälligen Fehler, der vom konkreten Messvorgang abhängt. Ziel ist es, beide Fehler zu minimieren. In Abhängigkeit des zu bestimmenden Aspektes kann jedoch nicht garantiert werden, dass der Messfehler vernachlässigbar klein bleibt. Für Kon-textaspekte mit kontinuierlichem Wertebereich wie beispielsweise der Raumtemperatur eines Zimmers, kennzeichnen vielmehr vier spezische Kenngröÿen des Messsystems (Auösung, Präzision, Richtigkeit, sowie Genauigkeit) die Qualität der Beobachtung (vergleiche beispielsweise [Sch97, Pro06]).

Dabei beschreibt die Auösung die maximale Dierenz zwischen zwei realen Parame-terwerten, die zu einer Änderung des resultierenden Messwertes hin zum benachbarten Messwert führt. Dabei gilt, dass bei einer Auösung gröÿer 0 der ehemals unendliche kontinuierliche Wertebereich in, der Auösung entsprechende, Intervalle diskretisiert wird. Die Präzision eines Messsystems beschreibt dabei die Übereinstimmung zwischen unabhängigen Messergebnissen unter unveränderten Bedingungen. Eine hohe Präzision liegt demzufolge vor, falls das Messsystem unter gleichen Bedingungen sehr ähnliche Ergebnisse liefert. Eine hohe Präzision ist dabei jedoch kein Garant dafür, dass das Messsystem richtige Ergebnisse liefert, in dem Sinne, dass sie die Realität genau wi-derspiegeln. Vielmehr führt im Speziellen der systematische Fehler eines Messsystems zur gleichen Abweichung unter konstanten Bedingungen. Dies bedeutet letztlich, dass ein Messsystem mit groÿem systemischem Fehler zwar präzise sein kann, aber nicht notwendiger Weise genau ist.

Die Richtigkeit (trueness, accuracy of the mean) beschreibt in diesem Zusammen-hang den Grad der durchschnittlichen Übereinstimmung zwischen der realen Gröÿe ei-nes Aspektes, sowie den ermittelten Messwerten. Der Grad der Streuung eiei-nes Messsy-stems bleibt jedoch unberücksichtigt. Die Genauigkeit (accuracy) eines MesssyMesssy-stems gibt letztlich an, wie gut ein spezisches Messergebnis mit dem real existenten Wert übereinstimmt. Ein Messsystem hat also genau dann eine hohe Genauigkeit, wenn es sowohl eine hohe Präzision hat, als auch richtig misst, wenn also eine kleine mittlere Abweichung und eine geringe Streuung der Messergebnisse garantiert werden kann.

Abbildung 3.5 soll die Unterscheidung der Begrie verdeutlichen.

Abbildung 3.5: Genauigkeit, Richtigkeit und Präzision nach [Sch97] (a) und [Pro06] (b)

Die Qualität einer Beobachtung lässt sich auf Basis dieser Überlegungen anhand der Genauigkeit des zugrunde liegenden Messsystems quantizieren. Die durch Beobach-tung mittels Sensoren der beobachtbaren Kontextaspekte resultierenden systeminter-nen Messgröÿen, also die eigentlichen Beobachtungen, könsysteminter-nen daher letztlich als eine die Messungenauigkeit ausdrückende Wahrscheinlichkeitsverteilung über dem konkre-ten Messwert (siehe Abbildung 3.6) beschrieben werden. Der resultierende (eigentliche) Beobachtungswert bezieht sich dabei entsprechend auf genau denjenigen Messwert, der die höchste Wahrscheinlichkeit aufweist. Bezeichne daher im Folgenden in Anlehnung an die Terminologie von Kosch [Kos05b]

• X^b⊆ P ∪S

e_i∈EKe_i die Menge der von Sensoren beobachtbaren Aspekte. Die in einem Fahrzeug vorhandene Teilmenge hieraus speziziert oensichtlich die individuellen Beobachtungsmöglichkeiten des Fahrzeugs. Golle et al. [GGS04]

sprechen in diesem Zusammenhang auch von den Capabilities des Fahrzeugs.

