In diesem Artikel:
Wie erreichen SONAH Parkplatzsensoren eine Detektionsgüte von +98 % und wie wird diese ermittelt?
Tiefergehende Einblicke in die Optimierung unserer Detektionsgüte - Experten Interview
Wie gehen wir mit Problemen bei der Detektionsgüte unserer Parkplatzsensoren um?
Wie gewährleisten wir bei SONAH eigentlich, dass unsere kamerabasierten Parkplatzsensoren stetig mit der höchsten Genauigkeit arbeiten? In diesem Blogbeitrag nimmt Sie unser Lead Software Developer Tarek mit hinter die Kulissen und zeigt, wie wir die Detektionsgüte unserer Parkplatzsensorik ermitteln und kontinuierlich verbessern.
Kamerabasierte Parkplatzsensoren (Überkopfsensoren) von SONAH helfen schon heute aktiv dabei, das Parkraummanagement neu zu denken. Da jedoch keine Technologie, so fortschrittlich sie auch sein mag, eine absolute Detektionsgenauigkeit garantieren kann, legen wir besonderen Wert auf die Analyse und Beseitigung von Detektionsungenauigkeiten. Dies ermöglicht es uns, die Effizienz und Zuverlässigkeit unserer Parkplatzsensoren kontinuierlich zu verbessern.
Was verstehen wir unter Detektionsgüte?
Detektionsgüte beschreibt die Genauigkeit, mit der ein System – wie unsere kamerabasierten Parkplatzsensoren (Überkopfsensoren) – Objekte oder Ereignisse erkennt. Im Fall von SONAH bedeutet das, wie präzise unsere Parkplatzsensoren Fahrzeuge auf Parkplätzen erfassen. Ein kleines Rechenbeispiel: Wenn es 1.000 Stellplätze auf einem Parkplatz gibt und unser System bei 987 davon den Belegungsstand (frei oder belegt) korrekt erfasst, liegt die Detektionsgüte bei 98,7 %.
Wie stellt SONAH die hohe Detektionsgüte seiner Parkplatzsensoren sicher?
„Unterschätze nie den Wert einer guten Vorbereitung“ – ein zentraler Unternehmenswert bei SONAH und der erste Schritt auf dem Weg zu höchster Präzision. Noch bevor wir den ersten Sensor installieren, legen wir mit einer präzisen Projektkonzeption den Grundstein für eine erstklassige Detektionsgüte unserer Parkplatzsensorik.
Die Projektierung beginnt mit einer gründlichen Analyse des Standorts. Dazu benötigen wir entweder eine umfassende Fotodokumentation aller Parkplätze und Masten oder führen selbst eine Vor-Ort-Besichtigung durch, um die Gegebenheiten direkt zu erfassen und entsprechende Fotos zu machen.
Anhand der gesammelten Parameter wird nun bestimmt, wie viele Parkplatzsensoren benötigt werden, wo sie angebracht werden sollen und in welchem Winkel, um alle Stellplätze abzudecken. Dabei achten wir darauf, dass jeder Parkplatz optimal von dem Parkplatzsensor erfasst wird und Verdeckungen durch andere Fahrzeuge minimiert werden.
Sollte der Aufbau im Winter oder Frühjahr erfolgen, müssen wir zusätzlich prüfen, ob eine mögliche Verdeckung durch Bäume im Sommer auftreten kann, und gegebenenfalls die Position anpassen oder Rückschnitte planen. Denn nur wenn der Parkplatzsensor einen ungehinderten Blick auf die Stellplätze hat, kann der Belegungsstatus zuverlässig ermittelt werden.
Bei all diesen Schritten können wir auf Erfahrungswerte aus über 8 Jahren im Bereich Smart Parking zurückgreifen. Diese umfassenden Erfahrungen ermöglichen es uns, die Projektierung unserer Parkplatzsensorik anhand bewährter Best Practices durchzuführen, die sich aus unserer langjährigen Tätigkeit entwickelt haben.
