Für zukünftige IVS-Anwendungen im Kontext kooperativen und automatisierten Fahren werden hochgenau Straßengraphen benötigt, die die Positionen einzelner Fahrstreifen eines Straßensegments zuverlässig und lagegenau abbilden. Gängige digitale Straßengraphen sind in geometrischer und topologischer Hinsicht stark generalisiert. Üblicherweise werden Straßensegmente durch einzelne Polylinien repräsentiert, unabhängig von der Anzahl vorliegender Fahrstreifen. Im Forschungsprojekt „LaneS“, gefördert durch das österreichische Bundesministerium für Innovation und Technologie und der Österreichischen  Forschungsförderungsgesellschaft mbH im Rahmen des Förderprogramms Mobilität der Zukunft, wurde eine Methodik entwickelt, mit der die Positionen einzelner Fahrstreifenmittelachsen aus GNSS-Trajektorien abgeleitet und fahrstreifenfeine digitale Straßengraphen gebildet werden. Die Evaluierung von Zuverlässigkeit und Genauigkeit der Ergebnisse zeigen hohes Potential der entwickelten Methodik zur Schätzung der Positionen von Fahrstreifenmittelachsen.

Der Fachvortrag zur Veranstaltung ist im Volltext verfügbar. Das PDF enthält alle Bilder und Formeln.

1 Einleitung

Herkömmliche Straßengraphen, wie sie in Navigationssystemen und verkehrsplanerischen Anwendungen (z.B. Straßennetzbeurteilung) eingesetzt werden, bauen in der Regel auf einem Knoten-Kanten Modell auf, bei dem eine Kante die Fahrbahn einer Straße zwischen zwei Kreuzungen (Knoten) repräsentiert. Dabei ist es bei der Geometriebildung unbedeutend wie viele Fahrstreifen die Straße aufweist (bzw. die Richtungsfahrbahn bei baulich getrennten Fahrbahnen wie Autobahnen) (siehe CARISI ET AL. 2003, [1]). Für zukünftige Entwicklungen im Bereich des kooperativen und automatisierten Fahrens ist eine fahrstreifenfeine digitale Kartengrundlage eine wichtige Grundlage, um die Funktionalität der Dienste (z.B. Anzeige einer Fahr- streifensperre) oder der automatisierten Fahrmanöver (z.B. automatischer Spurwechsel) zu gewährleisten oder zu verbessern (siehe PUCHER ET AL. 2016, [2]). Vor diesem Hintergrund betreiben Automobilhersteller in enger Zusammenarbeit mit internationalen Kartenherstellern (z.B. HERE maps, TomTom) Initiativen zur Generierung entsprechender, hochgenauer Straßengraphen. Dafür werden Messfahrten unter Verwendung hochpräziser und hochwertiger Messtechnik eingesetzt (siehe REDZIC ET AL. 2015, [3]). Auf Grund des arbeits- und kostenintensiven Prozesses ist es jedoch fraglich, ob und wie die Verfügbarkeit dieser Straßengraphen für Interessenten außerhalb der Automobilindustrie ermöglicht wird.

Bild 1: Beispielhafte Darstellung einer fahrstreifenfeinen Straßenkarte von HERE. Quelle: http://360.here.com/2015/04/16/autonomous-cars-can-understand-real-world-map/, 29.01.2016

Im Forschungsprojekt LaneS, gefördert durch das österreichische Bundesministerium für Innovation und Technologie und der Österreichischen Forschungsförderungsgesellschaft mbH im Rahmen des Förderprogramms Mobilität der Zukunft (siehe Danksagungen), wurde ein Verfahren entwickelt, welches hochgenaue, fahrstreifenfein modellierte Straßengraphen automatisiert aus konventionellen GNSS-basierten Fahrzeugtrajektorien generiert. Dadurch werden vergleichsweise geringe Anforderungen an Eingangsdaten gestellt. Auf Grund der weitreichenden Verbreitung von GNSS-Receivern, insbesondere durch Smartphones, können fahrstreifenfeine Straßengraphen somit vergleichsweise einfach und kostengünstig generiert werden.

2 Stand der Forschung

Die Nutzung fahrzeuggenerierter GNSS-Trajektorien zur Ableitung von Informationen zur Straßeninfrastruktur wurde zuvor bereits in einigen Forschungsprojekten behandelt. Aus der wissenschaftlichen Literatur lassen sich generell drei Hauptansätze identifizieren, mit denen Straßengraphen aus GNSS-Daten abgeleitet werden: Cluster-Algorithmen, Rasterzellen-Anpassungsfunktion und Wahrscheinlichkeitsdichtefunktionen.