• ¯xjdie Beobachtung des Kontextaspektesxj∈X^b,

• b^x_k^j ∈Beinen spezischen Sensor aus der Menge der existierenden SensorenB, welcher den Aspektxj beobachten kann.

• Px^bk_j (¯xj, ζ)die sensorspezische Wahrscheinlichkeitsverteilung desxj beobach-tenden Sensorsbkim Zustandζ, welcher die aktuelle kontextabhängige Messge-nauigkeit des Sensors und damit die resultierende Wahrscheinlichkeitsverteilung der Messwerte bestimmt. Dies ist notwendig, da die Genauigkeit bestimmter Messsysteme wiederum abhängig vom aktuellen Kontext des Messsystems ist.

Im Falle von GPS oder Galileo hängt die zu erwartende Genauigkeit einer Mes-sung beispielsweise von der Anzahl der verfügbaren Satellitensignale ab.

Kapitel 3 3.1 Kontextbäume als Modellierungsgrundlage

• ˆxjden Parameterwert der Beobachtungx¯jmit der höchsten Wahrscheinlichkeit, also den eigentlichen Beobachtungswert.

So berechnet sich die Wahrscheinlichkeitp^ˆx_∆δ^j ∈[0,1], dass der beobachtete Wertxˆj

nicht weiter als eine denierte Distanz∆δvom realen Parameterwert abweicht, dass also der reale Wert innerhalb eines Kondenzintervalls 2·∆δ um den beobachteten Wert liegt und somit gilt|ˆxj−x_j|<∆δ, unter Berücksichtigung der sensorspezischen WahrscheinlichkeitsverteilungPx^bk_j für Sensorbjdurch:

p^x_∆δ^ˆj = Z xˆ_j+∆δ

ˆ x_j−∆δ

Px^bk_j(¯xj, ζ)d¯xj

Abbildung 3.6 zeigt die resultierende Wahrscheinlichkeit nochmals grasch, wobei die Ordinate die Wahrscheinlichkeit repräsentiert, dass der beobachtete Parameterwert mit dem realen Parameterwert übereinstimmt.

p

Abbildung 3.6: Wahrscheinlichkeitp^xj_∆δ^ˆ , dass der reale Wertxjmaximal∆δvom beobachteten Wertxˆjabweicht.

Wichtig an dieser Stelle ist, dass eine Beobachtung zu einem bestimmten Zeitpunkt und an einem bestimmten Ort von einem Sensor durchgeführt wurde. Unter Berücksich-tigung der Verallgemeinerung, dass sich eine Beobachtung zudem auf einen längeren Zeitraum und ein ausgedehntes Gebiet beziehen kann, bedeutet dies, dass mit einer Beobachtung immer ein BeobachtungszeitraumTB ⊆T und ein Beobachtungsgebiet AB⊆ R³assoziiert ist. Eine Beobachtung kann damit letztlich als ein den eigentlichen Beobachtungswert charakterisierender 3-Tupel dargestellt werden mit

¯ xj:=

Px^bk_j(¯xj, ζ), AB, TB

Statt der charakteristischen Wahrscheinlichkeitsverteilung wird jedoch zumeist der wahrscheinlichste beobachtete Parameterwertxˆjin Verbindung mit dessen Wahrschein-lichkeitp^ˆx_∆δ^j verwendet. Dies führt folglich zu einem 4-Tupel der Art

¯ xj:=

ˆ

xj, p^ˆx_∆δ^j, AB, TB

Sofern sich eine Beobachtung auf einen Beobachtungszeitraum bzw. ein Beobachtungs-gebiet bezieht, und nicht lediglich auf einen einzelnen Ort und Zeitpunkt, so bezieht sich die gegebene Wahrscheinlichkeitsverteilung entsprechend auf die mittlere Abweichung zwischen der beobachteten und der realen Messgröÿe im gesamten Beobachtungsgebiet über den Beobachtungszeitraum.

Es gilt, dass die Qualität der Beobachtung oensichtlich genau dann besser ist, wenn das Kondenzintervall bei gleicher erreichter Wahrscheinlichkeit kleiner ist, bzw.

umgekehrt, wenn bei fester Gröÿe des Kondenzintervalls die Wahrscheinlichkeit da-für, dass die reale Gröÿe des Kontextaspektes innerhalb des Intervalls liegt, gröÿer ist.

