Ziel der Dissertation war es herauszufinden, in wie weit sich die Daten der Zustandserfassung und –bewertung (ZEB) zur Erschließung verkehrssicherheitstechnischer Defizite auf Landstraßen anhand von KI-Methoden eignen. Bei KI-Verfahren ist es nicht möglich die Architektur eines Systems abschließend festzulegen ohne die funktionalen Aspekte umzusetzen und zu testen, da aufgrund der inhärenten BlackBox-Problematik die Performanz nicht im Voraus abgeschätzt werden kann. Die Arbeit dokumentiert daher den Prozess zur Schaffung und Testung eines Prototyps zur Ableitung von Verkehrssicherheitsdefiziten. Hierfür werden die Phasen des Vorgehensmodells PAISE (Process Model for AI Systems Engineering) des CC-King Kompetenzzentrum für KI zur Erschaffung KI-basierter Systeme durchlaufen. PAISE sieht zunächst den Aufbau eines Ziel- und Problemverständnisses vor. Dabei werden zunächst die Verkehrssicherheitsarbeit in Deutschland betrachtet und die wichtigsten Verfahren sowie deren Arbeitsweise nach zugehörigen Arbeitsblättern, Empfehlungen und Richtlinien vorgestellt. Auch bestehende und im Entwurf befindliche Bewertungsverfahren auf Netzebene sowie weiterführende Aktivitäten wie die Entwicklung digitaler Werkzeuge und Checklisten werden beschrieben. Zur Konkretisierung der fachlichen Inhalte werden außerdem die für Landstraßen relevanten Planungsrichtlinien zusammengefasst.

Anschließend werden Convolutional Neural Networks als für diese Anwendung wichtigstes Instrument der Methodengruppe KI zunächst allgemein, dann in ihren grundlegenden und für den Straßenraum spezifischen Aufgabenstellungen vorgestellt. Für die Festlegung von Anforderungen und Lösungsansätzen gemäß PAISE werden auf Basis der Ausführungen zur Verkehrssicherheitsarbeit drei übergeordnete Anwendungsfälle identifiziert, um funktionale Anforderungen an die Methodik zur Erschließung der verkehrssicherheitstechnischen Defizite zu definieren. Die zu erschließenden Verkehrssicherheitsdefizite werden unter Berücksichtigung der technischen und fachlichen Rahmenbedingung ausgewählt. Für jede Defizitgruppe werden auf Basis der zugehörigen Richtlinien sowie forschungstechnischer Vorarbeiten Prozesse zur automatisierten Erschließung definiert (funktionale Dekomposition nach PAISE). Hierauf werden die wichtigsten Subprozesse zur Erschließung der Defizite (Regelquerschnitt, Verortung, geometrische Beziehungen) konzeptionell weiter ausgeführt. Aus den Prozessen lassen sich Anforderungen an die physischen Objekte, welche durch die KI-Methoden zu erkennen sind, definieren (Komponentenspezifikation nach PAISE).

Für die Umsetzung der prototypischen Anwendung werden der Datenfluss, die statische Architektur und das Datenmodell des dreigliedrig, geschichteten Systems vorgestellt, welche die drei Stufen der Erschließung als physische Objekte, Indikatoren und Defizite in unterschiedlichen Abstraktionsschichten abbilden. Für die Erstellung der KI werden der Annotationsprozess, die Auswahl der CNN basierten Architekturen und deren Implementierung sowie Integration ins Gesamtsystem beschrieben. In der Folge werden die Indikatorextraktions- und die Defizitklassifizierungsroutinen dargestellt, welche die im Konzeptteil identifizierten Prozesse implementieren.

Danach werden drei Anwendungen zur Visualisierung der erschlossenen Größen vorgestellt, die im Rahmen des Forschungsprojekts KISStra und als Masterarbeit in Betreuung des Autors entstanden sind, welche eine einfache Basisvisualisierung, die Integration in eine bestehende Anwendung sowie eine komplexere speziell für die Visualisierung und Filterung der Daten erstellte Anwendung umfassen. Für den Validierungsteil wird die Methodik auf eine ausgewählte Teststrecke angewendet und zunächst die Defizitverteilung auf der Teststrecke analysiert. Weiterhin werden Fehler des Indikators Fahrbahnbreite und der globalen Verortung anhand von extern gemessenen Daten untersucht. Darauf folgt die qualitative Validierung durch demonstrative Analysen von Unfällen anhand der Defizite auf der Teststrecke. Abschließend werden die Korrelation zwischen Defizitanzahl und Unfällen auf der Teststrecke berechnet und interpretiert.

Zusammenfassend lässt sich sagen, dass die Ergebnisse der Validierung der vorliegenden Arbeit dafürsprechen, dass die ausgewählten Defizite sich zur quantitativen als auch qualitativen Analyse von Unfällen des Unfalltyps Fahrunfall eignen. Es kommt zwar durchaus zu Fehlklassifikation von Defiziten durch den Prototyp, welche sich auf Fehler der KI-Subkomponenten zurückführen lassen. Menschliche Experten können die Fehler aber bei der Analyse von lokalen Unfallstellen relativ einfach erkennen und ausschließen. Bei einer netzweiten Bewertung von Teilstrecken und größeren Abschnitten anhand der Defizite fallen die fehlklassifizierten Defizite durch die Aggregation weniger stark ins Gewicht.