Karagiorgou et al. (siehe 2012, [4]) entwickelten einen Cluster-Algorithmus für die Erzeugung eines Straßengraphen basierend auf Floating-Car-Data (FCD). Änderungen des Bewegungsmusters, verursacht durch Kurven, wurden dabei als Kreuzungsknoten identifiziert. Diese Kreuzungsknoten wurden dann verwendet, um Fahrzeug Trajektorien und Kanten des Graphen zu bündeln und wurden durch Zusammenführen dieser Fahrzeug Trajektorien abgeleitet. Jedoch wurde die Genauigkeit der abgeleiteten Straßenmittellinien nicht eigens bemessen. Ein weiteres clusterbasiertes Verfahren wurde von Zhang et al. (siehe 2010, [5]) implementiert. Für die Positionsbestimmung von Straßenmittelachsen wurden GNSS-Trajektorien genutzt, die über OpenStreetMap (OSM) verfügbar sind. Obwohl die Anzahl der Fahrstreifen geschätzt wurde, wurde weder ihre genaue Position bestimmt, noch wurde ihre Geometrie modelliert. Ein weiterer Ansatz unter Verwendung von Cluster-Algorithmen wurde von Brüntrup et al. (siehe 2005, [6]) vorgestellt. Dabei konnten Straßenkanten mit einem hohen Maß an Genauigkeit aus den Daten abgeleitet werden. Jedoch wurde der Ansatz nicht auf Ebene einzelner Fahrstreifen durchgeführt.
Davies et al. (siehe 2006, [7]) und Sato et al. (siehe 2012, [8]) nutzten Rasterzellen-Anpassungstechniken, um Straßenpositionen aus GNSS-Trajektorien zu ermitteln. Davies et al. fokussierten sich auf die Bestimmung von Straßenmittelachsen durch Zuweisung von GNSS-Position an Rasterzellen. Bei Zellen mit einer großen Anzahl an verteilten GNSS-Punkten wurde angenommen, dass sie die Straßenmittelachse repräsentieren. Sato et al. nutzten auch die Verteilung von GNSS-Punkten in Rasterzellen, Ziel dieser Arbeit war es jedoch die korrekte Anzahl an Fahrstreifen abzuleiten. Die exakte Position der jeweiligen Fahrstreifenmittelachsen wurden jedoch nicht ermittelt.

In mehreren Studien wurden zur Ableitung von Straßen- oder Fahrstreifengeometrien aus GNSS-Trajektorien Wahrscheinlichkeitsfunktionen verwendet. Liu et al. (siehe 2012, [9]) bildeten Straßengeometrien auf Basis eines Kernel Density Estimation (KDE) Algorithmus, der in eine Dichtekarte von fein skalierten Rasterzellen resultiert. Chen et al.(siehe 2010, [10]) führten ein Gaussian mixture model (GMM) ein, um die Anzahl von Fahrstreifen aus GNSS- Trajektorien zu modellieren. Dafür wurde die Annahme getroffen, dass Fahrstreifen eine konstante Breite aufweisen. Der entwickelte, modifizierte GMM Algorithmus konnte die Anzahl von Fahrstreifen zuverlässig wiedergeben. Die Positionen der Fahrstreifenmittelachsen wurden je- doch nicht lokalisiert. Die Bestimmung der Positionen von Fahrstreifenmittelachsen war das Ziel von Knoop et al (siehe 2012, [11]). Sie führten die Precise-Point-Positioning-Technik ein, um den Fahrstreifen auf der ein Fahrzeug in Echtzeit fährt, zu bestimmen und so eine selbst- lernende Straßenkarte zu erstellen. Ihre Methodik verbessert die Genauigkeit der GNSS- Positionen, ohne teure High-End-GNSS-Empfänger benutzen zu müssen. Allerdings benutzten sie nur simulierte GNSS-Trajektorien mit höherer Genauigkeit und Zuverlässigkeit als Eingangsdaten. Uduwaragoda et al. (siehe 2013, [12]) fokussierten sich sowohl auf die Identifizierung der Fahrstreifenanzahl als auch auf die Lokalisierung der Fahrstreifenmittelachsen. Sie analysierten die Wahrscheinlichkeitsdichteverteilung von Fahrzeugtrajektorien an Straßenquerschnitte unter Verwendung eines nicht-parametrischer Kernel Density Estimation (KDE) Algorithmus. Die Positionen mit der höchsten Wahrscheinlichkeitsdichte wurden als Fahrstreifenmittelachse zugeordnet. Es konnte gezeigt werden, dass diese genau berechnet bestimmt werden können, wenn ein Minimum von 150 Trajektorien unabhängig von der Straßencharakteristik zur Verfügung stand. Die Problematik der Multimodalität der Wahrscheinlichkeitsdichtefunktion wurde jedoch nicht adressiert.

Die Literaturanalyse zeigt, dass die datengetriebene Erzeugung von Straßengraphen seit einigen Jahren in der Forschung verankert ist. Zum überwiegenden Teil lag der Fokus dabei nicht in der Lokalisierung einzelner Fahrstreifenmittelachsen, sondern in der Bestimmung des generellen Straßenverlaufs und der Aufbau eines topologischen Netzes. In jenen Forschungsvorhaben, die als Ziel die Lokalisierung der Fahrstreifenmittelachsen hatten, wurden Wahrscheinlichkeitsdichtefunktionen angewandt. Allerdings nutzten sie entweder simulierte Eingangsdaten oder wurden nur auf kurze Autobahnabschnitte angewandt. Es ist daher weitere Forschungsbedarf vorhanden, um die Möglichkeit zur Nutzung von GNSS-Trajektorien zur automatisierten Erzeugung von fahrstreifenfeinen Straßengraphen zu evaluieren.

3 Datenaufnahme und Untersuchungsgebiet

Die GNSS-basierten Fahrzeugtrajektorien wurden in Messkampagnen unter Verwendung unterschiedlicher Messgeräte aufgezeichnet. Dabei wurden ein Autobahnabschnitt von 11.7 km Länge und mit annähernd durchgängig 3 Fahrstreifen, eine Schnellstraße von 7 km Länge und 2 Fahrstreifen sowie ein innerstädtischer Straßenabschnitt mit 3.4 km Länge und 2 Fahrstreifen zwischen Mai und Oktober 2015 in beiden Fahrtrichtungen befahren. Die Untersuchungsgebiete befanden sich in der Stadt Graz bzw. in dessen Umland (siehe Bild 2). Da die GNSS-Daten in den Fahrzeugen während der Teilnahme am regulären Verkehr aufgezeichnet wurden, können diese auch als Floating Car Data (FCD) bezeichnet werden. Dabei dienen Fahrzeuge als mobile Sensoren für die Aufnahme von Trajektorien (siehe MESSELODI ET AL. 2009, [13]).

