Advertisement

Backendsysteme zur Erweiterung der Wahrnehmungsreichweite von Fahrerassistenzsystemen

  • Felix Klanner
  • Christian Ruhhammer
Chapter
Part of the ATZ/MTZ-Fachbuch book series (ATZMTZ)

Zusammenfassung

Bereits heute sind am Markt eine Reihe von Assistenzsystemen verfügbar, die auf eine Datenübertragung zum Backend via Mobilfunk zurückgreifen. Beispiele hierfür sind die Darstellung des aktuellen Verkehrsflusses im Fahrzeug (z. B. BMW Real Time Traffic Information, Audi Verkehrsinformationen online), im Internetbrowser (z. B. Google Maps Traffic) oder über Smartphone Apps (z. B. INRIX Traffic).

Außerdem gibt es die Möglichkeit, dass lokale Gefahren wie Unfälle oder Glätte an ein zentrales Rechensystem gemeldet werden: Hierbei meldet das Fahrzeug erkannte Gefahren automatisch und zudem hat der Fahrer selbst die Möglichkeit, wahrgenommene Gefahren bestimmter Kategorien (z. B. Unfall, Tiere auf der Fahrbahn oder Geisterfahrer) durch manuelle Eingabe mitzuteilen.

Für die Anfrage eines Fahrzeugs von gemeldeten Gefahren wird zusätzlich die aktuelle Position an das Backend übertragen. Entsprechend dem Standort werden die verfügbaren Informationen nach deren Relevanz für das entsprechende Fahrzeug gefiltert und übermittelt. Ein derartiger Dienst ist im Allgemeinen unter dem Begriff „Standortbezogener Dienst“ (engl. „Location-based Service“) bekannt. Die Anwendung internetbasierter Dienste im Fahrzeug fokussiert sich also heutzutage auf die Bereiche Navigation und lokale Gefahrenstellen.

Literatur

  1. 1.
    Blervaque, V., Mezger, K., Beuk, L., Loewenau, J.: ADAS Horizon – How Digital Maps can contribute to Road Safety. In: Valldorf, J., Gessner, W. (Hrsg.) Advanced Microsystems for Automotive Applications, S. 427–436. Springer‐Verlag, Berlin (2006)Google Scholar
  2. 2.
    Bill, R.: Grundlagen der Geo‐Informationssysteme. Wichmann, Heidelberg (2010)Google Scholar
  3. 3.
    Obe, R., Hsu, L.: PostGIS in Action. Manning Publications, Greenwich, Connecticut, USA (2011)Google Scholar
  4. 4.
    Ghemawat, S., Gobioff, H., Leung, S.: The Google file system. ACM Press, New York (2003)Google Scholar
  5. 5.
    Chang, F., Dean, J., Ghemawat, S., Hsieh, W.C., Wallach, D.A., Burrows, M., Chandra, T., Fikes, A., Gruber, R.E.: Bigtable: A distributed storage system for structured data. USENIX Association, Berkeley, CA, USA (2006)Google Scholar
  6. 6.
    Dean, J., Ghemewat, S.: MapReduce: simplified data processing on large clusters. USENIX Association, Berkeley, CA, USA (2004)Google Scholar
  7. 7.
    White, T.: Hadoop: The Definitive Guide. O’Reilly Media, Sebastopol, CA, USA (2009)Google Scholar
  8. 8.
    Chen, Q., Wang, L., Shang, Z.: MRGIS: A MapReduce‐Enabled High Performance Workflow System for GIS 2008 IEEE Fourth International Conference on eScience, Indianapolis, Indiana, USA. IEEE, New York, NY, USA (2008)Google Scholar
  9. 9.
    Aji, A., Sun, X., Vo, H., Liu, Q., Lee, R., Zhang, X., Wang, F.: Demonstration of Hadoop‐GIS. ACM Press, New York (2013)Google Scholar
  10. 10.
    Eldawy, A., Mokbel, M.F.: A demonstration of SpatialHadoop: an efficient mapreduce framework for spatial data. In: Proceedings of the VLDB Endowment (2013)Google Scholar
  11. 11.
    Bartsch, A., Klanner, F., Lottermann, C., Kleinsteuber, M.: Latenz‐Eigenschaften prototypischer Datenverbindungen zwischen Fahrzeugen über Backend. In: Forschungspraxis. TUM Lehrstuhl für Medientechnik, München (2012)Google Scholar
  12. 12.
    Lottermann, C., Botsov, M., Fertl, P., Müllner, R.: Performance Evaluation of Automotive Off‐board Applications in LTE Deployments 2012 IEEE Vehicular Networking Conference (VNC 2012), Seoul, Korea., S. 211–218 (2012)Google Scholar
  13. 13.
    Klanner, F., Ruhhammer, C., Bartsch, A., Rasshofer, R., Huber, W., Rauch, S.: Mehr Komfort und Sicherheit durch zunehmende Vernetzung. Elektronik automotive, 6/7 2013, WEKA Fachmedien GmbH, S. 26 ff. (2013)Google Scholar
  14. 14.
    Ruhhammer, C., Atanasov, A., Klanner, F., Stiller, C.: Crowdsourcing als Enabler für verbesserte Assistenzsysteme: Ein generischer Ansatz zum Erlernen von Kreuzungsparametern 9. Workshop Fahrerassistenzsysteme: FAS2014. Uni-DAS e.V., Walting (2014)Google Scholar
  15. 15.
    Ruhhammer, C., Hirsenkorn, N., Klanner, F., Stiller, C.: Crowdsourced intersection parameters: A generic approach for extraction and confidence estimation IEEE Intelligent Vehicles Symposium. (2014)Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2015

Authors and Affiliations

  • Felix Klanner
    • 1
  • Christian Ruhhammer
    • 2
  1. 1.BMW GroupMünchenDeutschland
  2. 2.BMW GroupMünchenDeutschland

Personalised recommendations