Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Mobilitätskonzepte | Künstliche Intelligenz 05 2020 Elektronik automotive 33 Jede Autofahrt endet mit der Suche nach einem Parkplatz Besonders in Innenstadtgebieten ist die Parkplatzsuche sehr zeitaufwendig Je länger die Parkplatzsuche dauert desto schädlicher wird es auch für die Umwelt Barbara Lenz Leiterin des Instituts für Verkehrsforschung am Deutschen Zentrum für Luftund Raumfahrt DLR schätzt die Dimension des Problems in einem Tagesschau-Interview wie folgt ein In Spitzenzeiten beträgt der Parksuchverkehr in den Innenstädten bis zu einem Drittel des eigentlichen Verkehrs also ein Drittel der Autofahrer fahren nur herum weil sie einen Parkplatz suchen 1 In dem vom Bundesministerium für Wirtschaft und Energie BMWi geförderten Forschungsprojekt GEISER wurde unter anderem ein Prototyp für einen intelligenten Parkassistenten entwickelt der dieses Problem lösen könnte In dem Projekt hat das Fraunhofer-Institut für Intelligente Analyseund Informationssysteme IAIS zusammen mit Partnern daran gearbeitet Geound Sensordaten für Anwendungen des Alltags besser nutzbar zu machen Dabei wurde in Kooperation mit TomTom ein Prototyp für einen intelligenten Parkassistenten entwickelt der vorhersagen kann wo und mit welcher Wahrscheinlichkeit ein freier Parkplatz zu finden sein wird Der Assistent kann perspektivisch in Navigationsgeräte integriert werden und benötigt im Gegensatz zu anderen Lösungen keine zusätzliche Hardware Dank Verfahren des maschinellen Lernens 2 lernt der Assistent kontinuierlich hinzu und wird auch wenn anfangs nur wenige Daten vorliegen mit der Zeit immer zuverlässiger Erste Ideen und Ansätze dazu gibt es schon länger Eine Herangehensweise wäre beispielsweise die Installation von Sensoren die messen ob ein Parkplatz belegt oder frei ist So könnten Autofahrer abfragen wo sie parken können und gezielt zu einem freien Parkplatz in der Nähe ihres Ziels navigieren Der Aufbau und die Instandhaltung eines solchen flächendeckenden Parkplatzsensoren-Netzwerks wäre aber mit einem hohen Zeitund Kostenaufwand verbunden Die Frage ist also Wie lässt sich die Parkplatzsuche auch ohne Sensoren effizient gestalten? Dieser Parkplatz ist zu 96 Prozent frei Ortsansässige Fahrer finden in der Regel schneller einen Parkplatz als ortsfremde Fahrer Das zeigt dass die Beobachtung der üblichen Parksituation in einer bestimmten Region hilfreich für die Parkplatzsuche ist Dieses Erfahrungswissen soll genutzt werden Ziel ist es ein Computersystem zu entwickeln das in der Lage ist Vorhersagen darüber zu treffen ob in einem Straßenabschnitt ein Parkplatz frei sein wird oder nicht Vorhersagen treffen mit Hilfe eines Computers ist die wesentliche Aufgabe des maschinellen Lernens 3 weshalb auch der GEISER-Prototyp diese Technologie nutzt Initiale Schätzung als Anfangspunkt Welche Beobachtungen über die Parkplatzbelegung lassen sich als Grundlage für das maschinelle Lernsystem verwenForschungsprojekt GEISER im Überblick Das Forschungsprojekt GEISER wurde vom Bundesministerium für Wirtschaft und Energie gefördert und im Jahr 2019 abgeschlossen In dem Konsortium wurde eine offene Cloudbasierte Plattform zur Akquise Transformation Speicherung Integration Qualitätssicherung Verarbeitung und Auslieferung von auf Geound Sensordaten basierenden Diensten entwickelt Die beteiligten Partner waren USU Software Universität Leipzig YellowMap Metaphacts das Fraunhofer-Institut für Intelligente Analyseund Informationssysteme IAIS und TomTom den? Auf den ersten Blick erscheinen die Fahrwege der Nutzer von Navigationssystemen als eine gute Quelle In der Praxis zeigt sich aber dass das Navigationssystem häufig vor Erreichen des Parkplatzes ausgeschaltet wird Wesentlicher Grund dafür ist die wiederholt freundliche Aufforderung des Systems man möge bitte umkehren Das System erkennt nämlich nicht dass der Fahrer auf Parkplatzsuche ist Der im Forschungsprojekt entwickelte Ansatz basiert daher auf der Überlegung mit Hilfe einer initialen Schätzung einen ersten Parkassistenten zu erstellen der seine Vorhersagequalitäten im Laufe der Nutzung immer weiter verbessern wird Die Aufgaben des Parkassistenten sollen sein erstens den Nutzer in kürzester Zeit so nah wie möglich an sein Ziel zu bringen und zweitens ständig bessere Schätzungen der Parkwahrscheinlichkeiten zu lernen Zwischen diesen Zielen besteht jedoch ein Konflikt Um das zweite Ziel zu erreichen könnte der Assistent einen Autofahrer gezielt in den Straßen suchen lassen für die noch wenige Beobachtungen vorliegen selbst dann wenn der Algorithmus sich relativ sicher ist dass in der Nähe des Ziels ein Parkplatz frei ist Um dieses Problem zu vermeiden wählt der Algorithmus einen Mittelweg der das Paradox in sich ausgleicht Zufälle berücksichtigen Für einen Autofahrer erscheint die Parkplatzsuche häufig wie ein Glückspiel Selbst in Gegenden mit vielen Parkplätzen kann der Fahrer Pech haben und keinen freien Parkplatz finden Diese Zufälligkeit muss bei der Konzeption eines Parkassistenten berücksichtigt werden Gleichzeitig gibt es aber für manche Straßen auch ein spezifisches Vorwissen über die Wahrscheinlichkeit einen freien Parkplatz zu finden Zum Beispiel ist die Wahrscheinlichkeit am Straßenrand einer Stadtautobahn parken zu können sehr gering weil am Rand von Autobahnen in der Regel keine Parkplätze existieren Die drei Komponenten des Parkassistenten Der Parkassistent kann als aktiv lernendes System implementiert werden und hat im Wesentlichen drei interagierende Komponenten