FGSV-Nr. FGSV 002/127
Ort online-Konferenz
Datum 13.04.2021
Titel Modellierung von Sondereinsatzfahrzeugen und ihrer Routenwahl
Autoren Dr. Yun-Pang Flötteröd, Dipl.-Inf. Laura Bieker-Walz
Kategorien HEUREKA
Einleitung

Im Falle eines Notfalls ist jede Minute kostbar. Insbesondere durch das stetig wachsende Verkehrsaufkommen ist es für Einsatzkräfte schwierig die Einsatzstelle so schnell wie möglich zu erreichen. Aus diesem Grund ist es sinnvoll geeignete Unterstützungsmaßnahmen für Einsatzkräfte zu entwickeln. Eine Möglichkeit hierfür ist es die Einsatzkräfte bei der Routenwahl zu unterstützen. Zur Bewertung solcher Unterstützungsstrategien kann eine mikroskopische Verkehrssimulation ein geeignetes Werkzeug sein, aus diesem Grund wird die Verkehrssimulation SUMO in diesem Forschungsbeitrag verwendet

Hierfür wurden reale Einsatzfahrten aus Braunschweig ausgewertet, um ein besseres Verständnis von der Fahrdynamik von Einsatzfahrzeugen zu erhalten und um ein Routenwahlmodell zu entwickeln.

PDF
Volltext

Der Beitrag ist im Volltext verfügbar. Das PDF enthält alle Bilder und Formeln.

1 Einleitung

Seit den letzten Jahrzehnten dient die mikroskopische Simulation bzw. die Verkehrsmodellierung zum Nachvollziehen eines Verkehrszustands und zur Auswertung von Verkehrsmaßnahmen. Die Nachvollziehbarkeit eines Verkehrszustands durch ein Umlegungsmodell steht im Wesentlichen im Zusammenhang mit den gegebenen Netzdaten, der Routenwahl der entsprechenden Fahrer und der Verkehrsnachfrage. Die Bestimmung genutzter Routen hängt stark von dem angewendeten Routenwahlmodell. Die meisten Fahrer versuchen bei ihren Reisen, die für sie günstigsten Routen zu verwenden, um ihre Reisekosten zu minimieren, wobei Reisekosten normalerweise als Reisezeit dargestellt werden. Demzufolge wird ein Verkehrsablauf bei der Verkehrsmodellierung hauptsächlich nach dem Nutzeroptimum, das auf dem 1. Prinzip von Wardrop [1] basiert, optimiert. Um mehrere realistische Entscheidungsfaktoren der Routenwahl zur Bestimmung des effizienten Routensatzes in Betracht zu ziehen, verwenden viele Forschungen den Labeling-Approach von Ben-Akiva u. a. [2] und Algorithmen der K günstigsten Routen und der eingeschränkten K günstigsten Routen, zum Beispiel Shier [3], Eppstein [4], Ruppert [5], van der Zijpp und Catalano [6] sowie Bekhor u. a. [7]. Diese Verfahren beziehen sich auf das Fahrverhalten von normalen Fahrern und nicht auf Einsatzfahrten. Die Routenwahl für Sondereinsatzfahrzeuge, z.B. Feuerwehrlöschfahrzeuge, wurde bis jetzt wenig erforscht. Die Entscheidungsfaktoren der Routenwahl solcher Fahrzeuge können sich dennoch aufgrund ihrer Diensteigenschaften von der Routenwahl von allgemeinen Fahrzeugen unterscheiden.

 Heutzutage werden GPS-Geräten in den Fahrzeugen standardmäßig eingebaut. Dies ermöglicht es, die Positionen von Fahrzeugen in jedem vordefinierten Intervall zu sammeln. Damit können die entsprechend benutzen Routen mit einer Kartenanpassungsmethode identifiziert werden. Hieraus ergibt sich die Frage, welche Entscheidungsfaktoren bei der Routenwahl von Sondereinsatzfahrzeugen wichtig sind und wie sie bei der Routenwahlmodellierung berücksichtigt werden können.

