Artificial Intelligence for real-time injury prediction (»ATTENTION«); Teilvorhaben Unfallanalyse und KI-basierte Prognose von Verletzungswerten

Abstract

Urbaner Verkehr ist gekennzeichnet durch begrenzte Verkehrsflächen, variierende Verkehrsströme und unterschiedliche Verkehrsteilnehmer. Trotz zunehmender Automatisierung und Vernetzung des Verkehrs stellt die Mehrfachnutzung von Verkehrsflächen für ungeschützte Verkehrsteilnehmer (VRU, engl. Vulnerable Road Users) aktuell und langfristig ein großes Risiko dar. Um den automatisierten Verkehr so sicher wie möglich zu gestalten, muss die Verletzungsschwere besonders gefährdeter Kollisionspartner bei unvermeidbaren Unfällen bestmöglich reduziert werden. Ziel des Projekts ATTENTION ist es eine Methode zur Echtzeit-Verletzungsprognose von VRU zu entwickeln. Hierzu werden datengetriebene KI-Verfahren genutzt, um aus fahrzeuggebundenen Videodaten und virtuellen Tests mit Hilfe digitaler Menschmodelle ein situationsspezifisches Verletzungsrisiko zu bestimmen. Prospektiv ermöglicht die Verletzungsprognose durch Strategien der Risikominimierung des automatisierten Fahrzeugs einen sowohl sicheren als auch effizienten Verkehr. In diesem Teilvorhaben werden die Bewertung, Vorverarbeitung und Datenanreicherung der Szenarien beschrieben. Die gewonnenen Daten dienten der Auswahl und Parametrierung von unfallrelevanten Szenarien für Modellierung, Simulation und Lernverfahren im weiteren Projektverlauf des Verbundvorhaben ATTENTION. Ebenso wurden die Ergebnisse der KI-Modelle dadurch plausibilisiert. Eine Anonymisierung der gewählten Videodaten wird sichergestellt durch die Body-Shape-Methodik, bei der Personen durch ein gewonnenes Menschmodell überlagert wird. Durch die Rekonstruktion lassen sich die Posen der VRU im Unfallhergang direkt vor dem Impakt klassifizieren und damit Rückschlüsse auf Muskelspannung und damit auch potenzielle Verletzungsmuster gewinnen, Weiterhin wurden für die das Projektziel einer echtzeitfähigen Verletzungsprädiktion ein Verletzungsrisikoindex ermittelt sowie Modellanwendungen und Konzeptionierung von Unfallfolgenminderungsmaßnahmen diskutiert. Datei-Upload durch TIB Urban traffic is characterized by limited traffic areas, varying traffic flows and different road users. Despite increasing automation and connectivity of traffic, the multiple use of traffic areas for unprotected road users (VRU) is currently and in the long term a major risk. To make automated driving as safe as possible, the injury severity particularly of vulnerable collision partners must be reduced in the best possible way in the event of an unavoidable accident. The aim of the project ATTENTION is to develop a method for real-time injury prognosis of VRU. For this purpose, data-driven AI methods are used to determine a situation-specific risk of injury from vehicle-related video data and virtual tests using digital human models. Prospectively, the injury prognosis enables both safe and efficient traffic through strategies of risk minimization of the automated vehicle. This subproject describes the evaluation, preprocessing and data enrichment of the scenarios. The data were used for the selection and parameterization of accident-relevant scenarios for modeling, simulation and learning methods in the further course of the project ATTENTION. The results of the AI models were also checked for plausibility. Anonymization of the selected video data is ensured by the body shape methodology, in which people are superimposed by a human model. Through the reconstruction, the poses of the VRU can be classified during the accident directly before the impact and thus draw conclusions about muscle tension and thus also potential injury patterns, Furthermore, for the project goal of a real-time injury prediction, an injury risk index was determined, and model applications and conceptualization of accident mitigation measures were discussed.