Dies bedeutet, dass sich die Qualität der Beobachtung quantitativ anhand der Grö-ÿe des Kondenzintervalls bzw. anhand der Varianz der Wahrscheinlichkeitsverteilung bezüglich der Abweichung zwischen Deus- und Individualsicht bestimmen lässt. Obige Überlegungen gelten oensichtlich auch, wenn die Beobachtung nicht durch einen ein-zelnen Sensorb_k erfolgt, sondern durch eine Fusion der Beobachtungen einer Menge B^k ⊆ B an Sensoren. Durch den gemeinsamen Einsatz verschiedener unabhängiger Systeme lässt sich zudem die Genauigkeit der Beobachtung erhöhen. In Anlehnung an die Überlegungen von Strang [Str03] kann ein Sensor also auch als Funktionf^xj

B^k ver-standen werden, der die Beobachtungen der Sensoren der MengeB^k zu einer gültigen Beobachtung eines Aspektsxjzusammenführt. Damit liefert die Funktion

f^xj

B^k(b^x_k^l

1∈B^k,· · ·, b^x_k^m

n ∈B^k) =P_x^B_j^k(¯xj, ζ), n=|B^k|

eine durch die Fusion dernSensoren ausB^kcharakterisierte spezische Wahrschein-lichkeitsverteilung P_x^B_j^k(¯xj, ζ) der Beobachtung x¯j des Kontextaspektes xj. Es gilt weiterhin, dass die konkrete spezische Wahrscheinlichkeitsverteilung von der konkre-ten aktuellen Ausprägung und Qualität der Beobachtungen der zugrunde liegenden individuellen Aspekte abhängt. Ist eine für die Fusion bedeutende Beobachtung nicht vorhanden, so kann deren statistische a-priori Wahrscheinlichkeitsverteilung verwendet werden. Ist auch diese nicht bekannt, so kann eine Gleichverteilung über dem Wertebe-reich angenommen werden. Mit zunehmendem Alter einer Beobachtung nimmt deren Qualität und damit deren Aussagekraft jedoch ab, da sich die realen Gröÿen des Aspek-tes wie im vorhergehenden Abschnitt beschrieben über die Zeit ändern. Dies bedeutet, dass der Grad der Unsicherheit nicht nur vom beobachteten Wert und dem beobachten-den Sensorsystem, sondern zudem auch vom Alter der Beobachtung abhängt. Letzteres ist dabei jedoch nicht mit dem beobachtenden Sensor korreliert, sondern mit der Gröÿe der zeitlichen Veränderlichkeit des Aspektes. Bei gleich bleibenden Grenzen des Kon-denzintervalls um die Beobachtung nimmt demzufolge die Wahrscheinlichkeit, dass sich die reale Gröÿe des Aspektes noch innerhalb dieses Intervalls bendet, mit zu-nehmendem Alter der Beobachtung ab. Vor dem Hintergrund räumlicher Wirkeinüsse bestimmter Aspekte wie beispielsweise der Temperatur, können zudem Aussagen über den Wert eines Aspektes abseits des eigentlichen Beobachtungsortes getroen werden.

Die Auÿentemperatur, die an einer bestimmten Stelle mit einem Temperatursensor be-obachtet wurde, wird auch in einigen hundert Metern Entfernung nicht deutlich abwei-chen. Daher kann auch für entfernte Orte eine Abschätzung bezüglich dieses Aspektes erfolgen. Analog zur zeitlichen Veränderlichkeit erhöht sich dabei bei gleicher Wahr-scheinlichkeit in Abhängigkeit der spezischen räumlichen Charakteristik des Aspektes das zugesicherte Kondenzintervall.

Kapitel 3 3.1 Kontextbäume als Modellierungsgrundlage

Aufbauend auf diesen Überlegungen kann nun das Wissen einer Entität bzw. ei-ner Anwendung über den Zustand der sie umgebenden Kontextaspekte ausgedrückt werden. In Anlehnung an die von Strohbach et al. [SKGK04] im Zusammenhang mit kooperativen Entscheidunssystemen vorgestellte Unterscheidung zwischen Fakten und Regeln in einer Wissenbasis, sowie den Überlegungen aus Abschnitt 2.4.3, besteht das Wissen, das eine Anwendung über den Zustand der Welt besitzt aus

• statischem Domänenwissen (Domain knowledge) bezüglich der Anwendungsge-biets (Regeln und Wirkzusammenhänge),

• Beobachtungen anderer Fahrzeuge (Observational knowledge - Fakten),

• sowie den daraus ableitbaren Schlussfolgerungen (Inferred knowledge - inferiertes Wissen).

