21 |
Anwendungsorientierte Erweiterung von Testfahrtdaten mit 3D UmgebungsdatenGaitzsch, Lucas 29 April 2022 (has links)
Diese Masterarbeit ist eine Abhandlung zur Auswahl und Einbindung eines Sensors zur Erfassung dreidimensionaler Umgebungsdaten in die TUC DriveCloud.
Im zweiten Kapitel werden die grundlegenden Informationen zum Thema behandelt.
Anschließend wird auf den aktuellen Stand der Technik eingegangen. Dabei werden die zur Aufnahme und Verwaltung von Umgebungsdaten geeigneten Softwarelösungen sowie bereits existierende Datensätze vorgestellt. Im vierten Kapitel wird das Konzept zur Erweiterung der TUC DriveCloud Architektur für die Aufnahme von Umgebungsdaten vorgestellt. Das darauffolgende Kapitel beschreibt die Umsetzung. Im sechsten Kapitel werden die Ergebnisse präsentiert. Schlussendlich wird die Arbeit zusammengefasst und ein Ausblick gegeben.
|
22 |
Das Projekt cITIcar: autonomes Fahren als begleitende Lehr- und Lernplattform – auch in der PandemieCzekansky, Jakob, Schauer, Moritz, von Zabiensky, Florian, Bienhaus, Diethelm 27 January 2022 (has links)
Das Projekt cITIcar bietet ein breites Spektrum für das Lehrangebot im Bereich der (Technischen) Informatik
und der Ingenieur-Informatik. Aus dem Themengebiet der Eingebetteten Systeme kann sowohl
die Prototypenentwicklung als auch die Mikroprozessorprogrammierung und das Arbeiten mit
Echtzeitsystemen am cITIcar erlernt werden. Typische Aufgaben aus der Regelungstechnik können
am Fahrzeug durchgeführt und verschiedene Probleme aus der Längs- und der Querregelung von den
Studierenden gelöst werden. Zusätzlich bietet das cITIcar Potential für Aufgaben aus dem Bereich der
Computer Vision und des Machine Learnings: Fahrbahnranddetektion, Schilderkennung oder Fahrbahnsegementierung
sind nur wenige Beispiele für Lehraufgaben am cITIcar. Sowohl die Lehrmodule
als auch die Projektarbeit am cITIcar wurden durch die Pandemie vor neue Herausforderungen gestellt.
Um die Onlinelehre im Projekt zu verbessern, wurden verschiedene Werkzeuge und Techniken
in der Lehre integriert. In dieser Arbeit werden diese Werkzeuge und Techniken, sowie die damit gewonnenen
Erfahrungen dargelegt.
|
23 |
Adaptiver Griff-in-die-Kiste: die methodische Lücke zwischen Forschung und IndustrieStuke, Tobias, Bartsch, Thomas, Rauschenbach, Thomas 27 January 2022 (has links)
Der Konferenzbeitrag zeigt den Forschungs- und Technikstand bezüglich des Griff-in-die-Kiste auf. Basierend auf einer Literaturrecherche werden Beispiele für regelbasierte und lernende Verfahren vorgestellt. Anschließend erfolgt eine systematische Gegenüberstellung der Verfahren. Hierfür werden die Anforderungen, die ein Griff-in-die-Kiste-System zu erfüllen hat, dargelegt. Die Kriterien resultieren aus einer Expertenbefragung des produktionstechnischen Umfelds der Weidmüller Gruppe. Neben den Anforderungen werden die Gewichtungen zur Bildung einer Rangfolge ermittelt. Die erarbeiteten Anforderungen dienen anschließend zur Bewertung der regelbasierten und lernenden Verfahren. Die Analyse mündet in einer methodischen Lücke zwischen beiden Paradigmen und stellt die Ausgangsbasis für die weitere Arbeit zur Entwicklung des industriellen Griff-in-die-Kiste dar. Abschließend werden erste Arbeitsergebnisse zur Objekterkennung von Reihenklemmen veröffentlicht. In einer Untersuchung werden die Zuverlässigkeit, die Robustheit sowie die Einrichtdauer einer Objekterkennung mithilfe von Deep Learning ermittelt. Das angestrebte Forschungsergebnis stellt einen Entwicklungsschritt von automatisierten Systemen, die in einem definierten Wirkbereich eigenständig arbeiten, zu autonomen Systemen, die selbstständig auf zeitvariante Größen reagieren, dar.
