Starkbremsereignisse als Indikator für das Unfallrisiko auf Straßenabschnitten

• Es wurde bestätigt, dass Starkbremsereignisse (HBE) eine statistisch signifikante positive Korrelation mit der Unfallhäufigkeit auf realen Straßenabschnitten aufweisen
• Bestehende polizeiliche Unfallstatistiken sind zwar ein spärlicher und verzögerter Indikator, HBE liefern jedoch kontinuierliche und hochdichte Daten
• Die Analyse von 10 Jahren Daten aus Kalifornien und Virginia zeigte, dass die Zahl der Straßenabschnitte, auf denen HBE beobachtet wurden, 18-mal höher ist als die der Abschnitte mit gemeldeten Unfällen
• Durch Regressionsanalyse wurde eine konsistente Korrelation zwischen HBE-Häufigkeit und Unfallrate nachgewiesen, selbst unter Kontrolle von Variablen wie Verkehrsaufkommen, Straßentyp, Steigung und Änderungen der Fahrstreifenzahl
• Die Studie wurde vom Mobility AI Team von Google Research durchgeführt. Die HBE-Daten werden in Roads Management Insights der Google Maps Platform integriert und für ein proaktives Verkehrssicherheitsmanagement genutzt

---

Grenzen der bisherigen Bewertung der Verkehrssicherheit

• Die Bewertung der Verkehrssicherheit stützte sich traditionell auf polizeiliche Unfallstatistiken
  • Diese Daten gelten als „Goldstandard“, da sie direkt mit Todesfällen, Verletzungen und Sachschäden verknüpft sind
• Unfalldaten sind jedoch ein spärlicher und verzögerter Indikator, was ihre Eignung für prädiktive Modellierung einschränkt
  • Die regionalen Meldestandards unterscheiden sich, und auf manchen Straßen tritt nur alle paar Jahre ein Unfall auf
• Daher wird ein „Frühindikator“ benötigt, der häufiger als Unfälle auftritt und dennoch mit Sicherheit korreliert

Definition und Nutzung von Starkbremsereignissen (HBE)

• HBE werden als Ausweichmanöver definiert, die auftreten, wenn die Verzögerung in Fahrtrichtung mindestens -3m/s² beträgt
• HBE werden auf Basis von Connected-Vehicle-Daten erfasst und sind dadurch skalierbarer als proximitätsbasierte Indikatoren, die feste Sensoren benötigen
• Das Forschungsteam nutzte anonymisierte und aggregierte HBE-Daten von der Android Auto-Plattform und kombinierte sie für die Analyse mit öffentlichen Unfalldaten aus Virginia und Kalifornien
• Das Ergebnis zeigte eine signifikante positive Korrelation zwischen HBE-Häufigkeit und Unfallrate über alle Schweregrade von Unfällen hinweg

Analyse der Datendichte

• Ein Vergleich von 10 Jahren öffentlicher Unfalldaten mit HBE-Daten ergab, dass die Zahl der Straßenabschnitte mit beobachteten HBE 18-mal höher ist als die Zahl der Abschnitte mit gemeldeten Unfällen
• Während es bei Unfalldaten in manchen Regionen Jahre dauern kann, überhaupt ein einzelnes Ereignis zu beobachten, liefern HBE einen kontinuierlichen, hochdichten Datenstrom
• Dadurch helfen sie, Datenlücken in Straßen-Sicherheitskarten zu schließen

Statistische Validierung

• Das Forschungsteam überprüfte die Beziehung zwischen HBE-Häufigkeit und Unfallrate mit einem Negative-Binomial-Regression-Modell
  • Dieses Verfahren ist ein Standardansatz im Highway Safety Manual (HSM)
• Das Modell kontrollierte Störfaktoren wie Verkehrsaufkommen, Straßenlänge, Straßentyp, Steigung, Vorhandensein von Rampen und Änderungen der Fahrstreifenzahl
• Im Ergebnis zeigte sich in beiden Bundesstaaten: Je höher die HBE-Häufigkeit auf einem Straßenabschnitt, desto höher die Unfallrate
• Besonders Abschnitte mit Rampen wiesen in beiden Regionen ein erhöhtes Unfallrisiko auf