Bezeichne deshalb

• Ωa_k(ti)das Wissen einer Anwendunga_k∈Azum Zeitpunktti∈T,

• Da_k das anwendungsspezische statische Domänenwissen der Anwendung ein-schlieÿlich der in dieser Anwendungsdomäne gültigen Inferenzvorschriften,

• X¯a_k(ti) die Menge der der Anwendung ak zum Zeitpunkt ti zur Verfügung stehenden Beobachtungen¯x, sowie

• X˜a_k(ti)die aus den BeobachtungenX¯a_k(ti)mittels der vorhandenen Inferenz-regeln abgeleiteten Kontextinformationen.

Somit ergibt sich fürΩa_k(ti)

Ωa_k(ti) =Da_k∪X¯a_k(ti)∪X˜a_k(ti)

Dabei gilt für die mittels Inferenzverfahren aus Beobachtungen abgeleiteten höherwer-tigen Kontextaspektex˜j∈X˜a_k ein entsprechendes Qualitätsmaÿ wie für Beobachtun-gen. Die Wahrscheinlichkeitsverteilungen der abgeleiteten Kontextaspekte hängt dabei neben der Sicherheit der Inferenzverfahren selbst jedoch auch davon ab, wie viele Be-obachtungen für die Inferenzberechnung zur Verfügung stehen, und welche Qualität wiederum diesen Beobachtungen zugrunde liegt. Dies gilt insbesondere dann, wenn die Beobachtung in einem bereits vergangenen Zeitraum oder in einem anderen Gebiet erstellt wurde. Liegen einer Schlussfolgerung bezüglich eines Aspekts zu einem anderen Zeitpunkt oder einem anderen Ort Beobachtungen von nicht identischen Zeitpunkten vor, oder bendet sich der Ort des schlussgefolgerten Aspekts nicht innerhalb des Be-obachtungsgebietes eines der beteiligten Sensoren, müssen also zudem räumliche und zeitliche Einüsse und Wirkfaktoren mit berücksichtigt werden. Damit ergibt sich für die mittels Inferenzverfahren aus Beobachtungen abgeleiteten höherwertigen Kontext-aspekte letztlich eine von der oben denierten Sensorfusion verallgemeinerte Berech-nungsvorschrift, bei der statt einer Reihe an spezischen Sensoren beliebige Teile des existenten Wissens als Grundlage dienen können. Es gilt somit analog:

inf^x_i^˜j(ω1∈Ωa_k,· · ·, ωn∈Ωa_k) =P_x˜^infi

j (˜xj, ζ),

wobeiinf^x_i^˜j eine spezische Inferenzvorschrift zur Deduktion des Kontextaspektesxj

bezeichnet, sowieP_x˜^infi

j (˜xj, ζ)die resultierende Wahrscheinlichkeitsverteilung der Aus-prägung des Kontextaspektes und {ω₁,· · ·, ωn} ∈ Ω eine Teilmenge der bereits be-kannten Kontextinformationen darstellt. Unter Berücksichtigung der räumlichen und zeitlichen Diversität der zugrunde liegenden Beobachtungen und vorausgegangener Schlussfolgerungen gilt wiederum analog

˜ xj:=

P_x˜^infi

j (˜xj, ζ), AB, TB

, bzw.

˜ xj:=

ˆ˜

xj, p^x_∆δ^ˆ˜j, AB, TB

,

wobeixˆ˜jdie wahrscheinlichste Ausprägung des deduzierten Aspektesxjdarstellt. Der mit dem Inferenzergebnis assoziierte GültigkeitszeitraumTB sowie das Gültigkeitsge-bietAB ist hierbei abhängig von der angewandten Inferenzmethodik.