|
24 |
Übergabe von hochautomatisiertem Fahren zu manueller Steuerung: Teil 1: Review der Literatur und Studie zu Übernahmezeiten: ForschungsberichtGesamtverband der Deutschen Versicherungswirtschaft e. V. 28 April 2021 (has links)
Fahrzeuge in denen der Fahrer Teilstrecken automatisiert fahren kann und die Fahrt nicht mehr überwachen muss befinden sich derzeit bei vielen Automobilherstellern in der Entwicklung. Wenn diese hochautomatisierten Fahrzeuge Systemgrenzen erreichen muss die manuelle Steuerung an den Fahrer zurückgegeben werden. Hierzu ist es notwendig dem Fahrer einen ausreichenden Zeitraum für die Übernahme der manuellen Kontrolle über das Fahrzeug zur Verfügung zu stellen, damit die Übernahme sicher und komfortabel ablaufen kann. Um die notwendige Dauer für eine sichere Übernahme der manuellen Steuerung durch einen Fahrer zu ermitteln wurden zunächst relevante Konzepte der Automationspsychologie vorgestellt und auf den Kontext im Fahrzeug angewendet. Anschließend wurde eine Analyse der bislang veröffentlichten Studien zu der Dauer der Übernahme der Steuerung aus einer hochautomatisierten Fahrt durchgeführt um erste Hinweise auf eine realistische Übernahmezeit zu erhalten. Aufbauend auf der Analyse der Literatur und Interviews mit Automobilherstellern und Zulieferern wurden unterschiedlich komplexe Übernahmeszenarien und Nebenaufgaben entwickelt, die für zukünftige automatisierte Fahrzeuge realistisch und relevant sind. Diese Übernahmeszenarien und Nebenaufgaben wurden in einem statischen Fahrsimulator umgesetzt und mit N = 60 Probanden im Alter von 20 bis 76 (M = 36.0, SD = 15.2) Jahren getestet. Probanden waren nach einer hochautomatisierten Fahrt von ca. 5 Minuten, während der sie durch ein motivierendes Spiel auf einem in den Händen gehaltenen Tablet-PC stark abgelenkt waren, grundsätzlich in der Lage die manuelle Steuerung über das Fahrzeug wieder zu übernehmen. Diese Nebenaufgabe wurde verglichen mit einer vollständig manuellen Fahrt, in der dem Fahrer an der Stelle der Übernahmeaufforderung ein Warnton ausgegeben wurde, mit einer automatisierten Fahrt mit einer anderen Aufgabe auf einem Tablet-PC sowie mit einer vom Fahrer überwachten automatisierten Fahrt. Es zeigte sich, dass 90% der Fahrer nach einer Fahrt mit hoher Ablenkung nach 3-4 Sekunden das erste Mal den Blick wieder auf die Straße gerichtet haben, nach 6-7 Sekunden die Hände wieder am Lenkrad und die Füße an den Pedalen haben und nach 7-8 Sekunden die Automation abschalten. Untersucht man allerdings als Indikatoren des Situationsbewusstseins für die Fahrsituation den ersten Blick in den Spiegel und den Blick auf die Geschwindigkeitsanzeige, werden 12-15 Sekunden benötigt. Diese Reaktionen, die zum Verständnis der aktuellen Verkehrssituation notwendig sind, sind damit um bis zu 5 Sekunden verzögert im Vergleich zu der gleichen Situation bei einer manuellen Fahrt. Bei einzelnen Fahrern traten nach der Übernahme von der Automation Kollisionen oder kritische Fahrsituationen auf, was allerdings auch in der rein manuellen Fahrt in ähnlichem Umfang der Fall war. Diese Situationen hätten durch entsprechende Assistenzfunktionen verhindert werden können, die auch nach der Übergabe der Steuerung an den Fahrer aktiv bleiben und den Fahrer gerade in dieser Situation weiter besonders unterstützen. Weitere Reaktionszeiten und Fahrdaten wurden analysiert um ein vollständigeres Bild von dem Ablauf der Übernahmesituation zu erhalten. Veränderungen der Reaktionszeiten in realen Fahrten im Vergleich zu einer Fahrt im Simulator sind nicht auszuschließen. Noch offen ist außerdem, ob für Fahrer längere automatisierte Fahrten, Müdigkeit, oder noch stärker involvierende Nebentätigkeiten während der automatisierten Fahrt längere Übernahme- und Reaktionszeiten zur Folge