Nachdem die Sensoren sorgfältig in der richtigen Höhe und im korrekten Winkel montiert wurden, beginnt die Optimierung der Detektionsgüte auf der Softwareseite. Zunächst ist die Konfiguration von entscheidender Bedeutung, um sicherzustellen, dass der Sensor korrekt auf die Gegebenheiten eingestellt ist. Beispielsweise wird die Belichtung des Sensors festgelegt, was besonders an Standorten mit wenig Licht in der Nacht wichtig ist. Zwar erfolgt bei Betrieb die Anpassung der Belichtung automatisiert, jedoch werden in der initialen Konfiguration die an die Gegebenheiten angepassten, standortspezifischen Algorithmen festgelegt (mehr zu der Belichtung des Sensors finden Sie weiter unten im Interview mit Tarek). Zusätzlich werden die „Regions of Interest“ präzise definiert – die Bereiche, die der Sensor auf das Vorhandensein eines Fahrzeugs überprüft, wie etwa die Stellplatzmarkierungen. Eine optimale Definition dieser Regionen hat dabei einen großen Einfluss auf die letztendliche Detektionsgüte.
Ein weiterer zentraler Bestandteil der Optimierung ist das Training der neuronalen Netze mit großen Datenmengen. Dabei setzen wir, je nach Gegebenheiten vor Ort, auf situationsbasierte neuronale Netze (Iterative Domain Specific Classifier basierend auf einem hypertuned Dataset aus 8 Jahren Projektarbeit). Im Gegensatz zu einem general classifier* werden unsere neuronalen Netze bereits beim Deployment auf die spezifischen Gegebenheiten vor Ort trainiert und eingestellt. Das bedeutet, dass das System beispielsweise auf hohe Verschattung durch Bäume oder besondere Lichtverhältnisse trainiert und angepasst ist. Diese individuelle Feinabstimmung ermöglicht es uns, auch unter schwierigen Bedingungen eine hohe Detektionsgüte sicherzustellen.
*Was ist ein general classifier?
Ein general classifier ist ein neuronales Netzwerk bzw. Klassifikationssystem, das für eine breite Palette von Aufgaben entwickelt wurde. Es ist darauf ausgelegt, allgemeine Klassifikationen vorzunehmen, ohne speziell auf die Bedingungen eines bestimmten Standorts oder Use Case abgestimmt zu sein. Zwar finden general classifier in anderen Bereichen häufig Anwendung, jedoch ist die Detektionsgüte viel zu niedrig, als dass sie bei Parksensoren angewendet werden könnten.
Die von Google aufgekaufte und weiterentwickelte Open-Source-Library Keras bietet eine große Auswahl an general classifiern an, welche mitunter zu den genauesten ihrer Art gehören. Doch selbst der classifier mit der höchsten Genauigkeit, welcher auf Edge Devices laufen kann, „MobileNetV2”, erreicht lediglich eine Detektionsgüte von ungefähr 72 %** – viel zu niedrig für unsere Anwendungsfälle.
**Quelle: Sandler, M., Howard, A., Zhu, M., Zhmoginov, A. & Chen, L.-C. (2019). MobileNetV2: Inverted Residuals and Linear Bottlenecks. arXiv Preprint arXiv:1801.04381v4. Google Inc. Abgerufen am 28. August 2024 von https://arxiv.org/abs/1801.04381
Im Gegensatz zu den Systemen vieler anderer Hersteller ist die Plausibilitätsprüfung unserer Daten ein zentraler Bestandteil unseres Qualitätsmanagements. Wir haben einen Algorithmus zur Datenbereinigung implementiert, der Anomalien in den Datensätzen erkennt. Unser Prinzip lautet: Nur plausible Daten werden weitergeleitet. Bei Feststellung von Anomalien, wie etwa zu häufigen Statuswechseln innerhalb von einer Sekunde o.ä., schaltet unser System den betreffenden Stellplatz automatisch in den „Keine Daten“-Modus – denn keine Daten sind besser als falsche Daten.
Wir überprüfen dann den betroffenen Stellplatz, analysieren mögliche Ursachen für die Anomalien und stimmen uns mit dem Kunden ab, um die vor Ort Situation mit den Daten abzugleichen. Gegebenenfalls passen wir die Parameter an oder ergreifen weitere Maßnahmen, um die Detektionsgüte zu optimieren und präzise Ergebnisse sicherzustellen.