Diese Forschungsarbeit hat das Ziel, die besonderen Routen und Mobilitätscharakteristiken von Einsatzfahrzeugen herauszustellen, um sie in einer Simulation besser modellieren und abbilden zu können. Hierfür wird zunächst beschrieben welche Verkehrsdaten für die Modellierung verwendet wurden. Als nächsten werden die Datenausgewertet der reale gefahrenen Routen mit denen von der Simulation verglichen. Danach wird die Routenwahl von Einsatzfahrzeugen mit den ausgewählten Entscheidungsfaktoren modelliert. Zum Schluss wird ein Ausblick gegeben und Möglichkeiten für weitere Forschungsarbeiten diskutiert.

2 Verkehrsdatenauswertung

Für diese Forschungsarbeit wurden reale Einsatzfahrzeugdaten evaluiert und deren Einsatzfahrten mit denen aus einer Verkehrssimulation verglichen. Im Folgenden werden die verwendeten Daten sowie die Verkehrssimulation SUMO vorgestellt.

2.1 Einsatzfahrzeugdaten

Sondereinsatzfahrzeuge dürfen von Sonderrechte im Straßenverkehr Gebrauch machen, „wenn höchste Eile geboten ist, um Menschenleben zu retten oder schwere gesundheitliche Schäden abzuwenden."' (StVO §35, Abs. 5a). In diesem Fall dürfen sie die Vorschriften der StVO missachten z.B. schneller als die maximal erlaubte Höchstgeschwindigkeit fahren. Trotz dieser Sonderrechte ist es für Einsatzfahrzeuge nicht immer möglich rechtliche Hilfsfristen einzuhalten.

Ein weiteres Problem ist, dass Studien belegt haben, dass Einsatzfahrten mit Sondersignalen ein erhöhtes Unfallrisiko haben. Statistisch, kommt es zu einem tödlichen Unfall bei einer Einsatzfahrt von 272.000, laut einer Sicherheitsanalyse der Bundesanstalt für Straßenwesen [8]. Des Weiteren kommt die Studie zu dem Ergebnis, dass das Risiko bei einer Einsatzfahrt mit Martinshorn und Blaulicht in einen Unfall mit Schwerverletzten Personen zu kommen, um ein achtfaches erhöht ist verglichen mit Einsatzfahrten ohne Sondersignalen. Insbesondere das Missachten einer roten Lichtsignalanlage ist eine der häufigsten Unfallursache bei Einsatzfahrten mit Sondersignalen [12].

Daraus ergibt sich, dass das Führen eines Einsatzfahrzeugs eine physisch, wie auch psychisch sehr anspruchsvolle Aufgabe ist. Die Fahrer agieren unter großen Zeitdruck, so schnell wie möglich den Einsatzort zu erreichen. Unter Umständen befassen sie sich gedanklich bereits mit dem bevorstehenden Einsatz und müssen zudem noch darauf achten, dass andere Verkehrsteilnehmer auch realisieren, dass sich ein Einsatzfahrzeug nähert.

Diese Studien zeigen, dass der Bedarf dafür vorhanden ist geeignet Verkehrsmanagementstrategien für Einsatzfahrzeuge zu entwickeln. Jedoch bedarf es hierfür ein geeignetes Werkzeug, um die besondere Fahrdynamik von Einsatzfahrzeugen abzubilden. In weiteren Studien kann das Modell verwendet werden, um Supportstrategien für Einsatzfahrzeuge zu evaluieren. Im Folgenden werden einige Forschungsarbeiten beschrieben, die sich mit dem Routenverhalten von Einsatzfahrzeugen befasst haben.

In der Studie von Woelki et. al. [9] wurde bereits ein spezielles Routing für Einsatzfahrzeuge entwickelt. Hierbei wurde ein Risiko-Routing entwickelt, bei dem nicht nur die geschätzte Dauer der Einsatzfahrt berücksichtigt wird, sondern auch das Risiko, dass das Einsatzfahrzeug die Route nicht innerhalb der Hilfsfrist beenden kann z.B. durch unvorhergesehene Störfälle.

Andere Studien legen nahe, dass ein spezielles Navigationssystem für Einsatzfahrzeuge nützlich wäre. Zum Beispiel in der Studie Pai [13] wurde ein solches System vorgestellt, welches mittels Fahrzeug-zu-Fahrzeug-Kommunikation die aktuelle Verkehrslage mit berücksichtigt.