gehabt hätten. Einige dieser offenen Fragen sollen als nächstes in einer geplanten Fahrsimulations-Studie adressiert werden. Soll aus der Einführung von Automation im Fahrzeug nicht nur ein Gewinn an Komfort, sondern auch ein Gewinn an Sicherheit im Vergleich zum manuellen Fahren entstehen, so muss der Fahrer in Übernahmesituationen nicht nur durch eine ausreichende Vorwarnzeit unterstützt werden. / Many automotive OEMs are currently developing automated driving functions that no longer require driver supervision in certain driving environments. If system boundaries are reached the driver has to retake manual control. The system needs to provide a sufficient period of time in which the driver can safely and comfortably regain control over the vehicle. To determine a period of time for such a transition, relevant concepts from the field of automation psychology were presented and applied to the automotive context. Additionally an analysis of existent studies concerning take-over transition times from highly automated driving to manual driving was carried out to gain first insights into the time required for this transition. Building on the analysis of the literature and based on interviews that were conducted with automotive OEMs and suppliers, complex take-over scenarios and secondary tasks were developed which represent realistic and relevant conditions for future automated cars. These scenarios and secondary tasks were implemented in a static driving simulator and tested with N = 60 test drivers aged 20 to 76 (M = 36.0, SD = 15.2) years. After an automated drive of approx. 5 minutes, during which the drivers were distracted by motivating game on a handheld tablet-pc, the drivers were generally able to regain manual control over the vehicle. This secondary task was compared to a manual drive, in which the take-over request was substituted by an auditory warning, to an automated drive, in which a different task was presented on a tablet-pc, as well as to an automated drive, in which the participants supervised the automation. It could be shown, that after a highly distracted drive 90% of the participants first had their eyes on the road after 3-4 seconds, had their hands on the steering wheel and their feet on the pedals after 6-7 seconds and disengaged the automation after 7-8 seconds. When analyzing the times taken to look at the side mirror and the speedometer as indicators of situation awareness during this driving situation, 12-15 seconds are needed. These reactions, which are necessary for the comprehension of the traffic situation, are therefore up to 5 seconds slower for the distracted automated driving compared to manual driving. For some automated drives collisions and critical situations were recorded, although they were comparably frequent in the manual drive condition. These critical situations might have been avoided through the use of suitable driver assistance systems that stay active and support the driver after the driver has disengaged the automation. Additional reaction times and driving data was analyzed to gain further insights into the process of the take-over transition process. Driving in a real world scenario may change the reaction times compared to driving in a simulator. Also, the effects of longer automated drives, sleepiness and more immersive secondary tasks on take-over process and reaction times are not yet clear. Some of these issues will be addressed in a planned simulator study. If there is to be a gain not only in comfort but in safety for automated driving compared to manual driving, drivers need to be not only sufficiently forewarned before takeover situations, but must additionally be supported by suitable assistance systems before, during and after the transition to manual driving.
