Abstract
Traffic and infrastructure are essential parts of our daily life. In recent days, the volume of traffic is increasing more and more on the one hand. On the other hand, industry is going to launch autonomous cars. Traffic engineering tries to find solutions for these issues.
This research paper deals with the question, which critical traffic situations could affect autonomous cars and how these situations could be managed. The hypothesis is constructed, that mostly situations, in which cars are turning and cyclists could create issues.
At the intersection Schellingstr./Luisenstr. (Munich inner-city), a camera is installed and takes a video of the road users. With the software “Trafficintelligence”, the data is processed and further analysed by adding trajectories (paths of motion) to the video and evaluating them.
The analysis corroborates the hypothesis. The timespan between a turning vehicle and the contraflow is often small, which could lead to critical traffic situations. On top of that the distance between cars and bicycles while overtaking is in many cases extremely slight. For the bicyclist, this could be dangerous and it is also a criterion for a critical traffic situation.
A solution for this issue could be the buildout of bikeways in Munich, which consists of bicycle lanes on the road and beside it.
Kurzfassung
Der Straßenverkehr und die Infrastruktur sind essentielle Teile des täglichen Lebens. Seit geraumer Zeit stellen das steigende Verkehrsaufkommen und die geplante Einführung des hochautomatisierten Fahrens eine Problemstellung für die Verkehrsforschung da.
Diese Forschungsarbeit befasst sich mit der Frage, mit welchen kritischen Verkehrssituationen autonome Fahrzeuge im innerstädtischen Kreuzungsbereich konfrontiert werden könnten und welche Lösungsmöglichkeiten diese entschärften. Man stellt die Hypothese auf, dass Abbiegemanöver und Fahrradfahrer Probleme für das hochautomatisierte Fahren bereiten.
Am Knotenpunkt Schellingstr./Luisenstr. in München wird dafür der Verkehr mit einer Videokamera aufgenommen. Diese Bildaufnahmen werden mit der Software „Trafficintelligence“ verarbeitet und weitergehend analysiert, indem Trajektorien (Bewegungsbahnen) automatisiert in das Video eingefügt und ausgewertet werden.
Die Analyse liefert die Hypothese bestätigende Ergebnisse. Die Zeit zwischen einem abbiegenden Fahrzeug in der Kreuzung und dem herannahenden Gegenverkehr ist oft gering, was ein Kriterium für eine kritische Verkehrssituation darstellt. Auch sind die Abstände, die zwischen einem überholendem Kraftfahrzeug und einem Fahrrad bestehen, sehr gering, was gerade für die Fahrradfahrer eine kritische und gefährliche Verkehrssituation darstellen kann.
Eine Lösung für diese Problematik könnte der Ausbau von Fahrradwegen in- und außerhalb der Kreuzung liefern.