Unterschiedliche Detektionsmethoden
Je nach Einsatzzweck der Sensoren variieren die Detektionsmethoden. Grundsätzlich gibt es im Falle der Einzelstellplatzdetektion zwei verschiedene Anwendungsfälle:
Markierte Stellplätze: Die Detektion erfolgt binär – das bedeutet, der Sensor identifiziert, ob sich in einem vordefinierten Bereich (der „Region of Interest”) ein Fahrzeug befindet oder nicht.
Unmarkierte Stellplätze: Hier liegt die Region of Interest über der gesamten Fläche der unmarkierten Stellplätze. Ein Algorithmus identifiziert nicht nur eine Belegung durch Fahrzeuge, sondern verortet erkannte Objekte (PKW, VAN, LKW, ...) in dieser Region of Interest, um zu sehen, wie viel und wo Parkraum im Bereich dadurch eingenommen wurde. Mit einer Genauigkeit von +/- 10 cm können unsere Parkplatzsensoren eine Lücke vermessen.
Wie messen unsere Kunden die Detektionsgüte?
Um die Datengüte der Systeme sicherzustellen, führen viele unserer Kunden regelmäßige Überprüfungen vor Ort durch. Dabei wird die Parkfläche manuell abgegangen, um die im Frontend angezeigten Daten nach einer Wartezeit von 30 Sekunden mit der tatsächlichen Situation vor Ort zu vergleichen.
Die Wartezeit ist vorgesehen, um Situationen zu vermeiden, in denen gerade ein Parkvorgang stattgefunden hat, aber das Frontend noch nicht die Live-Daten anzeigt.
Bei einer Abweichung wird dies sorgfältig dokumentiert: Ein Foto des Stellplatzes wird gemacht, ein Screenshot des Frontends erstellt und die Stellplatz-ID notiert. Die Detektionsgüte wird berechnet, indem die Anzahl der Abweichungen durch die Gesamtanzahl der Stellplätze geteilt wird.
Die Genauigkeit der Detektion hängt dabei stark von der Größe der Stichproben und der Qualität des Dateninputs ab. Es ist darauf zu achten, dass mindestens 100 unterschiedliche Messpunkte erfasst werden und dass sowohl die Tageszeiten als auch die Wetterbedingungen zum Zeitpunkt der Messungen variiert werden.
Um tiefergehende Einblicke in die Optimierung unserer Detektionsgüte zu erhalten, haben wir unseren Lead Software Developer Tarek zum Interview gebeten. Er erläutert, welche Schlüsselelemente für die hohe Präzision unserer Sensorik entscheidend sind und teilt seine Expertise aus der Praxis.
Welche Parameter sind maßgebend für die Detektionsgüte?
„Bei der Berechnung der Detektionsgüte spielen mehrere Faktoren eine Rolle. Dazu gehört die Auswahl und das Training der Fahrzeugtypen, die das System erkennen soll, sowie die Berücksichtigung spezifischer Umwelteinflüsse. Besonders herausfordernd sind dabei Witterungsbedingungen wie starker Nebel oder Schneefall, die die Sicht beeinträchtigen können. Zudem müssen wir die Auswirkungen von Bäumen oder anderen Hindernissen berücksichtigen, die die Kamerasensoren verdecken könnten.“
Wie unterscheiden sich die Auswertungsmethoden?
„Die Auswertungsmethoden für verschiedene Detektionssysteme unterscheiden sich maßgeblich durch die Art und Weise, wie die belegten und freien Stellplätze erfasst werden. Bei der Einzelstellplatzdetektion wird jeder Stellplatz direkt auf seinen Zustand hin überprüft.
Das Ergebnis ist binär: Entweder ist der Stellplatz 'belegt' oder 'nicht belegt'.
Die Erkennung richtet sich nach den vereinbarten Produkteigenschaften und umfasst in der Regel Fahrzeugarten wie PKWs, Vans und Pickups. Fahrzeuge, die nicht in diese Kategorien fallen, müssen bei der Validierung außer Acht gelassen werden. Das System ist darauf trainiert, andersartigen Störkörpern oder Kleinfahrzeugen keine Beachtung zu schenken. Diese Parameter können, wie fast alle Parameter, kundenspezifisch angepasst werden.