|
25 |
Übergabe von hochautomatisiertem Fahren zu manueller Steuerung: Teil 2: Müdigkeit und lange Fahrtdauer als Einflussfaktoren auf die Sicheheit nach einer Übernahmeaufforderung: ForschungsberichtGesamtverband der Deutschen Versicherungswirtschaft e. V. 28 April 2021 (has links)
In zukünftigen automatisiert fahrenden Fahrzeugen werden Fahrer mit den verschiedensten Fahrerzuständen automatisierte Fahrten erleben. Wie auch beim manuellen Fahren werden Fahrer gestresst, abgelenkt oder ermüdet sein, werden an Schlafmangel leiden und Einbußen in Ihrer Konzentrationsfähigkeit zeigen. Aktuell ist jedoch nur wenig darüber bekannt, wie sich solche Fahrerzustände auf die Fähigkeit zur Übernahme der manuellen Steuerung nach einer Übernahmeaufforderung auswirken. Die vorliegende Fahrsimulator-Studie untersucht die Veränderung und Auswirkung des Fahrerzustands während einer hochautomatisierten Fahrt (level 3) im Hinblick auf Müdigkeit und Ermüdung während der Fahrt. Fahrer wurden während des Verlaufs der Fahrt regelmäßig von geschulten Müdigkeits-Bewertern in Ihrer Müdigkeit eingestuft. Bei Erreichen eines bestimmten Müdigkeitslevels bzw. nach einer Fahrtdauer von ca. einer Stunde wurde eine Übernahmeaufforderung ausgelöst. Während der Übernahmeaufforderung wurden Reaktionszeiten und Fahrverhalten gemessen und mit Reaktionszeiten und Fahrverhalten von manuellen Fahrern in der gleichen Situation verglichen. Es zeigte sich, dass automatisiert fahrende Fahrer deutlich schneller höhere Müdigkeitslevel erreichen als manuelle Fahrer. Die Dauer der Fahrt, die für das Erreichen von höheren Müdigkeitslevel notwendig war, hing sowohl bei manuellen als auch bei automatisiert fahrenden Fahrern von vorab induziertem Schlafmangel ab. Automatisiert fahrende Fahrer mit Schlafmangel erreichten mittlere Müdigkeitslevel mit verlängerten Lidschlüssen bereits nach ca. 15-20 Minuten und damit um bis zu 15-20 Minuten früher im Vergleich zu manuellen Fahrern mit Schlafmangel. Die automatisiert fahrenden Fahrer mit und ohne Schlafmangel waren grundsätzlich in der Lage, die manuelle Steuerung nach einer Übernahmeaufforderung ohne Unfälle wieder zu übernehmen. Allerdings zeigten sich bei allen automatisiert fahrenden Fahrern Verzögerungen im Aufbau des Situationsbewusstseins um ca. 3 Sekunden im Vergleich zu den manuellen Fahrern. Die Übernahmezeiten waren bei automatisiert fahrenden Fahrern nach einer langen Fahrt (ca. 1 Stunde) bzw. mit Schlafmangel daher vergleichbar lang wie nach einer Fahrt mit einer stark ablenkenden Nebentätigkeit. 90% der Fahrer schalteten die Automation nach ca. 5-7 Sekunden ab. Verwendet man als Maß für den Aufbau des Situationsbewusstseins nach einer Übernahmesituation allerdings den ersten Blick in den Seitenspiegel bzw. den ersten Blick auf den Tacho, so benötigten Fahrer ca. 12-15 Sekunden, um sich ein Bild von ihrer Fahrumgebung und von dem Zustand ihres Fahrzeugs zu machen. Vor dem Hintergrund der schnellen Entwicklung von Fahrermüdigkeit während automatisierter Fahrten ohne Nebenaufgaben ist die dauerhafte Überwachung des Zustands der Automation durch den Fahrer nicht realistisch. Fahrern sollte stattdessen die Möglichkeit gegeben werden, kontrollierbare Nebenaufgaben durchzuführen, die Rückschlüsse auf den Fahrerzustand geben und im Falle einer Übernahmesituation durch das Fahrzeug unterbrochen werden können. Zusätzlich sollte das Fahrzeug Informationen über den Fahrerzustand vor einer Übernahmesituation haben, um die Dauer des Übergangs entsprechend planen zu können. Zukünftige Studien sollten die unterschiedlichen Fahrerzustände während einer automatisierten Fahrt und deren Auswirkungen auf das Übernahmeverhalten genauer untersuchen. Zusätzlich sollte der Aufbau des Situationsbewusstseins nach einer Übernahmeaufforderung weiter in den Fokus der Forschung gerückt werden, um Rückschlüsse auf mögliches Fehlverhalten nach der Übernahme der manuellen Steuerung zu erhalten. / In future automated vehicles drivers will experience a variety of driver