Klitzke, Lars (2026) From Real-World Traffic Data to Scenarios in the Context of Automated Vehicles. PhD, Universität Oldenburg.

Volltext (17Mb)

Abstract

The large-scale introduction of automated vehicles (AVs) on public roads is an ambitious and challenging goal. This technology aims to significantly contribute to increased traffic safety and comfort, while also serving as the foundation for further innovative mobility concepts. But, one of the biggest challenges in introducing such systems is ensuring their compliance with regulatory requirements, since it is essential that these systems function correctly and safe. This is particularly demanding for higher-level automated vehicles, which must navigate public roads safely without a human fallback option. Within the framework of homologation of automated vehicles, an approach has been established where the driving function or the automated vehicle is tested in specific scenarios. However, the availability of an extensive dataset with diverse scenarios is a critical prerequisite. These scenarios can be defined based on different data sources. One method for collecting and evaluating scenarios involves using real traffic data. Such data is highly valuable as it realistically reflects the behavior of human road users and also includes atypical behavior or even critical conflicts between participants. For collecting real traffic data various methods are available, each with different strengths and weaknesses. One method is infrastructure-based traffic data collection using road side units, which main advantage is capturing traffic events comprehensively and over an extended period. This allows for the continuous and simultaneous capture of multiple road users and their interactions. Consequently, this method enables a detailed description of scenarios and the identification of rare phenomena, which are particularly important for validating driving functions. However, this continuous stream of traffic data must be systematically processed to create a comprehensive collection of scenarios. This thesis presents a methodology for representing traffic data collected in the real world based on scenarios and their systematic identification from real-world traffic data. A hierarchical data model is used for this purpose, which semantically describes traffic data at four different levels of abstraction. Various approaches to defining and identifying phenomena at those abstraction levels using real traffic data are presented. Furthermore, a modular platform is introduced that integrates these different methods to continuously identify and analyze scenarios in real traffic data and various environments. The procedures and methods presented in this work are individually evaluated using real-world problems. Their integration through the modular platform demonstrates the suitability of the proposed approaches for identifying and analyzing scenarios in different environments and for various research questions. Overall, the results show that the proposed methodology enable the systematic identification and representation of scenarios from real-world traffic data contributing to building a large-scale knowledge base of scenarios.

["eprint_fieldname_title_plus" not defined]

Von realen Verkehrsdaten zu Szenarien im Kontext des Automatisierten Fahrens

["eprint_fieldname_abstract_plus" not defined]

Die Einführung von automatisierten Fahrzeugen (AVs) auf öffentlichen Straßen ist ein anspruchsvolles und herausforderndes Ziel. Die Technologie soll einen wesentlichen Beitrag dazu leisten, die Verkehrssicherheit zu verbessern und den Fahrtkomfort zu erhöhen. Auch soll sie als Grundlage für innovative Mobilitätskonzepte dienen. Allerdings ist eine der größten Herausforderungen für die Einführung von AVs, sicherzustellen, dass diese konform mit den lokalen regulatorischen Richtlinien sind, da gewährleistet werden muss, dass die Systeme in den vorgegebenen Umgebungen sicher und zuverlässig funktionieren. Dies ist insbesondere bei höher automatisierten Fahrzeugen der Fall, da diese auf öffentlichen Straßen sicher operieren müssen — auch ohne eine menschliche Rückfallebene. Im Rahmen der Homologation von automatisierten Fahrzeugen hat sich ein Ansatz etabliert, bei dem die Fahrfunktion oder das automatisierte Fahrzeug in bestimmten Szenarien getestet wird. Jedoch ist hierfür ein umfangreicher Datensatz mit diversen Szenarien essenziell. Diese Szenarien können aus verschiedensten Datenquellen stammen. Eine Möglichkeit zur Erhebung und Auswertung von Szenarien besteht in der Verwendung realer Verkehrsdaten. Ein großer Vorteil dieser Variante ist, dass das Verhalten von menschlichen Verkehrsteilnehmenden realitätsnah abgebildet wird, somit auch atypisches Verhalten, das ggf. zu kritischen Konflikten führen kann. Für die Erhebung von realen Verkehrsdaten stehen verschiedene Methoden zur Verfügung, wie bspw. infrastrukturell mittels sogenannter Roadside Units. Der Vorteil dieser Methode ist es, dass das Verkehrsgeschehen umfassend, langfristig und kontinuierlich erfasst werden kann. Sie erlaubt somit eine detaillierte Beschreibung von Szenarien sowie die Identifikation seltener Phänomene. Allerdings muss dieser Datenstrom systematisch prozessiert werden, um einen umfangreichen Katalog von Szenarien aufzubauen. Die vorliegende Arbeit präsentiert eine Methodik zur Darstellung von Szenarien und deren systematischen Extraktion aus real erhobenen Verkehrsdaten. Hierfür wird ein hierarchisches Datenmodell eingesetzt, welches Verkehrsdaten auf vier verschiedenen Abstraktionsebenen semantisch beschreibt. Es werden unterschiedliche Ansätze zur Definition und Identifikation von Phänomenen auf diesen Ebenen vorgeschlagen. Zudem wird eine modulare Plattform vorgestellt, die diese Methoden integriert, um kontinuierlich Szenarien in realen Verkehrsdaten unter verschiedenen Umgebungen zu identifizieren. Die vorgestellten Verfahren und Methoden werden jeweils separat anhand realer Probleme evaluiert. Ihre Integration durch die modulare Plattform zeigt die Eignung der Ansätze zur Identifikation und Analyse von Szenarien in unterschiedlichen Umgebungen und für verschiedene Fragestellungen. Insgesamt zeigen die Ergebnisse, dass die vorgeschlagenen Methodiken es erlauben, infrastrukturell erhobene Verkehrsdaten systematisch in Szenarien zu überführen und somit einen Beitrag für den Aufbau einer umfassenden Wissensbasis von Szenarien aus realen Verkehrsdaten liefert.

Item Type:	Thesis (PhD)
Uncontrolled Keywords:	automated driving, traffic data, scenario, scenario extraction, data analysis
Divisions:	School of Computing Science, Business Administration, Economics and Law > Department of Computing Science
Date Deposited:	11 Feb 2026 13:37
Last Modified:	11 Feb 2026 13:37
URI:	https://oops.uni-oldenburg.de/id/eprint/7375
URN:	urn:nbn:de:gbv:715-oops-74565
DOI:
Nutzungslizenz:

Actions (login required)

View Item