Fallstudie: Hochriskanter Einfädelungsabschnitt

• Analysiert wurde ein Einfädelungsabschnitt zwischen Highway 101 und 880 in Kalifornien
  • Die HBE-Rate auf diesem Abschnitt war 70-mal höher als auf einer durchschnittlichen Autobahn, und es kam etwa alle sechs Wochen zu einem Unfall
• Der Abschnitt gehört nach HBE-Häufigkeit zu den obersten 1% und konnte auch ohne 10-jährige Unfallhistorie als Risikobereich identifiziert werden
• Das belegt, dass HBE ein verlässlicher Proxy-Indikator zur frühen Erkennung hochriskanter Abschnitte auch ohne langfristige Unfalldaten sind

Praktische Anwendung und Skalierung

• Durch die Validierung von HBE werden Sensordaten zu einem verlässlichen Werkzeug für Verkehrssicherheit
• Das Mobility AI Team von Google Research integriert diese Daten in Roads Management Insights der Google Maps Platform
  • Verkehrsbehörden können mit anonymisierten, hochdichten Daten eine schnellere und breiter angelegte Bewertung der Straßensicherheit durchführen
• Dieser Ansatz ermöglicht es, Risikobereiche auf Basis von Frühindikatoren zu identifizieren, ohne auf Unfallhistorien angewiesen zu sein

Zukünftige Forschungsrichtungen

• Es wurde bestätigt, dass HBE ein starker Frühindikator für Unfallrisiken sind; künftig soll das Signal jedoch durch Verringerung der Datensparsamkeit und räumliche Clusterbildung weiter verfeinert werden
• Langfristig ist das Ziel der Übergang zu konkreten Infrastrukturmaßnahmen wie Anpassung von Ampelschaltungen, Verbesserung der Beschilderung und Änderungen am Design von Einfädelungsspuren

Gemeinsame Forschung und Danksagung

• Die Studie wurde als gemeinsame Arbeit von Forschenden von Google und Virginia Tech durchgeführt
• Beteiligt waren Shantanu Shahane, Shoshana Vasserman, Carolina Osorio, Yi-fan Chen, Ivan Kuznetsov, Kristin White, Justyna Swiatkowska und Feng Guo
• Aurora Cheung, Andrew Stober, Reymund Dumlao und Nick Kan trugen zur praktischen Anwendungsphase der Forschung bei

[GN⁺]

Hacker-News-Kommentare

• Ich habe einen Dongle zur Erfassung des Fahrverhaltens verwendet, den mir meine Versicherung für den OBD2-Port gegeben hat.
  Anfangs ging ständig der Alarm für „starkes Bremsen“ los, und ich wusste nicht warum, aber am Ende wurde mir klar, dass mich das Gerät tatsächlich trainiert hat.
  Der Grund war nicht die Geschwindigkeit, sondern zu wenig Abstand zum vorausfahrenden Fahrzeug. Ich bin zu dicht aufgefahren, deshalb kam es häufig zu starkem Bremsen.
  Während ich das Gerät installiert hatte, gewöhnte ich mir ganz natürlich an, mehr Abstand zu halten, und auch der Fahrkomfort wurde besser. Die Versicherungsprämie blieb zwar gleich, aber die Unfallwahrscheinlichkeit dürfte gesunken sein.

  • Auf stark befahrenen Autobahnen ist es wirklich schwer, den Sicherheitsabstand einzuhalten.
    Wenn jemand vor einem einschert, nimmt man Tempo raus, und in die Lücke fährt gleich das nächste Auto ein … das wiederholt sich die ganze Pendelstrecke über.
    Auf Stadtstraßen ist es anders, aber auf der Autobahn ist die Verkehrsdichte das Problem.
  • Ich hatte auch gerade erst ein neues Auto gekauft und bin deshalb mit größerem Abstand als sonst gefahren, als direkt vor mir ein Auffahrunfall mit vier beteiligten Fahrzeugen passiert ist.
    Dadurch hatte ich genug Zeit zum Abbremsen und konnte den Unfall vermeiden.
  • Man senkt nicht nur das eigene Unfallrisiko, sondern auch die Wahrscheinlichkeit von Unfällen bei mehreren nachfolgenden Fahrzeugen.
    Nachdem ich dieses Diagramm gesehen hatte, hat sich meine Sicht auf das Abstandhalten komplett geändert.
  • Ich habe in jüngeren Jahren ein ähnliches Gerät benutzt, aber schon ein paar starke Bremsmanöver haben den Versicherungsrabatt fast zunichtegemacht.
    Am Ende habe ich es bereut, meine Fahrdaten weitergegeben zu haben.
  • Es ist beeindruckend, so eine Erfahrung öffentlich zu teilen. Ich halte das für ein gutes Beispiel für Selbstwahrnehmung und Verbesserung.