states. Similar to manual driving, drivers will be stressed, distracted or tired, will suffer from sleep loss and a lack of concentration. Few studies have examined how such driver states influence the ability to take back manual control after a take-over request. This driving simulator study analyzes the progression and the impact of the driver states sleepiness and fatigue during highly automated driving. Drivers were regularly rated by trained sleepiness raters during driving. A take-over request was issued if a predefined sleepiness level was reached, or if the drive had lasted for approximately one hour. In the course of the take-over request reaction times and driving behavior were measured and compared to reaction times and driving behavior of manual driver in the same situation. It could be shown that automated drivers reached higher levels of sleepiness faster than manual drivers. The driving time required to reach higher levels of sleepiness depended on a previously induced lack of sleep for both the automated and the manual drivers. Automated drivers reached intermediate levels of sleepiness with prolonged eyelid closures after only about 15 to 20 minutes, which was 15 to 20 minutes earlier than manual drivers who also suffered from a lack of sleep. Automated drivers with and without a lack of sleep were generally able to take back manual control after a take-over request without crashing. However, the formation of situation awareness was delayed by about 3 seconds for all automated drivers compared to the manual driving conditions. Take-over times for automated drivers after a long drive (approx. 1 hour) or with a lack of sleep respectively, were therefore comparable to take-over times after a drive with a highly distracting secondary task. 90% of the drivers disengaged the automation after about 5 to 7 seconds. However, if the first glances to the side mirror and the first glances to the speed display are used as an indicator for situation awareness after a take-over request, drivers needed about 12 to 15 seconds to form an understanding of the situation. Looking at the fast progression of driver fatigue during automated driving without secondary tasks, continuous supervision of automated driving is unrealistic. Instead, drivers should be provided with the opportunity to engage in controllable tasks, which allow the car to infer the driver state and which can be disabled by the cars systems in the event of a take-over situation. Additionally, the system should collect data about the drivers’ state previous to a take-over request to be able to plan the duration of the take-over accordingly. Future studies should take a closer look at different driver states during automated driving to be able to predict their impact on take-over behavior. Also, the formation of situation awareness after a take-over request should be the focus of further investigations to gain insights into inappropriate driver reactions after a take-over.
|
26 |
Bestimmung einer geeigneten Abtastrate für die Filterung von C2X-Datensätzen zur zentralen Analyse: Auszüge aus dem Berichtswesen des BMVI-geförderten Forschungsprojekts „DAVE - Datenerfassung und Algorithmenentwicklung zur Verkehrslageermittlung basierend auf kooperativen Einzelfahrzeugnachrichten“ (FKZ 01MM19002A)Körner, Matthias 14 August 2024 (has links)
Die Realisierung von Funktionalitäten des vernetzten Fahrens basiert auf intensivem Datenaustausch, der Car-to-X-Kommunikation (C2X). Unter anderem werden zwischen den Fahrzeugen über Cooperative Awareness Messages (CAM) die Fahrzeugpositionen mitgeteilt. Die von den Fahrzeugen ausgesendeten Daten können auch von stationären Road Side Units (RSU) empfangen und für lokale Lösungen zur Interaktion zwischen Fahrzeugen und Verkehrstechnik genutzt werden. Darüber hinaus bietet sich die Nutzung der Positionsdaten im Sinn von Floating Car Daten (FCD) für zentralisierte Analysen an. Anwendungsfelder sind hier insbesondere die Verkehrsinformation und die Verkehrsstatistik.