In Kapitel 5 wird in diesem Zusammenhang im Detail eine Inferenzmethodik vor-gestellt, welche auf Basis räumlich und zeitlich verteilter Beobachtungen unter Be-rücksichtigung spezischer räumlicher und zeitlicher Einussfaktoren einen probabili-stischen Rückschluss für einen beliebigen Ort im Modellraum ermöglicht. Weiterhin lässt sich ähnlich wie dies für Beobachtungen von Kontextaspekten und abgeleitete Kontextinformationen der Fall ist, auch Unsicherheit über das Eingetretensein einer SituationSiabbilden. Dabei bezeichnePS_i(deg(S_i), ti)die Wahrscheinlichkeitsvertei-lung, dass die Situation S_i zum Zeitpunkt ti mit Grad deg(S_i) eingetreten ist. Es kann jedoch nicht mehr zweifelsfrei bewertet werden, ob eine Situation nun eingetre-ten ist, und falls ja, zu welchem Grad. Hierzu kann jedoch ein Schwellenwertverfahren angewandt werden. Eine Situation wird dann als eingetreten angenommen, wenn die Wahrscheinlichkeit in einem Intervall∆δum den Grad des Eingetretenseins gröÿer ist als der Schwellenwertγ, wenn also gilt

p^deg(S_∆δ ⁱ⁾=

Zdeg(S_i)+∆δ/2 deg(S_i)−∆δ/2

PS_i(deg(Si), ti)ddeg(Si)> γ

Analog zur Beschreibung im vorigen Abschnitt gilt für die GültigkeitsdauerTS_i einer SituationS_i:

∀tj∈T :PS_i(deg(Si), tj)> γ

Mit dieser Vorschrift lässt sich nun auch die Menge˜Se_i(ti)der Situationen verallgemei-nern, in der sich die Entitäteivermutlich zum Zeitpunkttibendet. Da vor diesem Hintergrund auch die Zugehörigkeit einer Entität zu einem übergeordneten Bewegungs-system nicht zweifelsfrei festgestellt werden kann (siehe Abschnitt 3.1.1), gilt die Zuwei-sung eines Unsicherheitsgrades auch hierfür. Das heiÿt, die Kanten des Kontextbaums existieren nur zu einer gewissen Wahrscheinlichkeit. Es ergibt sich jedoch dadurch die Möglichkeit, dass für eine Entität mehrere Bewegungssystemkorrelationen möglich sind, wobei die Summe der Wahrscheinlichkeiten dieser Bewegungssystemkorrelationen eins ist. Dies führt wiederum dazu, dass die Abbildung der Bewegungssystemkorrelationen ihre Baumstruktur verliert und in einem allgemeinen Graphen übergeht.

Kapitel 3 3.1 Kontextbäume als Modellierungsgrundlage

Auf Basis des aktuellen Wissens einer Entität bzw. Anwendung kann diese Anwen-dung nun Aktionen durchführen, um ihr Ziel oder eines ihrer Ziele oder Teilziele zu erreichen. Ein Ziel einer Anwendung kann auf Basis der obigen Überlegungen de-niert werden als ein Wunschzustand des Deus-Modells zum (zukünftigen) Zeitpunkttj. Aktionen oder Aktionsfolgen leiten sich von diesen Zielen ab und beschreiben akti-ve Veränderungen des Ist-Zustands bestimmter Umweltparameter und Kontextaspekte des Deus-Modells durch entsprechende Aktoren. Dabei gilt ähnlich wie zuvor, dass die Wirkung einer Aktion, also die tatsächliche Veränderung eines Aspektes nach Ausfüh-ren der Aktion über die Zeit nicht notwendigerweise sicher bekannt ist. Es müssen also auch hier Unsicherheitsfaktoren mit betrachtet werden. Daher kann insbesondere in einem dynamischen System im Allgemeinen keine eindeutige und sicher optimale Folge von Aktionen berechnet werden, um ein Ziel zu erreichen. Stattdessen sollte die Ak-tionsfolge durchgeführt werden, die die höchste Wahrscheinlichkeit der Zielerreichung besitzt. Ist eine vollständige Zielerreichung nicht möglich, so gelten wiederum ähnliche Betrachtungen wie für den Grad des Eingetretenseins einer Situation. Durch stetige Beobachtung der Wirkung der durchgeführten Aktion und Anpassung der weiteren Aktionsfolge entsteht typischerweise ein Regelkreis, jedoch kann nicht vorausgesetzt werden, dass jede Wirkung einer Aktion wiederum unmittelbar beobachtbar ist. Eine ausführlichere Analyse von Entscheidungsverfahren ist nicht Ziel dieser Arbeit. Es sei hier auf die entsprechende Literatur verwiesen, insbesondere auf Entscheidungsverfah-ren im Bereich der künstlichen Intelligenz (siehe beispielsweise [RN03]).