Im Gegensatz dazu basiert die Detektion bei unmarkierten Parkplätzen auf der Vermessung der Lücken zwischen den Fahrzeugen oder zwischen einem Fahrzeug und dem Ende der Stellplatzfläche. Das System berechnet, wie viele Fahrzeuge mit einer vordefinierten Größe (kann angepasst werden) noch in diese Lücken passen würden.
Eine beispielhafte Regel wäre eine angenommene Fahrzeuglänge von 5,0 Metern und eine zusätzliche Pufferzone von 75 cm. Freie Flächen, die groß genug sind, um mindestens ein weiteres Fahrzeug aufzunehmen, werden im Frontend mit einer Zahl dargestellt, die die Anzahl der zusätzlichen Fahrzeuge angibt. Kleinere freie Bereiche, die nicht groß genug sind, um ein weiteres Fahrzeug aufzunehmen, werden zwar angezeigt, tragen jedoch keine Zahl. Diese Unterschiede in der Erkennung und Darstellung ermöglichen es uns, sowohl präzise Ergebnisse für markierte Stellplätze als auch eine flexible Belegungsübersicht für unmarkierte Flächen zu bieten.“
(Bild: Screenshot, wie unmarkierte Stellplätze in unserem Web-Dashboard visualisiert werden)
Welche Herausforderungen gibt es bei der statistischen Aufarbeitung der Daten?
„Bei der statistischen Aufarbeitung der Daten gibt es immer das Risiko von Messungenauigkeiten. Solche Ungenauigkeiten können durch verschiedene Faktoren verursacht werden, wie beispielsweise ungewöhnliche Fahrzeugtypen oder unerwartete Hindernisse im Sichtfeld der Sensoren.
Das System ist jedoch darauf ausgelegt, diese Faktoren zu minimieren. Um die Genauigkeit und Zuverlässigkeit des Systems sicherzustellen, ist es entscheidend, regelmäßige Überprüfungen durchzuführen. Diese Kontrollen helfen, Ungenauigkeiten frühzeitig zu erkennen und zu beheben. Ergänzt werden diese durch automatisierte Algorithmen, die sich dynamisch an die Umwelteinflüsse anpassen. Ein Beispiel dafür ist die automatische Belichtungsanpassung. Diese Funktion sorgt dafür, dass der Sensor bei unterschiedlichen Lichtverhältnissen, sei es Dunkelheit oder Überbelichtung, die Parameter entsprechend einstellt.
Zur Unterstützung fortlaufender Instandhaltungsmaßnahmen erstellen wir Lichtprofile bei jedem Aufbau eines kamerabasierten Parkplatzsensors. Diese Profile gewährleisten eine präzise Belegungserfassung, selbst bei wechselnden Lichtbedingungen. Mit diesen individuellen Belichtungsprofilen erreichen wir eine Detektionsgenauigkeit von +98 %, auch bei Dämmerung oder Dunkelheit.“
(Bild: Screenshot, Belichtungsprofile aus der Stadt Wuppertal. Man erkennt, wann die Laternen an den jeweiligen Standorten eingeschalten werden)
Wie gehen wir mit Problemen bei der Detektionsgüte um?
Mit über 100 Projekten in mehr als fünf Ländern hat SONAH umfangreiche Erfahrung im Bereich Smart Parking gesammelt. Dabei stehen wir immer vor der Herausforderung, eine möglichst hohe Detektionsgüte von +98 % zu erreichen. Um dies sicherzustellen, ist es wichtig, eine gemeinsame Informationsbasis zu schaffen, um festzustellen, ob es sich tatsächlich um ein Problem der Detektionsgüte handelt oder ob andere Faktoren wie Fehlinterpretationen im Frontend, defekte Parkplatzsensoren, Backend-Ausfälle oder falsch implementierte API-Abfragen eine Rolle spielen.
Gehen wir von folgendem Szenario aus:
“Ein Kunde meldet eine zu geringe Detektionsgüte, die er über einen längeren Zeitraum, entsprechend des von uns übermittelten Prozesses, gemessen hat. Die Stichprobe besteht aus ca. 20x Messungen, inkl. Kurzbeschreibungen der Fehldetektionen und Bildern von der Ist-Situation der Fehldetektion.”