Die Positionsdaten werden bei C2X wesentlich häufiger als bei herkömmlichen FCD-Ansätzen erfasst. Um die Ressourcen zur Datenübertragung und Datenaufbereitung bei Ansätzen mit zentraler Datenverarbeitung nur in einem erforderlichen Maß zu belasten, stellt sich die Frage nach einer geeigneten Abtastrate zur Filterung der aufkommenden C2X-Positionsdaten.
Verkehrskenngrößen wesentlicher Datenauswertungen mit Nutzung von Positionsdaten werden dazu bestimmt und die Ausprägung der Kenngrößen über eine beispielhafte Messstrecke unter Variation der Abtastraten für die Filterung der C2X-Positionsdaten ermittelt. Es werden Abtastraten bestimmt, bei denen die Datenauswertungen der verbleibenden Positionsdaten die Realität hinreichend genau abbildet.
Es wird aufgezeigt, dass eine Abtastrate in Höhe von 2 Sekunden die beste Eignung für die gewählten Anwendungsfälle besitzt. Bei höheren Abtastraten kommen Streuungsef-fekte zum Tragen. Bei niedrigeren Abtastraten ist ein Informationsverlust zu erwarten.
|
27 |
Autonomes Fahren ist der Trend der ZukunftAssmayr, H., Geyer, D., Schwab, G. 15 November 2016 (has links) (PDF)
FACTS
- Founded in July 2008
- Meanwhile about to 250 employees. The team structure is characterized by a big number of very experienced engineers
- AVL Software and Functions GmbH creates prototyping and serial solutions (software and hardware) for different applications in the fields of for example passenger cars, racing, two wheelers, light and heavy duty vehicles
- AVL Software and Functions is the globally responsible competence center for software development inside theAVL group.
- 100% integrated into the worldwide AVL network
|
28 |
Autonomes Fahren ist der Trend der Zukunft: Synergien zwischen Automotive und Offroad / AgrartechnikAssmayr, H., Geyer, D., Schwab, G. 15 November 2016 (has links)
FACTS
- Founded in July 2008
- Meanwhile about to 250 employees. The team structure is characterized by a big number of very experienced engineers
- AVL Software and Functions GmbH creates prototyping and serial solutions (software and hardware) for different applications in the fields of for example passenger cars, racing, two wheelers, light and heavy duty vehicles
- AVL Software and Functions is the globally responsible competence center for software development inside theAVL group.
- 100% integrated into the worldwide AVL network
|
29 |
Standards und Normen für die Mobilität der Zukunft: Ergebnisse der Arbeitsgruppe 6 der NPM 2018–2021: AG 6 – BerichtBundesministerium für Verkehr und digitale Infrastruktur (BMVI) 24 March 2023 (has links)
Das Mobilitätssystem befindet sich in einem umfassenden Transformationsprozess, der noch lange andauern wird. Megatrends wie Digitalisierung, Elektrifizierung oder Automatisierung stellen den gesamten Mobilitätssektor vor große technische Herausforderungen. Um die Transformation erfolgreich und insbesondere markttauglich umzusetzen, sind international abgestimmte Standards und Normen von entscheidender Bedeutung. Ein zukunftsorientiertes, integriertes Mobilitätssystem führt zur Entwicklung neuer Produkte, Anwendungen und Geschäftsmodelle und bietet Wachstumschancen. Um sie auf dem Markt erfolgreich anbieten zu können, müssen hohe Anforderungen an Qualität, Sicherheit und Benutzbarkeit erfüllt sein. Das setzt ein einheitliches Verständnis des technischen Rahmens sowie Standards und Normen voraus, um für alle Marktteilnehmer gleiche Voraussetzungen zu schaffen. Gerade vor dem Hintergrund eines immer komplexer werdenden Mobilitätssystems, das sich bereits heute über eine Vielzahl von Branchen und Technologien erstreckt, wie die Automobiltechnik, die Elektro- und Energietechnik sowie die Informations- und Kommunikationstechnologie, ist dies von großer Bedeutung. Dieser Trend zum branchenübergreifenden Zusammenwirken wird sich in Zukunft noch weiter