Für diese Forschungsarbeit wurden Einsatzfahrten aus Braunschweig analysiert. Hierfür stehen die Daten von 24 Einsatzfahrzeugen seit 2013 zur Verfügung. Die Fahrzeugpositionen wurden alle 5 Sekunden mittels GPS nachverfolgt. Zudem wurde hinterlegt, ob das Fahrzeug mit Blaulicht und/oder Martinshorn gefahren ist. In Bild 1 sind die gesammelten Positionsdaten in Braunschweig dargestellt. Es ist zu sehen, dass eine sehr gute Abdeckung der Hauptstraßen innerhalb Braunschweig besteht.

Nach dem Filtern der Daten konnten die Startpunkte und Ziele der Einsatzfahrten extrahiert werden, wodurch für das Jahr 2017 insgesamt 5610 Start-/Zielpunkte gesammelt werden konnten.

Bild 1: GPS Positionen der Einsatzfahrten in Braunschweig in QGis [14]

2.2 Verkehrssimulation

Im weiteren Verlauf der Arbeit wurden die realen Einsatzfahrten mit den simulierten schnellsten Routen verglichen. Hierfür wurde die mikroskopische Verkehrssimulation SUMO Simulation of Urban Mobility [10] mit der Version 1.1.0 verwendet. SUMO wird kontinuierlich weiterentwickelt und beinhaltet eine Vielzahl an Werkzeugen zur Simulation und Evaluation  von verschiedenen Verkehrsmitteln und Szenarien. Der Vorteil an SUMO ist, dass es im Gegensatz zu anderen kommerziellen Verkehrssimulationen Open Source  und frei verfügbar ist. Für das Mobilitätsverhalten von Einsatzfahrzeugen wurde die Simulation um ein eigenes Modul erweitert, welches es ermöglicht das besondere Mobilitätsverhalten von Einsatzfahrzeugen zu simulieren [11]. Mittels eines sogenannten Blaulicht Devices ist es möglich bestimmte Fahrzeuge mit Blaulicht und Martinshorn auszustatten. Wenn ein Fahrzeug mit Blaulicht oder/und Martinshorn fährt, dann kann das Einsatzfahrzeug rote Lichtsignalanlagen missachten und fordert andere Verkehrsteilnehmer dazu auf eine Rettungsgasse zu bilden und dadurch dem Einsatzfahrzeug eine freie Fahrt zu schaffen. In Bild 2 ist zu sehen wie ein Einsatzfahrzeug in der Simulation SUMO über eine Kreuzung fährt während die Lichtsignalanlage rot zeigt und der Umgebungsverkehr eine Rettungsgasse gebildet haben.

Bild 2: Rettungsgassenbildung in der Simulation SUMO

2.3 Geschwindigkeitsauswertung

Aus den Fahrzeugdaten der Einsatzfahrzeuge konnte abgeleitet werden mit welchen Geschwindigkeiten während einer Einsatzfahrt gefahren werden kann. Hierfür wurden Streckenabschnitte in Braunschweig ausgesucht und unterteilt in Nebenstraßen, Hauptstraßen und Autobahnabschnitte. Innerhalb dieser Abschnitte wurde die gefahrene Geschwindigkeit berechnet. Es muss hierzu angemerkt werden, dass die Geschwindigkeit über die GPS Positionen berechnet wurde und dadurch einem gewissen Fehler unterliegt. Zum Vergleich wurden die Fahrten der Einsatzfahrzeuge mit und ohne Blaulicht herangezogen. In Bild 3 sind die Ergebnisse dieser Auswertung dargestellt. Wie zu erwarten war können die Einsatzfahrzeuge während einer Fahrt mit Blaulicht mit höheren Geschwindigkeiten fahren als ohne Blaulicht. Jedoch sind insbesondere bei Nebenstraßen große Schwankungen zuerkennen, dies kann daran liegen, dass Nebenstraßen häufig enger sind und dadurch dem Umgebungsverkehr nicht so viele Möglichkeiten bietet dem Einsatzfahrzeug Platz zu machen.

Bild 3: Geschwindigkeitsauswertung in Braunschweig von Fahrten mit und ohne Blaulicht

Im Mittel ergibt sich hieraus, dass die Einsatzfahrzeuge 13 -29% schneller fahren können mit Sondersignalen als ohne. Diese Werte können dafür genutzt werden, um das Einsatzfahrzeugmodell in SUMO anzupassen. In SUMO ist es möglich, dass bestimmte Fahrzeugklassen schneller fahren können als die maximal erlaubte Höchstgeschwindigkeit zulässt. Hierfür wurde der Parameter „speedFactor“ eingeführt. Um ein realistisches Fahrverhalten zu simulieren wurde dieser Wert auch 1,2 gesetzt. Das bedeutet, dass in der Simulation die Einsatzfahrzeuge während einer Einsatzfahrt um 20% die maximale Höchstgeschwindigkeit überschreiten können. Dies entspricht ebenfalls einer Empfehlung für Einsatzwagenfahrer [15].