Bild 2: Untersuchungsgebiete in Graz und dessen Umland, für welche zwischen Mai und Oktober 2015 GNSS-Trajektorien aufgezeichnet wurden. Hintergrundkarte: OSM.org.

Bei der Auswahl der Messgeräte wurde berücksichtigt, dass der Algorithmus zur Generierung fahrstreifenfeiner Straßengraphen aus FCD in der Lage sein soll, Eingangsdaten aus herkömmlichen GNSS-Receivern zu nützen. Die zur Datenaufnahme eingesetzten Geräte waren verschiedene Smartphones (u.a. iPhone 4, HTC Desire, Sony Xperia Z3 Compact) und GNSS- Logger (Qstarz). Zur Evaluierung der Positionsgenauigkeit von GNSS-Daten und der abgeleiteten Fahrstreifenmittelachsen wurde eine Referenztrajektorie aufgezeichnet. Die einzelnen Fahrstreifenmittelachsen wurden mit einer Positionierungsgenauigkeit < 40 cm ermittelt. Das verwendete hochpräzise Messsystem besteht aus einer ADMA (Automotive Dynamic Motion Analyzer) kombiniert mit einem genauen DGPS (Differential Global Positioning System). ADMA ist ein Kreiselsystem, das für Fahrdynamikmessungen im Automobilbereich entwickelt wurde. Es lassen sich damit alle Bewegungszustände wie Beschleunigungen, Geschwindigkeiten, Position, Drehgeschwindigkeiten und Winkel des Fahrzeuges unter Bewegung in alle 3 Richtungen erfassen. Insgesamt wurden so 583 Fahrzeugtrajektorien in den Frequenzen 1 Hz, 5 Hz, 10 Hz und 100 Hz aufgezeichnet.

Es wird angenommen, dass eine gute Positionsgenauigkeit der GNSS-Fixes in der Folge zu einer besseren automatisierten Bestimmung von Fahrstreifenmittelachsen führt. Daher wurden die mit Low-Cost Messgeräten aufgezeichneten GNSS-Trajektorien anhand der hochgenauen Referenzmessungen evaluiert. Die besten Ergebnisse (Median Distanzen 1.2-1.5m zu Referenzmessungen) konnten mit einem 5 Hz Datenlogger erzielt werden. Eine 1Hz Aufzeichnung beim Datenlogger verschlechtert die Positionsgenauigkeit signifikant und wird daher nicht empfohlen (Median 2.5-3.0m). Die Smartphone Applikationen führten trotz geringer Auf- zeichnungsrate (0.5-1.0 Hz) zu positiven Ergebnissen, die mittleren Distanzen liegen hier knapp über denen des 5Hz Datenloggers (Median 1.5-2.2m).

4 Methodik zur Erzeugung fahrstreifenfeiner Straßengraphen

Um die genaue Position von Fahrstreifenmittelachsen aus einer Grundgesamtheit von Fahrzeugtrajektorien bestimmen zu können, wird die allgemeine Annahme getroffen, dass FahrerInnen tendenziell bestrebt sind, ihr Fahrzeug entlang der Mitte eines Fahrstreifens zu navigieren. Daraus folgt, dass die Position eines Fahrzeugs mit größerer Wahrscheinlichkeit nahe der Fahrstreifenmittelachse zu finden ist als am Rand eines Fahrstreifens. Bei Betrachtung einer Grundgesamtheit von Fahrzeugtrajektorien wäre zu erwarten, dass deren Dichte entlang der Fahrstreifenmittelachse am höchsten ist. Somit kann die Lage einer Fahrstreifenmittelachse über die Maxima einer Dichteverteilung bestimmt werden. Diese können aus lateralen Positionen von Fahrzeugtrajektorien an Straßenquerschnitten durch Anwendung einer Wahrscheinlichkeitsdichtefunktion geschätzt werden. Die Anzahl ausgeprägter Dichtemaxima entspricht dabei der geschätzten Fahrstreifenanzahl am jeweiligen Straßenquerschnitt.

Basierend auf der beschriebenen Annahme wurde eine Methodik entwickelt, welche die Positionen von Fahrstreifenmittelachsen aus einer Dichteverteilung von GNSS-Trajektorien schätzt. Die grundlegenden sequentiellen Prozessierungsschritte sind in Bild 3 dargestellt.

Bild 3: Sequenzieller Ablauf der Prozessierungsschritte im Projekt LaneS

Initial werden äquidistante Punkte entlang eines konventionellen Straßengraphs festgelegt. Diese stellen dabei die Straßenquerschnitte dar, an denen die Fahrstreifenanzahl sowie die Positionen der jeweiligen Fahrstreifenmittelachsen aus den Fahrzeugtrajektorien ermittelt werden. Der Straßengraph wird genutzt, um den generellen Richtungsverlauf eines Straßenzugs zu erhalten. Ebenso kann auch ein Polylinienzug, dessen Ausrichtung dem Straßenverlauf entspricht, genutzt werden. Die äquidistanten Abstände wurden mit 5 m gewählt, um Änderungen der Straßenführung möglichst hochauflösend zu erfassen. An jedem der definierten äquidistanten Punkte wird eine Lotgerade auf den Straßengraphen bzw. Polylinienzug gefällt. Die Länge der Lotgeraden wird auf 20 m festgesetzt, um auch bei größeren Lageungenauigkeiten des verwendeten Straßengraphs bzw. Polylinienzugs alle vorliegenden Fahrstreifen abzudecken. Durch räumliche Abfragen werden entlang dieser Lotgeraden die Schnittpunkte mit GNSS Fahrzeugtrajektorien determiniert. Diesen Schnittpunkten werden je Lotgerade einheitliche Identifikationsnummern zugeordnet. Daraus resultieren die lateralen Positionen von Fahrzeugtrajektorien am jeweiligen Straßenquerschnitt im Abstand von 5 m entlang des betrachteten Straßenzugs.