verstärken. Standards und Normen stellen die notwendige Kompatibilität, Interoperabilität und vor allem die Sicherheit der vielfältigen Mobilitätssysteme her. Sie sorgen für Investitionssicherheit, fördern Innovationen und bilden damit die Grundlage für eine Mobilität der Zukunft. Mit dem vorliegenden Kompendium Standards und Normen für die Mobilität der Zukunft legt die NPM einen umfassenden und strategisch ausgerichteten Bericht vor, der verschiedene Schlüsselthemen zur Zukunft der Mobilität gezielt betrachtet. Die daraus abgeleiteten Handlungsempfehlungen wurden in einem fachübergreifenden Austausch mit allen Arbeitsgruppen der NPM erarbeitet, der sich für die Beteiligten als enorm gewinnbringend herausstellte. Das Kompendium baut auf den erarbeiteten Schwerpunkt- Roadmaps auf und bildet damit sowohl den strategischen Rahmen als auch den Ausgangspunkt für die weitere Diskussion zur Zukunft der Standardisierungs- und Normungsarbeit im Mobilitätssektor. Der Transformationsprozess im Mobilitätssystem setzt sich weiterhin fort und wird auch zukünftig neue Fragen und Herausforderungen mit sich bringen. Mein herzlicher Dank gilt allen, die sich an der Entwicklung der Schwerpunkt-Roadmaps und der zusammenfassenden Darstellung in diesem Kompendium beteiligt haben. Wichtig ist es nun, die Ergebnisse und Empfehlungen auch in die Tat umzusetzen, um das Ziel einer bezahlbaren, nachhaltigen und klimafreundlichen Mobilität zu verwirklichen. [aus Vorwort]:Vorwort
1 Aktuell Entwicklungen und Herausforderungen zur Zukunft der Mobilität aus Sicht von Standardisierung und Normung
Current Development and Challenges for the Future of Mobility from the Viewpoint of Standards and Norms
2 Schwerpunktthemen der AG 6
2.1 Nachhaltige Mobilität
2.2 Intelligentes Lastmanagement
2.3 Automatisiertes und vernetztes Fahren
2.4 Daten und Vernetzung - Standards und Normen für intermodale Mobilität
2.5 Künstliche Intelligenz - Mobilität und Logistik
3 Ausblick
4 Gesamtübersicht Handlungsempfehlungen
5 Publikationen der AG 6 (2019 - 2021)
6 Mitglieder der NPM AG 6
Impressum / In the National Platform Future of Mobility (NPM), experts in industry, associations, ministries and science work together towards one vision: a sustainable mobility that remains affordable for everybody in Germany. The topic “Standardisation and norms” assumes a special significance in this context. Standards and norms enable society, the economy and the political establishment to work together to formulate technical recommendations and framework conditions that not only ensure quality, reliability and usability, but also systemic integration capability and interoperability. They are therefore the key to innovation in an increasingly complex interconnected world, protect investments and are the basis for ensuring that the vision “Future of Mobility” becomes reality. Standards and norms define the state of the art and the requirements for products and services. They also increase acceptance by society and trust in new technologies. The requirements to be met by products and services are defined in a transparent process. In this case, the fundamental principle that standardisation projects are worked out consensually with the participation of all interested groups for the benefit of the general public applies. The compendium Standards and norms for mobility of the future is the result of intensive inter-thematic collaboration within the NPM working group 6 “Standardisation, norms, certification and type approval”. The first step was to agree on and collate the most important interrelated themes on the future of mobility with all working groups of the NPM. The result was an initial white paper, which summarised the key challenges and cross-industry standardisation requirements. WG 6 used this white paper as a strategic guideline for subsequent work. In