Schritt 1 - Analyse & Zusammenführen der Daten
Kunden können ein von uns zur Verfügung gestelltes Online-Formular zur einfachen Übermittlung der Stichproben nutzen. Die Auswertung erfolgt durch unser Projektmanagement Team in Zusammenarbeit mit unserem Softwareteam. Dabei werden die vom Kunden bereitgestellten Informationen mit den dedizierten Problembereichen und den digitalen Parkdaten abgeglichen. So identifizieren wir, welcher Parkplatzsensor Probleme verursacht und welche Anpassungen erforderlich sind.
Schritt 2 - Maßnahmen ableiten
Basierend auf den vom Kunden übermittelten Bildern und dem spezifischen neuronalen Netz des Parkplatzsensors, passen wir das System an. Ein Softwareentwickler sichtet den Input auf das vom Kunden übermittelte Fehlerprofil und nimmt entsprechende Anpassungen am neuronalen Netz vor. Zusätzlich können wir das neuronale Netz mit „Problemfall spezifischen”, annotierten Trainingsmaterial versorgen, z.B. “...vermehrt Fehldetektionen durch parkende Motorräder auf einem Stellplatz…”
So lernt das neuronale Netz mit dem Objekt umzugehen und die Fehlerquote des Parkplatzsensors wird verringert. Das Trainingsmaterial ist in Forschungsprojekten, in denen wir als Projektpartner auftreten, generiert worden. Ähnlich gelagert ist es auch mit komplexen Wetterverhältnissen oder Schatten.
Das nun verbesserte neuronale Netz wird „over-the-air” auf den Parkplatzsensor aufgespielt. Dadurch sind wir generell in der Lage, eine stellplatzbezogene Optimierung der Detektion über Softwareupdates durchzuführen. Eine solche individuelle Anpassung ist in diesem Ausmaß nur mit kamerabasierter Parkplatzsensorik zu erzielen.
Falls ein Fehler bei der Projektierung oder der Installation gemacht wurde, die baulichen Gegebenheiten sich verändert haben und komplexe Verschattung/ Verdeckungsszenarien auftreten, besteht die Möglichkeit, die Bestandssensorik physisch neu auszurichten oder zusätzliche Technik ins Feld zu bringen. In manchen dieser Fälle kann es sein, dass das Problem nicht über ein Software-Update gefixt werden kann. Dies ist aber die Ausnahme.
(Image: Auswahl von Kunden, die unsere Detektionsgüte bestätigt haben)
Schritt 3 - Verdeckung & zusätzliche Sensorik
Sollte es zu regelmäßigen Verdeckungen durch große Objekte kommen, empfehlen wir die Installation zusätzlicher Parkplatzsensoren, um in möglichst allen Szenarien alle Stellplätze digitalisieren zu können und die Detektionsgüte der Parkplatzsensorik gewährleisten zu können. In Fällen, in denen ein weiterer kamerabasierter Parkplatzsensor nicht möglich ist, bieten wir Bodensensoren an, um die Digitalisierung des Parkraummanagements sicherzustellen.
Diese systematische Herangehensweise ermöglicht es Städten und Kommunen, ihre Parkraummanagement-Strategien effektiv zu optimieren und den Anforderungen moderner Mobilitätslösungen gerecht zu werden.
Die Präzision unserer Parkplatzsensorik ist das Ergebnis kontinuierlicher Anstrengungen und detaillierter Prozesse, die wir bei SONAH mit Leidenschaft und Expertise umsetzen. Vom ersten Schritt der Projektkonzeption bis hin zur Feinabstimmung unserer Software und der regelmäßigen Überprüfung der Datenqualität – unser Ziel ist es, Ihnen zuverlässige und präzise Ergebnisse zu liefern.
Wir hoffen, dass Ihnen dieser Einblick in unsere Vorgehensweise und die Herausforderungen bei der Sicherstellung einer hohen Detektionsgüte wertvolle Perspektiven bietet.
Vielen Dank für Ihr Interesse und bleiben Sie gespannt auf die kommenden Updates und Innovationen von SONAH! Wenn Sie mehr über unsere Prozesse erfahren oder ein Projekt mit uns starten möchten, zögern Sie nicht, uns zu kontaktieren.