Die Dichteverteilung der lateralen Positionen von Fahrzeugtrajektorien am Straßenquerschnitt wird durch ein Kerndichteschätzungsverfahren (Kernel Density Estimator – KDE) ermittelt. Der KDE ist eine nichtparametrische Wahrscheinlichkeitsdichtefunktion, die eine geglättete Kernfunktion über jeden Datenpunkt einer betrachteten Population legt und diese zur Dichteschätzung summiert. Der KDE ist wie folgt definiert (siehe DENG ET AL. 2011, [14]), wobei der Kernfunktion und der gewählten Bandweite entsprechen. Als Kern wurde ein Gaußkern gewählt, welcher der Dichte der Standardnormalverteilung entspricht:

Formel (1) siehe PDF.

Formel (2) siehe PDF.

Größeren Einfluss als die Art der Kernfunktion auf das Ergebnis der Dichteschätzung hat die gewählte Bandweite, welche ein Glättungsparamter der Kernfunktion ist. Eine große Bandweite führt zu einer stark geglätteten Dichteschätzung mit geringer Varianz und hoher Verzerrung, während eine kleine Bandweite eine geringe Verzerrung und eine große Varianz der Schätzung verursacht. Die Wahl einer angemessen Bandweite für den KDE hängt von der Dichte der untersuchten Eingangsdaten ab. Bei einer hohen Dichte ist der Einsatz einer kleinen Bandweite erforderlich, große Bandweiten sollten hingegen bei spärlicher Dichte genutzt werden. Es ist zu erwarten, dass die Dichteverteilung lateraler Positionen von Fahrzeugtrajektorien je nach Straßenquerschnitt und Datengrundlage divergiert. Dementsprechend ist die gewählte Bandweite an die Bedingungen am jeweiligen Straßenquerschnitt anzupassen. Dazu wird der Sheater und Jones Selektor (siehe 1991, [15]) implementiert, der die passende Bandweite aus den Daten selbst bestimmt. Bei diesem Vorgehen wird ein Fehlermaß (MISE, AMISE) minimiert und eine Balance zwischen Verzerrung und Varianz angestrebt. Es wird ein nicht-stochastischer Term eingefügt, um die Verzerrung zu reduzieren ohne dabei die Varianz zu erhöhen.

Im Anschluss der Berechnung des KDE mit den aus den Daten bestimmten Bandweiten können die Dichtemaxima der Fahrzeugtrajektorien am lokalen Straßenquerschnitt bestimmt werden. Die lateralen Positionen der geschätzten Dichtemaxima entlang der Lotgeraden werden als die Positionen der Fahrstreifenmittelachsen angenommen. Als Eingangsdaten werden jedoch Fahrzeugtrajektorien genutzt, die mit herkömmlichen GNSS-Receivern und Smartphones aufgezeichnet wurden, und welche daher über einen Messfehler der Positionsbestimmung verfügen. Ungenauigkeiten bei der Positionsbestimmung von Fahrzeugtrajektorien können dazu führen, dass Dichtemaxima im KDE geschätzt werden, die nicht die Positionen der Fahrstreifenmittelachsen an einem Straßenquerschnitt repräsentieren. Um fehlerhaft geschätzte Dichtemaxima zu identifizieren wird eine geographische Distanzmatrix berechnet, welche die Distanzen zwischen allen Elementen des Satzes an Dichtemaxima am Straßenquerschnitt beinhaltet. Bei N Dichtemaxima wird die Distanzmatrix als zweidimensionaler N x N Array gebildet. Die Dichtemaxima werden hinsichtlich der Plausibilität ihrer Abstandsverhältnisse geprüft. Es wird angenommen, dass die geschätzten Dichtemaxima, und somit potenzielle Fahrstreifenmittelachsen, ein Minimaldistanz voneinander entfernt sein müssen, ohne dabei eine definierte Maximaldistanz zu überschreiten. In Bild 4 ist eine Distanzmatrix zur Plausibilisierung von Abstandsverhältnissen geschätzter Fahrstreifenmittelachsen am Beispiel eines Straßenquerschnitts der Autobahn A2 dargestellt. Der KDE-Algorithmus hat dabei 4 Dichtemaxima (Peaks, Pn) berechnet. Die Abstandsverhältnisse zwischen den Peaks in m sind in der Distanzmatrix angeführt. Dabei wird ersichtlich, dass die Abstände des Peaks P2 zu P1 und P3 zu klein sind, um für den untersuchten Straßenquerschnitt der Autobahn eine plausible Position einer Fahrstreifenmittelachse zu repräsentieren. Der Peak P2 wird daher ausgeschlossen und es werden 3 Fahrstreifenmittelachsen für den untersuchten Straßenquerschnitt angenommen.