• Forschung zu Verkehrsunfällen ist sehr wertvoll, aber selten.
  Wir sehen Verkehrsunfälle meist nur als individuelles Versagen, während man bei Flugunfällen nach systemischen Ursachen sucht.
  Selbst bei Pilotenfehlern wird analysiert, warum dieser Fehler passieren konnte. Auf der Straße hingegen bleibt die Umgebung oft unverändert, selbst wenn sich derselbe Unfall wiederholt.

  • In der Luftfahrt ist eine systemische Analyse grundsätzlich möglich, weil unqualifizierte oder unaufmerksame Personen herausgefiltert werden.
    Bei Verkehrsunfällen ist meist eine einzelne Person, die Regeln verletzt, die Ursache.
  • Es ist auch einfach ein Größenunterschied. Es gibt 100.000 Flüge pro Tag und 1 Milliarde Autofahrten, daher muss es bei Verkehrsunfällen zwangsläufig viel mehr Fälle geben.
    Trotzdem untersucht das NTSB gelegentlich auch Autounfälle aus systemischer Perspektive.

• Was ich nach täglich anderthalb Stunden Pendeln gelernt habe, ist, dass es wichtig ist, den Verkehr möglichst „laminar“ fließend zu halten.
  Starkes Bremsen wandelt Energie in Wärme um und erzeugt chaotische Wellen, die sich bis zu den nachfolgenden Autos fortpflanzen.
  Deshalb versuche ich, die Geschwindigkeit so sanft wie möglich zu regeln.

  • Manche Fahrer glauben allerdings, dass dieses „sanfte Fahren“ den Verkehrsfluss eher verlangsamt.
    Sie sehen darin etwas, das nur Platz wegnimmt und die Durchschnittsgeschwindigkeit senkt.
  • Ich fahre auch mit diesem Gedanken im Kopf. Es wäre viel hilfreicher, wenn das Auto die Relativgeschwindigkeit zum vorausfahrenden Fahrzeug anzeigen würde.
  • Dieses Video zeigt sehr gut die Kettenreaktion, die entsteht, wenn Menschen auf die Bremse treten.
    Tatsächlich entstehen Staus durch die Aufsummierung kleiner Fehler.
  • Natürlich erzeugt starkes Bremsen Wellen, aber ich halte die Wirkung für übertrieben.
    Der maximale Durchsatz einer Straße wird durch den Abstand zwischen den Fahrzeugen (in Zeit) bestimmt. Bei 2 Sekunden Abstand sind das 0,5 Fahrzeuge pro Sekunde; wenn der Abstand größer wird, sinkt der Durchsatz.
  • Wenn man weit nach vorn schaut, früh erkennt, dass sich der Verkehr verdichtet, und dann allmählich langsamer wird, hilft das auch den Fahrern hinter einem.

• In der Versicherungsbranche gilt starkes Bremsen schon lange als starker Indikator für Unfallrisiko.
  Cambridge Mobile Telematics hat eine App entwickelt, die beim starken Bremsen während der Fahrt einen Signalton ausgibt. Schon allein diese Benachrichtigung führt zu Verhaltensänderungen.

  • Interessant ist, dass Versicherungen starkes Bremsen als Risikohinweis des Fahrers sehen, Google dagegen als Risikohinweis der Straßengestaltung.
    Die Ursachen sind verschieden, aber beides lässt sich nutzen.
  • Meine Mutter hatte auch ein Gerät für einen Versicherungsrabatt installiert, und starkes Bremsen war meist die Folge von gefährlichem Verhalten anderer Fahrzeuge.
  • Ich frage mich, ob bloße Benachrichtigungen tatsächlich das Verhalten ändern. In Wirklichkeit könnten finanzielle Anreize der wichtigere Faktor sein.
  • Ich frage mich, ob weniger starkes Bremsen auch das gesamte Fahrverhalten verbessert.
    Letztlich könnte das Entscheidende sein, sich defensives Fahren insgesamt anzugewöhnen.
  • Andererseits frage ich mich, ob ein Gerät einem überhaupt mitteilen muss, dass man stark gebremst hat. Das Signal, das man im eigenen Körper spürt, ist doch schon eindeutig genug.