2.4 Vergleich der benutzten und der simulierten Routen

Die Reiserouten, die mit der Kartenanpassungsmethode erstellt wurden, werden zunächst als Eingabe für den Verkehr verwendet. Anschließend wurden die Routen ebenfalls mit SUMO simuliert um die Dauer der Reisezeiten der Einsatzfahrten miteinander vergleichen zu können. Für die Auswertung wurden die gesammelten Daten vom Juli 2017 verwendet. Insgesamt gibt es 461 Einsatzfahrten. Bild 4 zeigt die simulierte Reisezeiten der Einsatzfahrten verglichen mit der realen Dauer der Einsatzfahrt. Die Dauer weicht von der tatsächlichen Dauer ab, insbesondere bei langen Reisezeiten. Rund 54% der Reisen dauerten länger in der Realität als in der Simulation.

Bild 5 zeigt die Verteilung der Differenzen. 55% der Zeitdifferenzen liegen innerhalb von ± 1 Minute, während 74% und 84% der Zeitdifferenzen innerhalb von ± 3 bzw. ± 5 Minuten liegen. Der Unterschied in der Reisedauer besteht hauptsächlich darin, dass das Fahrverhalten und die Umgebung in der Simulation vereinfacht und perfekter als in der Realität sind. Große Unterschiede in der Reisedauer lassen darauf schließen, dass einige Reisen ungültig oder/und einige Routen, die mit der Karte übereinstimmen, falsch sind. Die entsprechenden Anpassungen sind dementsprechend erforderlich.

Bild 4: Vergleich der realen und der simulierten kartenangepassten Reisedauer

Bild 5: Verteilung der Unterschiede zwischen der realen und der simulierten kartenangepassten Reisedauer

2.5 Vergleich der benutzten und der schnellstmöglichen Route

Nach der Analyse im Vergleich mit den kartenangepassten Routen wurden die Ursprünge und Ziele der Reisen verwendet und die jeweils schnellsten Routen mit dem Dijkstra-Algorithmus in SUMO ermittelt. Die Reisezeit wurde als entscheidendes Attribut für die Routenwahl verwendet. Das Ergebnis des Reisedauer-Vergleichs und die Verteilung der Differenzen sind ähnlich wie in den Bildern 4 und 5 angegeben. Dies impliziert, dass ein Unterschied zwischen den kartenangepassten Routen und den schnellstmöglichen Routen besteht. Die Reisedauer der realen Routen ist bis zu einem gewissen Grad länger als die simulierten, schnellsten Routen (siehe Bild 6). Trotz der offensichtlichen Abweichung der Reisedauer ist die Länge der schnellsten Route der tatsächlich zurückgelegten Routenlänge ähnlich. Die jeweilige Längenabweichung ist meist recht begrenzt. Das Analyseergebnis zeigt, dass einige andere Faktoren (außer der Reiselänge) existieren können, um die Routenwahl zusätzlich zur Reisezeit zu beeinflussen.

Bild 6: Box-Plot der realen und der simulierten, schnellsten Streckendauer

3 Modellierung der Routenwahl

Wie im Abschnitt 2.5 beschrieben, weisen die von SUMO ermittelten realen Routen und schnellsten Routen eine hohe Ähnlichkeit in der Reiselänge auf. Generell entspricht die simulierte Reisedauer bis zu einem gewissen Grad den der Realen. Ein Teil der realen Routen hat jedoch eine längere Reisedauer als die schnellsten Routen. Ein solches Ergebnis belegt, dass die Reisezeit der wichtigste Faktor für die Routenentscheidung des Einsatzfahrzeuges ist. Die Abweichungen deuten darauf hin, dass einige andere Attribute für die Routenentscheidung von Einsatzfahrzeugen weiterhin wichtig sein können. Wenn diese wichtigen Attribute und ihre Gewichtungsfaktoren identifiziert sind, können sie im Routensuchalgorithmus einer Verkehrssimulation zur besseren Routenplanung von Einsatzfahrzeugen berücksichtigt werden.