Bild 4: Distanzmatrix zur Plausibilisierung von Abstandsverhältnissen identifizierter Dichtemaxima (Pn) am Beispiel eines Straßenquerschnitts der Autobahn A2.

Die Berechnung der geographischen Distanzen zwischen Dichtemaxima beruht auf dem sphärischen Cosinussatz und ist wie folgt definiert, wobei lata, lona die Breite und Länge des ersten Punktes und lata, lonb jene des zweiten Punktes in rad darstellt. R Ist der Erdradius in Kilometern, der mit 6371 km für das WGS84 Ellipsoid angenommen wird.

Formel (3) siehe PDF.

Die Anzahl identifizierter Fahrstreifen an einem Straßenquerschnitt resultiert aus der Anzahl geschätzter und plausibiliserter Dichtemaxima. Der beschriebene Algorithmus wird für jeden Straßenquerschnitt entlang eines untersuchten Straßenzuges durchgeführt. Zwischen Positionen von Fahrstreifenmittelachsen aufeinanderfolgender Straßenquerschnitte werden die kürzesten Distanzen berechnet, diese werden entsprechend über einen Linienzug miteinander verknüpft. Dadurch wir die Geometrie und Topologie des fahrstreifenfeinen Netzgraphen gebildet.

Die Methodik zur Generierung eines fahrstreifenfeinen Straßengraphens aus FCD wurde in den 3 Untersuchungsgebieten angewandt, um deren Anwendbarkeit bei unterschiedlichen Straßenkategorien und Umweltbedingungen zu evaluieren. Darüber hinaus wurden die aus herkömmlichen GNSS-Receivern ermittelten Fahrstreifenmittelachsen den Fahrtrajektorien der hochgenauen DGPS-basierten Referenzmessung gegenübergestellt.

5 Ergebnisse und Evaluierung

Ein Ergebnis des entwickelten Verfahrens zur Ableitung von Fahrstreifenmittelachsen aus GNSS-Trajektorien ist in Bild 5 am Beispiel von 2 Straßenquerschnitten entlang der Autobahn A2 dargestellt. In grüner Farbe sind die als Inputdaten genutzten GNSS Trajektorien dargestellt. Die rotweiße Linie repräsentiert den Verlauf des Referenzgraphen aus den hochgenauen Messungen. Die schwarzen Linien stellen die äquidistanten Straßenquerschnitte dar, für die jeweils die Positionen der Fahrstreifenmittelachsen aus den Daten geschätzt wurden. Dabei ist jeweils eine Linie gelb dargestellt.

Für diese wird auch eine Diagrammdarstellung der Kerndichteschätzung abgebildet. Auf der Ordinate ist die über das Kerndichteschätzungsverfahren ermittelte Dichte der Schnittpunkte von GNSS Trajektorien mit der Straßenquerschnittslinie aufgetragen, die Abszisse führt die X-Koordinaten (WGS 84) der Dichteschätzungen entlang der Straßenquerschnittslinien an. Die Kurven stellt das Ergebnis der Dichtefunktion dar. Ausgeprägte Maxima repräsentieren hohe Dichteschätzungen von GNSS Trajektorien, während Minima niedrige Dichteschätzungen darstellen. Entsprechend der grundlegenden Annahme, dass Fahrer bestrebt sind, ihr Fahrzeug möglichst entlang der Fahrbahnmittelachse zu fahren, indizieren Dichtemaxima an Fahrzeugtrajektorien die Position einer Fahrstreifenmitte, während Dichteminima den Fahrstreifenrändern entsprechen.

Aus den Diagrammen lässt sich erkennen, dass durch die Dichtefunktion mehr Maxima und Minima geschätzt werden als Fahrstreifen vorhanden sind. Dies ist auf das beabsichtigte Oversmoothing der Bandbreite zurückzuführen, welches auf Grund der Ungenauigkeiten der Positionsbestimmung der eingesetzten GNSS Receiver erforderlich ist. Dies resultiert unter Umständen in stark ausgeprägten Dichtemaxima, die jedoch keiner tatsächlichen Fahrstreifenmittelachse entsprechen. Auf Grund der eingeführten Distanzmatrix, ist der Algorithmus jedoch in der Lage, aus den Distanzverhältnissen der Dichtemaxima untereinander das plausibelste Set an Dichtemaxima auszuwählen. Im dargestellten Beispiel ist eine hohe Übereinstimmung der Positionen der geschätzten Fahrstreifenmittelachsen mit der Referenzmessung zu beobachten.

Bild 5: Beispielhafte Dichtefunktionen und geschätzte Positionen von Fahrstreifenmittelachsen an 2 Straßenquerschnitten der Autobahn A2. Hintergrundkarte: basemap.at

Zur Beurteilung der Qualität des fahrstreifeinen Straßengraphen wurde eine Evaluierungsmethodik aufgebaut (siehe Bild 6), deren Eingangsgrößen die geschätzten Fahrstreifenmittelachsen je Fahrstreifen (die sogenannten Dichtemaxima oder Peaks je Straßenquerschnitt oder Lotgerade, P) und die Schnittpunkte der aufgezeichneten Trajektorien aus den Floating-Car-Daten mit der Lotgerade (S) sind. In der Vorstufe der Evaluierung werden pro Lotgerade die Distanzen aller Schnittpunkte S zu den einzelnen Peaks P bestimmt. Die kürzeste Distanz definiert dabei die Zuordnung des Fahrstreifens zu den einzelnen Schnittpunkten. In der Folge werden diese Distanzen (Schnittpunkt Si zu Peak Pi) je Fahrstreifen und Straßenabschnitt weiter betrachtet. In der Evaluierung selbst werden dann je Fahrstreifen statistische Kennwerte (5, 25, 50, 75 und 95% Quantil) für die Distanzen über den gesamten betrachteten Straßenabschnitt (Richtungsfahrbahn) dargestellt.