• An Googles aktueller Forschung ist interessant, dass sie einen Wechsel von fahrerzentrierten Daten zu infrastrukturzentrierten Daten darstellt.
  Die Innovation liegt darin, starkes Bremsen nicht als Indikator für individuelles Risiko, sondern als Indikator für Straßenrisiko zu betrachten.

  • Wenn es irgendwann genug autonome Fahrzeuge gibt, könnte man Regierungen vielleicht auf Basis solcher Daten dazu bewegen, Straßen zu verbessern.
  • Es wäre außerdem gut, wenn solche Daten als öffentliches Overlay auf Karten verfügbar wären.

• Ich halte Google Maps immer noch für eines der technisch beeindruckendsten Big-Tech-Produkte überhaupt.
  Aus Nutzerdaten lassen sich nicht intuitive Erkenntnisse wie Menschenansammlungen oder Straßenrisiken gewinnen.

  • Bei dieser Art der Datennutzung ist mir der öffentliche Nutzen wichtiger als Datenschutzbedenken.
    Ich halte Google für ein gutes Beispiel dafür, Daten verantwortungsvoll zu nutzen.
  • Wenn solche Daten für öffentliche Forschung genutzt würden, wäre ihr gesellschaftlicher Wert enorm.
    Unternehmen wie Google haben mehr als genug Geld verdient und sollten die Daten offenlegen, um der Gesellschaft etwas zurückzugeben.

• Manche meinen, diese Forschung liefere in Wirklichkeit keine neuen Erkenntnisse.
  Zum Beispiel galt die Kreuzung 880/101 in San Jose bei Anwohnern schon lange als schlimmste Kreuzung der Gegend.
  Das Problem ist nicht fehlende Daten, sondern physische Beschränkungen und administrative Grenzen.
  Google nennt das Machine Learning, aber in Wirklichkeit wirkt es eher wie Werbung.
  Verwandte Artikel und Links zu bestehenden Datenanbietern: Mercury News, TomTom, Inrix, StreetLight

  • Laut dem Artikel ist aber wichtig, dass sich Risikobereiche schon vor einem tatsächlichen Unfall identifizieren lassen.
    Daten zu starkem Bremsen sind viel umfangreicher und unmittelbarer als Unfalldaten.
  • Solche Daten könnten auch für die Risikoerkennung autonomer Fahrzeuge genutzt werden.
    Zum Beispiel könnten sie Kreuzungen erkennen, an denen häufig Unfalltrümmer liegen, und dort vorsichtiger fahren.
  • Google und Apple sammeln bereits Daten von fast allen Fahrzeugen in den USA, wodurch bestehende Anbieter unter Druck geraten könnten.
  • Schon wenn Caltrans einfach Tempolimits senken und verkehrsberuhigende Gestaltung anwenden würde, gäbe es Verbesserungspotenzial.
  • Eigentlich ist es weniger Machine Learning als vielmehr eine Analyse der Korrelation zwischen starkem Bremsen und Unfallrate.

• Ich frage mich, warum die Autobahndaten aus Virginia anders aussehen als die aus anderen Bundesstaaten.
  Das könnte an kulturellen Unterschieden oder politischen Faktoren liegen, oder die Daten sind schlicht falsch dargestellt.

• Es wäre gut, wenn während der Fahrt eine Gefahren-Heatmap im HUD angezeigt würde.
  Normalerweise grün, und in gefährlichen Abschnitten würde sie rot werden.

  • Früher zeigte auch Waze temporäre Gefahren an, etwa liegengebliebene Fahrzeuge oder Schlaglöcher; inzwischen gibt es das auch in Google Maps.
    Bei dauerhaften Gefahren braucht es physische Beschilderung oder Straßenverbesserungen.
  • Wenn so eine Funktion in die Navigation integriert wäre, wäre sie nützlicher als Warnungen vor Blitzern.

• Wenn es tatsächlich so eine Karte mit Indikatoren für Gefahrenabschnitte gäbe, würde ich sie beim Fahren in unbekannten Gegenden unbedingt nutzen.
  Auf Strecken, die man oft fährt, kennt man die Gefahrenstellen, aber auf Straßen, die man zum ersten Mal fährt, sind visuelle Hinweise eine große Hilfe.