Die Ableitung von Aktionsfolgen ist jedoch insofern auch für diese Arbeit von Bedeu-tung, als dass die Handlungsplanung mit der Qualität des aktuell vorhandenen Wissens korreliert ist. Dies gilt insbesondere vor dem Hintergrund der möglichen Diskrepanz zwischen realem, aber im Rechensystem nicht sicher abbildbaren Weltzustand (Deus-Modell) und der individuellen Weltsicht. Dies betrit beispielsweise insbesondere die Entscheidung des Systems hinsichtlich einer regelnden Intervention oder der Warnung des Fahrers vor einem kritischen Fahrzustand (mit dem übergeordneten Ziel der Ver-meidung eines kritischen Fahrzustands). Sinnvolle, eektive und Wirksame Fahreras-sistenz kann daher nur auf Basis einer Quantizierung der Qualität des vorhandenen Kontextwissens im Fahrzeug erfolgen.

Bei der Quantizierung der Wissensqualität muss jedoch beachtet werden, dass einzelne Aspekte unterschiedliche Bedeutung für die Handlungsentscheidungen unter-schiedlicher Anwendungen besitzen. Die Bedeutung eines Aspektes für die Handlungs-entscheidung einer Anwendung ist darüber hinaus abhängig von der aktuellen Situa-tion, in der sich die die Anwendungen beherbergende Entität aktuell bendet, sowie von den spezischen Handlungszielen der Anwendung. So ist das Wissen über einen Stau in Hamburg für eine verkehrsadaptive Routenführung eines Fahrzeugs in München oensichtlich vergleichsweise unwichtig, da es keine Auswirkungen auf die Handlungs-alternativen der Anwendung hat. Die Qualität des Wissens dieser Anwendung leidet also beispielsweise nicht unter einer nicht vorhandenen oder falschen Einschätzung bezüglich des Verkehrsgeschehens an geograsch weit entfernten Orten. Ein weiteres Beispiel betrit Fahrbahnhindernisse auf Autobahnen, welche typischerweise nur eine Fahrtrichtung betreen. Im Gegensatz dazu stehen beispielsweise Sichtbehinderungen aufgrund starken Nebels. Letzteres ist für beide Fahrtrichtungen gleichermaÿen rele-vant und daher in Fahrzeugen beider Richtungen ähnlich stark gewichtet. Der Nutzen ist auch dann Null, wenn die Nachricht so spät empfangen wird, dass keine reagierenden

Handlungen mehr durchgeführt werden können. Bendet sich ein empfangendes Fahr-zeug beispielsweise bereits unmittelbar vor einer kritischen Fahrsituation, oder hat es diese sogar bereits erreicht, ist der Nutzen einer diesbezüglichen Information Null.

Gleiches gilt für eine Stauinformation auf der weiteren Autobahnroute, wenn die letzte Abfahrtsmöglichkeit vor dem Stau bereits passiert wurde, oder, wenn der kor-relierte Ort vergleichsweise nahe ist, das Fahrzeug jedoch in absehbarer Zeit diesen Ort nicht passieren wird. Aspekte, deren Kenntnis nicht zu einer Änderung der eige-nen Handlungsentscheidungen führt, haben für die Quantizierung der Wissensqua-lität einer Anwendung ebenfalls kein Gewicht. Vor diesem Hintergrund spielt auch die wahrscheinliche Fahrtroute, der Fahrtzweck, sowie die vorhandene Flexibilität hin-sichtlich der Auswahl der möglichen Handlungsalternativen eine entscheidende Rolle (siehe [Kos05b]). Dabei müssen unter Umständen auch spezische Eigenschaften der Fahrzeugentitäten berücksichtigt werden. Schweren Lastkraftwagen ist es in machen Si-tuationen beispielsweise aufgrund verkehrsrechtlicher Beschränkungen hinsichtlich der Fahrzeugcharakteristik nicht möglich, eine alternative Umleitungsroute zu benutzen, um einen Stau zu umfahren. Die Flexibilität ist also dahingehend eingeschränkt.