Bild 6: Methodik zur Bewertung des fSg auf Basis der Distanzen einzelner Trajektorien-Schnittpunkte (S) zu den geschätzten Fahrstreifenmittelachsen (P).

Die Ergebnisse der Evaluierung zeigen, dass die Generierung des fSg mit der KDE-Methodik an zwei streifigen Streckenabschnitten besser funktioniert als auf drei streifigen Abschnitten. Bei Streckenabschnitten mit drei Fahrstreifen werden häufig nur zwei Fahrstreifen erkannt, da der Algorithmus nur zwei ausgeprägte und plausibilisierte Dichtemaxima schätzt.

In Bild 7 ist das Ergebnis der Evaluierung des Autobahnabschnitts der A2, Fahrtrichtung Osten, als Beispiel dargestellt, in der teilweise eine lückenhafte Erkennung des 3. Fahrstreifens vorliegt. So wurden bei etwa 50% der Straßenquerschnitte der eigentlich existierende und befahrene dritte Fahrstreifen nicht korrekt erkannt. Daraus resultieren die in der Abbildung angezeigten ansteigenden Distanzen am zweiten Fahrstreifen. Bei den Streckenabschnitten mit 2 Fahrstreifen wird hingegen durchgehend die korrekte Anzahl an Fahrstreifen aus dem Algorithmus geschätzt.

Bei Betrachtung des Verlaufs der Distanzen in Bild 7 ist gut zu erkennen, dass zum Teil hohe laterale Abweichungen bis zu 5m (hellgrauer Bereich) nach rechts in Fahrtrichtung (negativer Wert) am rechts äußersten Fahrstreifen (Fahrstreifen 1) bzw. nach links in Fahrtrichtung (positiver Wert) am links äußersten Fahrstreifen (Fahrstreifen 2 oder 3) auftreten. Diese Aussage trifft jedoch nicht für jede Lotgerade über den Abschnitt zu, bei vielen Lotgeraden reicht der hellgraue Bereich (5-95% Quantil) nur bis zur 2,5m Grenze. Zwischen den angrenzenden Fahrstreifen sind die Abweichungen geringer; hier ist eine relativ strikte Trennung bei etwa 1,5-1,8m zu beobachten die in etwa der halbierten Fahrstreifenbreite der Straße entspricht. Durch die dichte Fülle an Trajektorien sind bei den meisten Lotgeraden (IDs) sehr geringe Abweichungen im Median zwischen -1m und +1m erkennbar.

Bild 7: Distanzen [m] der Trajektorienschnittpunkte zum nächsten Peak je Fahrstreifen über alle Lotgeraden (IDs) für die Autobahn A2 Richtung Osten (oben) bzw. Triesterstraße Richtung Süden (unten); die schwarze Linie zeigt den Median (50% Quantil), dunkel-grau.

Für jene Straßenquerschnitte, an denen die korrekte Anzahl an Fahrstreifen aus dem KDE-Verfahren geschätzt wurde, wurde die Distanz der jeweils geschätzten Fahrstreifenmittelachse zu der entsprechenden Fahrstreifenmittelachse aus den hochgenauen Referenzmessungen berechnet. Obwohl bei den Referenzmessungen Positionen mit hoher Genauigkeit und hundertprozentiger Verfügbarkeit ermittelt werden können muss jedoch beachtet werden, dass durch das individuelle Fahrverhalten auch Abweichungen von der tatsächlichen Fahrstreifenmittelachse zu erwarten sind. Dies muss bei der Verwendung der mit hochgenauen Messequipment aufgezeichneten Fahrzeugtrajektorien als Referenz der tatsächlichen Lage von Fahrstreifen berücksichtigt werden.

Der Boxplot (siehe Bild 8) stellt die Verteilungen aller Distanzen zwischen den KDE-basierten Fahrstreifenmittelachsen und den Mittelachsen aus Referenzmessungen am jeweiligen Streckenabschnitt dar. Für den innerstädtischen Streckenabschnitt liegt die Mediandistanz bei 0.17 m, bei 0.18 m beim Autobahnabschnitt und bei 0.20 bei der Schnellstraße. Die Verteilung neigen jeweils zum oberen Quantil, mit Ausreißern bis zu 1.88 m. Geht man von Fahrstreifenbreiten zwischen 2.75 m und 3.75 m aus, wie dies in den untersuchten Abschnitten der Fall ist, indiziert die Gegenüberstellung mit den Fahrstreifenmittelachsen aus Referenzmessungen eine hohe Genauigkeit der entwickelten Methodik zur Bestimmung von Fahrstreifenmittelachsen aus FCD. Die beobachteten Distanzen sind im Median unter 20 cm und das obere Quantil unter 50 cm.

Bild 8: Verteilung minimaler Distanzen zwischen den Positionen von Fahrstreifenmittelach-sen aus der entwickelten KDE-Methodik und Referenzmessungen je Streckenabschnitt.

