Detailergebnis zu DOK-Nr. 76916
Straßenzustandsabschätzung mittels Data-Mining-Methoden unter Anwendung von Fahrzeugsensoren (Orig. engl.: Road condition estimation with data mining methods using vehicle based sensors)
| Autoren |
J. Masino |
|---|---|
| Sachgebiete |
11.1 Berechnung, Dimensionierung, Lebensdauer 12.0 Allgemeines, Management |
Karlsruhe: KIT Scientific Publishing, 2021, XVI, 195 S., zahlr. B, T, Q (Karlsruher Schriftenreihe Fahrzeugsystemtechnik H. 82). - ISBN 978-3-7315-1004-8. - Online-Ressource: verfügbar unter: https://doi.org/10.5445/KSP/1000104538
Die Arbeit bietet neuartige Methoden zur Verarbeitung von Inertialsensor- und akustischen Sensordaten für die Straßenzustandsabschätzung und -überwachung mit Anwendung in Fahrzeugen, die als Sensorplattform dienen. Darüber hinaus werden Methoden eingeführt, um die Ergebnisse mehrerer Fahrzeuge für eine robuste Schätzung zu kombinieren. Eine systematische, kontinuierliche und umfassende Überwachung bestehender Straßen wird immer wichtiger. Die derzeitige Praxis ist jedoch mühsam und zeitaufwendig, da die meisten Schritte des Prozesses manuell durchgeführt werden. Ein neuartiges Messgerät für Fahrzeuge wurde entwickelt, um autonom eine große Menge an realen Daten auf öffentlichen Straßen zu erfassen. Darüber hinaus wird ein Simulationsansatz vorgestellt, um Daten unter kontrollierten Bedingungen aufzuzeichnen und die Auswirkungen von Parametervariationen zu untersuchen. Des Weiteren sind die Methoden zur Datenverarbeitung in einer benutzerfreundlichen Matlab-Toolbox implementiert, um eine automatische Auswertung zu ermöglichen. Die quantitativen und visualisierten Ergebnisse zeigen, dass die Abschätzung von Straßenunebenheiten und -rauheiten mit den tatsächlichen Gegebenheiten übereinstimmen. Die Vorhersagegenauigkeit von Attributen der Straße wie Schlaglöchern und Straßenoberflächen wie beschädigtem Beton oder Asphalt liegt im Durchschnitt bei 81,0 % beziehungsweise 96,1 %. Die Untersuchung von Kombinationsstrategien zeigt, dass die Fusion mehrerer Fahrzeuge mit der Präzisionsmatrix der Fahrzeugklassifikatoren die Sicherheit der endgültigen Schätzung erhöht. Der normalisierte mittlere quadratische Fehler der Regressionsfunktion zur Schätzung der Straßenrauhigkeit beträgt im Durchschnitt 4,5 %. Insgesamt können die entwickelten Methoden die bisherigen Verfahren zur Bewertung der Straßeninfrastruktur verbessern oder teilweise ersetzen.