3.1 Ziel und Auswahl der Entscheidungsfaktoren

In einer gut entwickelten Stadt ist die Netzwerkstruktur komplex. Häufig haben die gleichen Start und Zielpunkte mehrere Routenmöglichkeiten mit derselben Reisezeit bzw. Routenlänge, d. h. es gibt Routenalternativen mit gleicher Reisezeit / Reisedauer. Daher besteht das Ziel hier nicht darin, die identischen Routen wiederherzustellen, sondern die Auswahl der Routen für Einsatzfahrzeuge so zu modellieren, dass die Kosten der simulierten Routen dem der Einsatzfahrzeuge sehr nahe kommen.

Wir gehen davon aus, dass die Entscheidung über die Routenwahl nicht nur mit der Reisezeit zusammenhängt, sondern auch mit der Netzwerkinfrastruktur und ihrer Zuverlässigkeit. Beispielsweise kann eine einspurige Straße die schnellste Straße zu einem bestimmten Ziel sein. Das Erreichen des Ziels würde jedoch viel mehr Reisezeit in Anspruch nehmen, wenn diese Straße aus irgendeinem Grund blockiert wäre. Daher ist eine solche Straße möglicherweise nicht die erste Wahl für Fahrer von Einsatzfahrzeugen. Im Rahmen dieser Forschungsarbeit wurden Leitfadengestützte Experteninterviews mit drei Rettungswagenfahrern durchgeführt. Bei den Interviews kam heraus, dass die Fahrer bei den Einsätzen sehr häufig auf ihre Ortskenntnis angewiesen sind und daher gewisse Straßenabschnitte vermeiden. Beispielsweise wurde gesagt, dass manche Straßen zur Hauptverkehrszeit so stark befahren sind und zudem keine Möglichkeit geben eine Rettungsgasse zu bilden, dass lieber andere Strecken gewählt werden die eigentlich ein Umweg sind. Mit der ähnlichen Überlegung werden drei Attribute zur weiteren Analyse ausgewählt, d.h. die Anzahl der kontrollierten Kreuzungen, die Anzahl der unkontrollierten Kreuzungen und die Länge der einspurigen Straßen auf einem Pfad. Aus den Box-Plots in den Bildern 7, 8 und 9 geht hervor, dass auf den realen Routen im Vergleich zu den schnellsten Routen tendenziell mehr signalgesteuerte Kreuzungen besucht wurden (siehe Bild 7). Außerdem zeigt Bild 8, dass die realen und die schnellsten Routen die gleiche Anzahl von prioritätsgesteuerten Kreuzungen aufweisen, wobei die Anzahl der prioritätsgesteuerten Kreuzungen, die auf der ersten besucht wurden, geringfügig höher ist als die auf der zweiten. Es zeigt sich auch, dass die schnellsten Routen etwas mehr einspurige Straßen als die realen Routen aufweisen (siehe Bild 9).

Bild 7: Vergleich der Anzahl der befahrenen signalgesteuerten Kreuzungen

Bild 8: Vergleich der Anzahl der gefahrenen prioritätsgesteuerten Kreuzungen

Bild 9: Vergleich der Länge der befahrenen einspurigen Straßen

3.2 Ergebnisse

Das vorgeschlagene Routenauswahlmodell geht davon aus, dass Rettungsfahrzeuge Pfade auswählen, um die folgende Routenkostenfunktion zu minimieren.

Formel und anschließende Erläuterung siehe PDF

Tabelle 1: Ergebnisse des OLS-Modells

4 Zusammenfassung und Ausblick

In dieser Forschungsarbeit wurden die Einsatzfahrten von der Feuerwehr in Braunschweig ausgewertet, um mehr Einblicke in das Mobilitätsverhalten und der Routenwahl von Einsatzfahrzeugen zu erhalten. Mittels dieser Verkehrsdaten wurde ein Einsatzfahrzeugmodell in der Verkehrssimulation SUMO erstellt, welches es ermöglicht, die maximale Höchstgeschwindigkeit zu überschreiten und andere Verkehrsteilnehmern dazu auffordert eine Rettungsgasse zu Bildern, die nur von dem Einsatzfahrzeug befahren werden kann. Zudem ist es möglich, dass das Einsatzfahrzeug eine kontrollierte Kreuzung trotz roter Phase zu überqueren.