6 Schlussfolgerungen

Im Forschungsprojekt „LaneS“ wurde eine Methodik zur Bestimmung der Anzahl und Positionen von Fahrstreifenmittelachsen aus GNSS-Trajektorien entwickelt. Dabei wird eine Wahrscheinlichkeitsdichtefunktion (KDE) an einem Datensatz von Fahrzeugtrajektorien aus Standard GNSS-Receivern angewandt. Sowohl die Eingangsdaten als auch die erzielten Ergebnisse wurden Aufgrund von wissenschaftlich fundierten Methoden analysiert und zeigen gleichermaßen das Potential der entwickelten Methodik, als auch weiterbestehende Herausforderungen die es noch zu lösen gilt. Die Qualität der erzielten Ergebnisse wird durch den Anteil der korrekt detektierten Fahrstreifenanzahl sowie durch die Lagegenauigkeit der geschätzten Fahrstreifenmittelachsen determiniert.

Die Lagegenauigkeit wurde durch einen Abgleich mit den hochpräzisen Trajektorien (Referenzgraph) auf Basis der D-GPS Messungen evaluiert. Generell ist das Ergebnis dabei vielversprechend. Betrachtet man den Median der Distanzen dann ist die Lagegenauigkeit auf der Schnellstraße S35 am höchsten (Abweichung kleiner 20cm). Auf der drei streifigen Autobahn A2 sind die Abweichungen am zweiten und dritten Fahrstreifen im Median zwischen 22cm und 30cm, und am ersten Fahrstreifen etwas höher (bis zu 47cm). Am geringsten ist die Lagegenauigkeit auf der Triesterstraße (Median zwischen 26cm und 88cm), jedoch war hier die Datenbasis deutlich kleiner (110 Trajektorien) als bei den anderen beiden Straßenstücken (273 bzw. 200 Trajektorien). Die Standardabweichung liegt bei allen Streckenabschnitten im Bereich von 0.61-1.54m. Der Maximalwert der Abweichungen (3.8-7.0m) verdeutlicht jedoch, dass die Distanz einzelner Positionen des fSg zum Referenzgraphen größer ist als die Fahrstreifenbreite (3-4m).

Bezüglich der Fahrstreifenanzahl liegt bei den meisten untersuchten Strecken die korrekte Erfassung bei über 90%. Geringere Anteile sind nur am dritten Fahrstreifen auf der A2 in beiden Richtungen erkennbar (77,6% bzw. 88,8%). Das verdeutlicht, dass die Methode bei zwei streifigen Straßen zum Großteil die Anzahl der Fahrstreifen korrekt erkennt und bei Straßen mit mehr als zwei Fahrstreifen hier Probleme auf dem äußersten Fahrstreifen auftreten. Betrachtet man die Gesamtheit aller Querschnitte (Lotgeraden), dann wurde der Fahrstreifen bei 91,7% korrekt, bei 6,3% falsch und bei 2,0% nicht erkannt.

Einen entscheidenden Einfluss auf die erzielten Ergebnisse hat die Grundgesamtheit der zur Bildung des fSg herangezogenen GNSS Fahrzeugtrajektorien. Eine Datenreduktion wirkt sich bei auf der Autobahn A2 sehr stark auf die Ergebnisse der Lagegenauigkeit des fSg aus, vor Allem am 1. und 2. Fahrstreifen. Schon bei 75% der Daten gibt es hier eine Verschlechterung im Median der Distanzen von 0,25m auf 0,59 (Fahrstreifen 1) bzw. von 0,30m auf 1,08m (Fahrstreifen 2). Die Qualität des fSg sinkt dann kontinuierlich mit zunehmender Reduktion der Datenbasis. Am 3. Fahrstreifen sind die Auswirkungen nicht so dramatisch, jedoch werden die besten Ergebnisse auch hier bei vollständiger Datenbasis erzielt.

Die gezeigten Ergebnisse der KDE-Methode zur Erzeugung eines fSg erscheinen sehr vielversprechend. Trotz der teilweise unzureichenden Qualität der GNSS-Trajektorien die als Eingangsdaten verwendet werden, können die Mittelachsen der einzelnen Fahrstreifen in weiten Teilen automatisch bestimmt werden. Insbesondere bei den untersuchten Streckenabschnitten mit 2 Fahrstreifen, bei denen die korrekte Anzahl der Fahrstreifen annähernd durchgängig erkannt wurde, kann der Algorithmus mit hoher Zuverlässigkeit angewandt werden. Die Ermittlung der Distanzen zwischen den geschätzten Positionen von Fahrstreifenmittelachsen und jenen aus Referenzmessungen indiziert zudem eine potenziell hohe Lagegenauigkeit, die durch die entwickelte Methodik erzielt wird. Dies zeigt das Potenzial der entwickelten Methodik zur Generierung hochgenauer, fahrstreifenfeiner Straßengraphen unter Nutzung konventioneller GNSS-Trajektorien.

Als problematisch können jedoch systematisch auftretende Positionierungsfehler in den Eingangsdaten gesehen werden, welche etwa durch Abschattungen im urbanen Raum auftreten können. Darüber hinaus wurde der Algorithmus bislang nur für lineare Straßenverläufe angewandt, komplexe Verkehrsführungen wie Kreuzungssituationen wurden im Rahmen des Projekts nicht untersucht. Daraus ergibt sich weiterer Forschungsbedarf, um das Verfahren auch unter problematischen Empfangsbedingungen und in einem durchgängigen Straßennetz mit unterschiedlichen Verkehrsführungen zu evaluieren und anwenden zu können.

7 Ausblick

Der im Projekt identifizierte, weiterführende Forschungsbedarf wird im Nachfolgeprojekt LaneS C-ITS adressiert. Dabei liegt der Fokus vor allem auf der fahrstreifenfeinen Topologieerzeugung in komplexen Straßenführungen im innerstädtischen Bereich sowie auf die service-orientierte Nutzung des fSg im Kontext von C-ITS Anwendungen.

