Der Schwerpunkt der Gruppe Multimodale Navigation liegt im Bereich der Erforschung von Lösungen für die multimodale Navigation von Fahrgästen in urbanen Umgebungen. Besonders wichtig sind die öffentlichen Verkehrsmittel und die nachhaltigen individuellen Verkehrsmittel, die der ersten-/letzten Meile dienen, wie Fahrrad, e-Scooter und zu Fuß.
Diese Gruppe hat eine langjährige Expertise im Bereich der Entwicklung von Sensorfusions-Verfahren zur Fußgänger-Navigation in entscheidenden urbanen Umgebungen, in denen die Satellitennavigation nicht zur Verfügung steht oder blockiert ist, wie an Bahnhöfen und Flughäfen.
Ferner liegen umfangreiche Erfahrungen mit maschinellen Lernverfahren zur Erkennung von Fahrgast-Aktivitäten und zur Erkennung von Verkehrsmitteln vor. Die in diesem Rahmen entwickelten Methoden zur automatisierten Erkennung der benutzten Verkehrsmittel wurden patentiert.
Die Forschung der Gruppe „Multimodale Navigation“ ermöglicht gebündelte Mobilitätsdienstleistungen wie Location-Based Services oder E-Ticketing. Somit unterstützt diese Gruppe Anwendungen im ÖPNV-Bereich und leistet einen wichtigen Beitrag zur nachhaltig erfolgreichen Digitalisierung und der Verkehrswende.
Fahrgastmobilität
Entwicklung von Algorithmen der künstlichen Intelligenz zur Erkennung der Verkehrsmittel, welche die Nutzerinnen und Nutzer des öffentlichen Verkehrsnetzes wählen - zur besseren Verwaltung und Planung der Netze
Mit dem Wachstum der Städte wird die Verwaltung der öffentlichen Verkehrsnetze immer schwieriger. Das hat große Auswirkungen auf die Nutzerfreundlichkeit des öffentlichen Verkehrsnetzes.
Wir stellen uns einen nahtlosen und einfachen Zugang zu den öffentlichen Verkehrsmitteln in den Städten für alle vor. Eine Möglichkeit, dieses Konzept zu fördern, ist die Entwicklung von Smartphone-basierten Systemen für die automatische Abrechnung der Nutzung des öffentlichen Nahverkehrs.
Wir konzentrieren uns auf die Entwicklung von Algorithmen der künstlichen Intelligenz zur Erkennung der Verkehrsmittel, die die Nutzerinnen und Nutzer des öffentlichen Verkehrsnetzes wählen. Konkret geht es um die Erkennung der Nutzung von Bussen, Straßenbahnen, U-Bahnen und Nahverkehrszügen. Dies wird eine bessere Verwaltung des öffentlichen Verkehrsnetzes und eine bessere Planung der Stadt ermöglichen.
Aktive Verkehrsmodi
Forschung für die urbane Mobilität - Personennavigation mit tragbaren Sensoren, Smartphone-basierte Personenlokalisierung, datengesteuerte Bewegungsmodelle für Fahrräder, die realistischere Simulationen der Fahrgastströme ermöglichen, Kollisionsvermeidungen
Seit mehr als 20 Jahren entwickeln wir Algorithmen für die Personennavigation mit tragbaren Sensoren, insbesondere Trägheitssensoren, Barometer und Magnetometer. Wir haben uns auf professionelle Anwendungsfälle konzentriert, wie Feuerwehrleute oder Rettungsteams. Seit 2017 haben wir unseren Forschungsbereich für die urbane Mobilität geöffnet. Zunächst haben wir ein Navigationssystem für Fahrräder entwickelt und die beiden aktiven Verkehrsarten, also das Gehen und das Fahrradfahren, miteinander verbunden. Unser nächster Schritt bestand darin, unseren Multisensor-Ansatz um die Satellitennavigation zu ergänzen. Im Jahr 2019 haben wir unsere Algorithmen so angepasst, dass sie mit den kostengünstigen Sensoren in handelsüblichen Smartphones funktionieren.
Derzeit konzentrieren wir unsere Forschung auf die Entwicklung einer verbesserten Smartphone-basierten Personenlokalisierung in Bahnhöfen, Flughäfen und auf dem Fahrrad. Darüber hinaus entwickeln wir datengesteuerte Bewegungsmodelle für Fahrräder, die realistischere Simulationen der Fahrgastströme ermöglichen, z. B. in SUMO. Darüber hinaus arbeiten wir daran, die Aufmerksamkeit der anderen Verkehrsteilnehmer gegenüber den Radfahrern zu erhöhen, um mögliche Kollisionen zu vermeiden.
Digitale Zwillinge von Verkehrsflüssen
Digitale Zwillinge helfen beim Voraussehen, -denken und -planen und führen so zu einem besser geplanten, sichereren und vertrauenswürdigeren Verkehrsnetz.
In den letzten Jahren wird die Digitalisierung der Städte immer mehr zur Realität. Im Rahmen der urbanen Mobilität verfolgen wir die Schaffung eines digitalen Zwillings des öffentlichen Verkehrsnetzes. Digitale Zwillinge helfen beim Voraussehen, -denken und -planen und führen so zu einem besser geplanten, sichereren und vertrauenswürdigeren Verkehrsnetz.
Derzeit konzentrieren wir unsere Bemühungen auf die Extraktion der Echtzeit-Passagierströme im Verkehrsnetz. Die Nutzung dieser Verkehrsströme führt zur Vermeidung von Engpässen und zur Erstellung von Was-wäre-wenn-Szenarien, die die Sicherheit der Fahrgäste verbessern.
Virtuelles Forschungsinstitut INNOMOB
Zu Fuß oder mit Fahrrad: smart und sicher unterwegs im Stadtverkehr - mehr Informationen
Die im Smartphone integrierten Sensoren messen die Position und Geschwindigkeit des Radfahrers. Diese Daten sowie die Fahrzeugposition und -geschwindigkeit werden an die App übermittelt, die dann eine mögliche Kollision voraussieht und eine Warnung auslöst.
Radfahrer in Gefahr wegen eines möglichen Zusammenstosses mit einem motorisierten Fahrzeug
Für die Wiedergabe dieses Videos auf Quickchannel.com ist Ihre Zustimmung zur Speicherung von Daten ('Cookies') erforderlich. Unter Datenschutz-Einstellungen können Sie Ihre Wahl einsehen und verändern.
Radfahrer in Gefahr wegen eines möglichen Zusammenstosses mit einem motorisierten Fahrzeug
Die im Smartphone integrierten Sensoren messen die Position und Geschwindigkeit des Radfahrers. Diese Daten sowie die Fahrzeugposition und -geschwindigkeit werden an die App übermittelt, die dann eine mögliche Kollision voraussieht und eine Warnung auslöst.