Zusätzlich wurde ein Routenwahlmodell für Einsatzfahrzeuge vorgestellt. Die Hypothese war, dass Einsatzfahrzeuge andere Routen bevorzugen als normale Pkws. Die Auswertungen  haben gezeigt, dass das Hauptkriterium bei der Routenwahl immer noch die Reisezeit ist. Dies ist nicht verwunderlich, da Einsatzfahrer den Einsatzort so schnell wie möglich erreichen sollen. Aber auch der Parameter wie viele Lichtsignalanlagen auf der Route passiert werden müssen scheint einen signifikanten Einfluss auf die Routenwahl zu haben. In weiteren Studien soll untersucht werden welche anderen Faktoren entscheidend für die Routenwahl sind.

Die verwendeten Daten weisen einige Einschränkungen auf die hier erwähnt werden sollen. Zum einen weisen reale Daten häufig Fehler auf, die aussortiert oder korrigiert werden müssen. So haben z.B. GPS Positionen häufig Fehler von einigen Metern, die dazu beitragen können, dass Folgeberechnungen ebenfalls fehlerhaft sind.

5 Literatur

5.1 Zeitschriftenartikel

[1] J. G. Wardrop (1952). Some theoretical aspects of road traffic research. Proceedings of the Institute of Civil Engineers, Vol 1, S. 325-378.

[2] K. Shok, M. E. Ben-Akiva (2002). Estimation and Prediction of Time-Dependent Origin-Destination Flows with a Stochastic Mapping to Path Flows and Link Flows. Transportation Science, 36, S. 184-198.

[3] D. R. Shier (1979). Algorithms for Finding the K-Shortest Paths in a Network. Networks, 9, S. 195-214.

[4] D. Eppstein (1998). Finding the k shortest paths. Siam Journal on Computing, 28, S. 652-673.

[5] E. Ruppert (2000). Finding the k shortest paths in parallel. Algorithmica, 28, S. 242-254.

[6] N. J. Van der Zijpp, S. F. Catalano (2005). Path enumeration by finding the constrained K-shortest paths. Transportation Research Part B-Methodological, 39, S. 545-563.

[7] S. Bekhor, M. Ben-Akiva, M. S. Ramming (2006). Evaluation of choice set generation algorithms for route choice models. Annals of Operations Research, 144, S. 235-247.

[8] M. Unterkofler, R. Schmiedel (1995). Verbesserung der Sicherheit bei Sondersignaleinsätzen. Bergisch-Gladbach, Info 34/95. Wissenschaftliche Informationen der Bundesanstalt für Straßenwese.

[9] M. Woelki, T. Lu, S. Ruppe (2015). Ranking of alternatives for emergency routing on urban road networks. Urban Transport 2015, vol. 146, WIT Press.

[10] P. A. Lopez, M. Behrisch, L. Bieker-Walz, J. Erdmann, Y.-P. Flötteröd, R. Hilbrich, L. Lücken, J. Rummel, P. Wagner, E. Wießner (2018). Microscopic Traffic Simulation using SUMO. IEEE Intelligent Transportation Systems Conference (ITSC).

[11] L. Bieker-Walz, M. Behrisch, M. Junghans (2018). Analysis of the traffic behavior of emergency vehicles in a microscopic traffic simulation. EPiC Series in Engineering, S.  1-13.

5.2 Beiträge aus Tagungsbänden

[12] L. Bieker (2015). Traffic safety evaluations for emergency vehicles. Young Researchers Seminar, Rom.

[13] V. Ravish, M. M. M. Pai, M. Boussededjra, J. Mouzna (2010). Mobility model with Inter vehicular communication based navigation for emergency vehicles. Intelligent Transport Systems Telecommunications (ITST2010).

5.3 Internetquellen

[14] QGIS Contributors (2019). QGIS User Guide https://docs.qgis.org/2.18/pdf/en/QGIS-2.18-UserGuide-en.pdf abgerufen am 16. January 2019. 

[15] L. Fluri (2015). Schneller als erlaubt darf nur mit Blaulicht und Sirene gefahren werden. https://www.solothurnerzeitung.ch/solothurn/kanton-solothurn/schneller-als-erlaubt-darf-nur-mit-blaulicht-und-sirene-gefahren-werden-128773409 abgerufen am 4.7.2019.