Danksagungen

Die zugrundeliegenden Arbeiten wurden im Rahmen des Förderprogrammes „Mobilität der Zukunft“ durch das österreichische Bundesministerium für Innovation und Technologie und der Österreichischen Forschungsförderungsgesellschaft mbH (FFG, FFG-Projektnummer 849073), gefördert. Der genaue Projekttitel lautet „LaneS – FCD basierte Erzeugung von fahrstreifenfeinen Straßengraphen, Nutzungspotenziale für IVS und Straßenerhaltung“. Projektpartner: TraffiCon – Traffic Consultants GmbH; Institut für Straßen- und Verkehrswesen, Technische Universität Graz; Kompetenzzentrum virtuelles Fahrzeug, Technische Universität Graz; Siemens Österreich, Wien; pwp-systems GmbH Bad Camberg.

Projektseite: http://lanes.trafficon.eu

8 Literatur

[1]  CARISI, R., GIORDANO, E., PAU, G., GERLA, M. (2011). Enhancing in Vehicle Digital Maps via GPS Crowdsourcing. Konferenzbeitrag "Eight International Conference on Wireless On-Demand Network Systems and Services", Bardonecchia, 26.-28. Januar 2011, S. 27-34, doi: 10.1109/WONS.2011.5720196

[2]  PUCHER, G., RUDIGIER, M., NEUHOLD, R., HABERL, M. (2016). Einsatz und Nutzen von aus GNSS-Trajektorien abgeleiteten hochgenauen Straßenkarten im Kontext (hoch-) automatisierten Fahrens. AGIT ‒ Journal für Angewandte Geoinformatik, 2-2016, doi: 10.14627/537622037

[3]  REDZIC, O., RABEL, D. (2015). A Location Cloud for Highly Automated Driving. In: MEYER, G., BEIKER, S. (Hrsg.), Road Vehicle Automation 2, S. 49-60. Springer Verlag,
Heidelberg

[4]  KARAGIORGOU, S., PFOSER, D. (2012). On Vehilce Tracking Data-Based Network Generation. Konferenzbeitrag „ACM SIGSPATIAL GIS 2012“, Redondo Beach, 1.Mai 2012

[5]   ZHANG, L., THIEMANN, F., SESTER, M. (2010). Integration of GPS Traces with road map. Koferenzbeitrag „Second international workshop on computational transportation science“, Seattle, 3. November 2009, S.17-22, ACM, New York.

[6]  BRÜNTRÜP, R., EDELKAMP, S., JABBAR, S., SCHOLZ, B. (2005). Incremental Map Generation with GPS Traces. Konferenzbeitrag „Eight International IEEE Conference on Intelligent Transportation Systems“, Vienna, 13.-16. November 2005. IEE Digital Library. doi: 10.1109/ITSC.2005.1520084

[7]  DAVIES, J., ALASTAIR, R., HOPPER, A. (2006). Scalable, Distributed, Real-Time Map Generation. IEEE Transactions on Pervasive Computing, vol. 5(4), S. 47-54, IEEE Computer Society, Los Alamitos

[8]  SATO, N., TAKAYAMA, T., MURATA, Y. (2012). Estimating the Number of Lanes on Rapid Road Map Survey System Using GPS Trajectories as Collective Intelligence. Konferenzbeitrag „15th International Conference on Network-Based Information Systems“, Melbourne, 26-28 September 2012, S. 82-89, CPS

[9]  LIU, X., WANG, Y., FORMAN, G., BIAGIONI, J., ERIKSSON, J., ZHU, Y. (2012). Mining Large-Scale, Sparse GPS Traces for Map Inference: Comparison of Approaches. Konferenzbeitrag „18th ACM SIGKDD Conference on Knowledge Discovery and Data Mining“, Beijing, 12.-16. August 2012, S. 669-677, ACM, New York

[10]  CHEN, Y., KRUMM, J. (2010). Probabilistic modelling of traffic lanes from GPS traces. Konferenzbeitrag „18th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems“, San Jose, 3.-5. November 2010, S. 81-88, ACM, New York

[11]  KNOOP, V., BUIST, P., TIBERIUS, C., AREM, B. (2012). Automated lane identification using Precise Point Positioning. An affordable and accurate GPS technique. In Konferenzbeitrag „15th International IEEE Conference on Intelligent Transportation Systems“, Anchorage, 16.-19. September 2012, IEE Digital Library

[12]  UDUWARAGODA, E., PERERA, A., DIAS, S. (2013). Generating Lane Level Road Data from Vehicle Trajectories Using Kernel Density Estimation. In Konferenzbeitrag „16th International IEEE Annual Conference on Intelligent Transportation Systems“, The Hague, 6.9. Oktober 2013, S. 384-391, IEE Digital Library

[13]  MESSELDOI, S., MODENA, C., ZANIM, M., DE NATALE, F., GRANELLI, F., BEITTERLE, F., GUARISE, A. (2009). Intelligent extended floating car data collection. In: Expert Systems with Applications 36, S. 4213-4227, Elsevier, Amsterdam.

[14]  DENG, H., WICKHAM, H. (2011). Density estimation in R. Electronic publication.

[15]  SHEATHER, S. J., JONES, M. C. (1991). A Reliable Data-Based Bandwith Seöection Method for Kernel Density Estimation. In Journal of the Royal Statistical Society, Vol. 53, Issue 3, S. 683-690, Wiley, London.