the next step, the members of WG 6 and other experts working in the field of standardisation examined the thematic areas defined in the white paper in detail and on this basis developed focal roadmaps. These focal roadmaps describe the current situation as well as existing challenges, and provide specific recommendations for action in relation to further development of standards and norms. WG 6 developed four focal roadmaps for the themes “Sustainable mobility”, “Intelligent load management”, “Automated and connected driving”, “Data and networking – standards and norms for intermodal mobility”. An additional roadmap on the topic of “Artificial intelligence and mobility”, which was derived from the overarching German standardisation roadmap artificial intelligence initiated by DIN and DKE, was adopted and integrated into this compendium. The roadmap for sustainable mobility contains countless examples and recommendations that demonstrate the enormous contribution that standards and norms can make towards establishing a sustainable transportation system. They have one added value in particular, namely to facilitate the evaluation and comparison of sustainability measures, and also ensure their traceability. In the area of electromobility, the Intelligent load management roadmap indicates that the increasing number of charging cycles is posing significant but not insurmountable challenges to the grid. In future the loads that occur at specific points on the grid must be balanced out so that the grid remains stable. The prerequisite for this is that the charging infrastructure communicates with the vehicles and grid in all directions and can be intelligently controlled. [from Current Developments and Challenges for the Future of Mobility from the Viewpoint of Standards and Norms]:Vorwort
1 Aktuell Entwicklungen und Herausforderungen zur Zukunft der Mobilität aus Sicht von Standardisierung und Normung
Current Development and Challenges for the Future of Mobility from the Viewpoint of Standards and Norms
2 Schwerpunktthemen der AG 6
2.1 Nachhaltige Mobilität
2.2 Intelligentes Lastmanagement
2.3 Automatisiertes und vernetztes Fahren
2.4 Daten und Vernetzung - Standards und Normen für intermodale Mobilität
2.5 Künstliche Intelligenz - Mobilität und Logistik
3 Ausblick
4 Gesamtübersicht Handlungsempfehlungen
5 Publikationen der AG 6 (2019 - 2021)
6 Mitglieder der NPM AG 6
Impressum
|
30 |
goG - die Neue Urbane MobilitätHöhne, Hans-Georg 09 September 2021 (has links)
Es wird ein umfassendes Verkehrskonzept für das urbane Umfeld beschrieben, welches durch den neuen kollaborativen Fahrzeugtyp mit dem Namen goG [go 'dschi] ermöglicht wird. Fahrzeuge dieses Typs können sich nahtlos im bestehenden Straßenverkehr eingliedern, ohne dass daran Anpassungen vorzunehmen sind. Auf Grund seiner kollaborativen Fähigkeiten können goGs aber auch zu Konvois des ÖPNVs formiert werden und annähernd 80% der im Vergleich für PKWs benötigten Parkplatzfläche einsparen. Des weiteren befähigen sie das goG in voller Fahrt von der Straße an eine über der Straße verlaufenden Umlaufseilbahn zu wechseln. Ein gittergleiches Netzwerk solcher Seilbahnen erlaubt das automatische Durchrouten von goGs 6 Meter über dem Straßenniveau, bei einer konstanten Geschwindigkeit von 50 km/h. An Seilbahnknotenpunkten werden durch Manipulatoren die goGs in voller Fahrt von einer Seilbahn in die vorgesehene nächste Seilbahn umgehängt. Durch hängebrückenartige Aufhängung der Umlaufseilbahnen oberhalb bestehender Straßenzüge werden keine zusätzlichen Flächen benötigt. Der Durchsatz einer Fahrbahn vergrößert sich durch die darüber geführte Umlaufseilbahn um mehr als das Doppelte. Ein autonomes Fahren bei maximal 6km/h zur nächsten goG-Linie des ÖPNV bzw. Seilbahn führt zu einer Vielzahl von Synergieeffekten.
|
Page generated in 0.05 seconds