Daraus resultiert, dass die Qualität des Wissens einer Anwendung als gewichtete Ab-weichung zwischen realem (Deus-Sicht) und vermutetem (Individualsicht) Weltzustand verstanden werden muss. In Abhängigkeit der Situationen, in der sich die die Anwen-dungen beherbergende Entität aktuell bendet, und vor dem Hintergrund der Bedeu-tung dieser Aspekte im Hinblick auf mögliche alternative Handlungsentscheidungen, hat die jeweilige Abweichung bestimmter Aspekte stärkeren Einuss auf die Qualität des Wissens als andere. Unter Berücksichtigung von Unsicherheitsaspekten entspricht dabei der vermutete Zustand eines Aspekts an einem Ort oensichtlich wiederum genau demjenigen Parameterwertxˆjmit der höchsten Eintretenswahrscheinlichkeit. Bezeich-ne daher

• kΩa_i(t)kdie Qualität des Wissens einer Anwendungaizum Zeitpunkttund

• a^k_i^j(ζ)einen spezischen Gewichtungsfaktor in Abhängigkeit des aktuellen Zu-standsζder Anwendungaiin Bezug auf den Kontextaspektkjdes Modellraum-schnappschussesR³_t.

Dann gilt:

kΩa_i(t)k= P

k_j∈R³_ta^k_i^j(ζ)· |ˆxj−xj| P

k_j∈R³_ta^k_i^j(ζ) .

Dabei gilt es es zu beachten, dass der Modellraumschnappschuss alle Kontextaspekte aller Entitäten einschlieÿlich aller Interessensorte enthält. Aus der impliziten Einbin-dung der (letztlich unbeschränkten) Menge von Interessensorten resultiert jedoch eine hohe Berechnungskomplexität. Unter Berücksichtigung des oben dargestellten Situati-onskonzeptes kann die Bemessung der Qualität des Wissens aber vereinfacht werden.

Eine Abweichung des vermuteten zum realen Weltzustand ergibt sich dann, wenn sich eine Entität zu einem Zeitpunkt nicht in der vermuteten Situation bendet, wobei wie-derum eine individuelle situationsabhängige Gewichtung vorgenommen werden muss.

Die Vereinfachung basiert dabei auf der Annahme, dass Entscheidungen von Entitäten üblicherweise auf Basis der Einschätzung des eigenen Zustands, sowie einer begrenzten

Kapitel 3 3.2 Beschreibung und Auswertung von Kontextinformationen

Zahl korrelierter Entitäten getroen werden. Die Abweichung des vermuteten Wertes von Kontextaspekten, die nicht mit diesen Entitäten korreliert sind, können daher in der Regel vernachlässigt werden. Anders ausgedrückt ist die spezische Gewichtung aS_i dieser Aspekte in der Berechnungsvorschrift für die Wissensqualität 0. Falls sich eine Entität zu einem Zeitpunkttin der SituationSibendet, dies aber gegenteilig ver-mutet wird, ergibt sich eine Abweichung der verver-muteten zur realen Welt. Oensichtlich gilt dies auch entsprechend umgekehrt. Damit gilt für die Qualität des Wissens einer Anwendung zum Zeitpunktt:

kΩa_i(t)k= 1 ω· X

e_i∈E

X

S_i∈S(t)

8<

:

aS_i, falls (S_i∈Se_i(t)∧ S_i∈˜Se_i(t))

∨ (Si∈/Se_i(t)∧ Si∈/˜Se_i(t)) 0, sonst

9=

; mit

ω= X

e_i∈E

X

S_i∈S(t)

aS_i

3.2 Beschreibung und Auswertung von

Im Dokument Kontextbereitstellung in Automobilen Ad-hoc Netzen (Seite 90-99)