Steigerung der Anwendungseffizienz in mobilen Netzen

Steigerung der Anwendungseffizienz in mobilen Netzen
durch ontologische Kontextmodelle
Robert Eigner
Georg Lutz
Technische Universität München
Boltzmannstraße 3, 85748 Garching
{eigner|lutzg}@in.tum.de
Abstract
Moderne Fahrzeuge sind heutzutage schon mit einer Vielzahl von Sensoren ausgestattet, die es ihnen
ermöglichen, ein recht umfassendes Bild ihrer Situation und Umwelt zu erzeugen. Mit der Erforschung
von VANETs (vehicular ad-hoc networks) und der Entwicklung von Anwendungen für solche Netze,
wird es auch möglich, Daten an andere Fahrzeuge in der Umgebung zu verteilen und selbst Informationen einzusammeln, um das eigene Bild der gegenwärtigen Situation zu verbessern. Allerdings fehlt
diesen Anwendungen für eine echte Kollaboration noch ein „gemeinsames Verständnis“ von Kontext.
Wir wollen mit unserem Beitrag aufzeigen, wie man mit Hilfe von ontologischen Modellen eine gemeinsame Grundlage für Interoperabilität auf kontextueller Ebene schaffen, dabei die speziellen Vorteile von
Ontologien nutzen und trotz semantisch maximaler Audruckskraft des Modells noch Anwendungen erzeugen kann, die schnell genug ausgeführt werden können, um auch kritische Echtzeit-Anforderungen
für (aktive) Fahrsicherheit zu erfüllen. Zwei verschiedene Szenarien mit unterschiedlichen KontextOntologien und derselben Anwendung zur Kollisionsvermeidung sollen dabei die Vorteile von OWL
hinsichtlich der Erweiterbarkeit von Modellen zeigen und gleichzeitig auch nachweisen, dass größere
und komplexere Modelle nicht zwangsläufig zu längeren Berechnungen führen müssen.
1 Einführung
Geschwindigkeit, Beschleunigung oder Verzögerung, Lenkradwinkel, Außentemperatur, Niederschlag, Umgebungshelligkeit und der Abstand zum Vordermann stellen nur einen kleinen Ausschnitt der Informationen dar, die heutzutage in modernen Fahrzeugen durch eine Vielzahl von
Sensoren bereitgestellt werden. Die Auswertung dieser Informationen wird von Steuergeräten
vorgenommen, die den Fahrer bei der Erfüllung der Fahraufgabe unterstützen können. Systeme
wie z. B. ABS und ESP helfen, ein Fahrzeug im fahrdynamischen Grenzbereich stabil zu halten,
andere Systeme wie Radarsysteme können Kollisionen mit dem Vordermann verhindern helfen,
und Bremsassistenten unterstützen die Durchführung von Notbremsungen, um nur eine kleine
Anzahl der elektronischen Helfer im Fahrzeug zu nennen. Diese Anwendungen treffen ihre Entscheidungen dabei immer auf der Grundlage von lokal vorhandenem Wissen.
Neuerungen und Verbesserungen dieser Anwendungen dürften sich durch VANETs ergeben, die
derzeit sowohl bei Automobilherstellern und -zulieferern als auch in der wissenschaftlichen Welt
rege diskutiert (vgl. auch [3], oder http://www.its.dot.gov/vii/, http://www.car-to-car.
org/, http://www.network-on-wheels.de/) werden. Fahrzeuge bilden dabei mit Hilfe von
WLAN-Ausrüstung ein spontanes Netzwerk, das es ihnen ermöglicht, (Sensor-) Daten auszutauschen. Somit gelingt eine Erweiterung des Fahrerhorizonts auf Bereiche, die mit optischen
oder anderen sensorischen Mitteln bisher „dunkel“ bleiben mussten, z. B. hinter Kurven oder
um Gebäudeecken herum oder auf Bereiche, die das Fahrzeug erst erreichen wird. Auch ist es
nun möglich, Situationen zu erkennen, die ein einzelnes Fahrzeug alleine kaum oder gar nicht
erfassen kann.
Allerdings ist gerade für kollaborative Situationserkennung ein gemeinsames Verständnis der
zu verarbeitenden Daten bzw. des Kontexts nötig. Zur Lösung dieses Problems bietet sich eine
Technik des Semantic Web an, die Informationen mit Hilfe einer Ontologie in maschinenlesbarer
und -verarbeitbarer Form zu organisieren. Ein weiterer Vorteil dieser Form der Modellierung ist,
dass der so ermittelte Kontext auch verschiedenen Anwendungen zur Verfügung gestellt werden
kann, ohne die den Anwendungen zugrunde liegenden Modelle kennen zu müssen. Einen prägnanten Überblick über Techniken zur Kontextmodellierung im Allgemeinen und die Vorteile
von ontologischen Kontextmodellen gibt [5]. Leider sind Ontologien mit zunehmender Komplexität schwierig und langsam zu verarbeiten. Wir wollen in diesem Paper einen Weg aufzeigen,
der auf der einen Seite die Vorteile von Ontologien nutzt, andererseits noch schnelle Berechnungen auf diesem Modell zulässt (und teilweise beschleunigt), so dass den Anforderungen aus
dem Gebiet der Fahrerassistenz Rechnung getragen wird und anwendungsübergreifender Kontext nicht nur für Applikationen mit unkritischen Geschwindigkeitsanforderungen (wie die in
[8], [4] beschriebenen) zur Verfügung steht. Der folgende Abschnitt zeigt das Konzept und die
beispielhafte Realisierung einer Anwendung zur Kollisionsvermeidung auf. Kapitel 3 soll die
Leistungsfähigkeit unseres Ansatzes evaluieren und Kapitel 4 zieht ein kurzes Fazit.
2 Konzept und Realisierung
2.1 Aufbau
Abbildung 1: Anwendungskomponenten
Abbildung 1 zeigt einen Überblick über die an der
Anwendung und der Simulation beteiligten Komponenten:
Der Simulator (der natürlich nicht Teil der Anwendung ist) stellt die Eingabedaten zur Verfügung, also z. B. die Position und Geschwindigkeit
aller Verkehrsteilnehmer und Daten zum Straßennetz, wenn die Applikation diese benötigt. Außerdem reagiert der Simulator auf den Output, d. h.
Fahrzeuge werden evtl. abgebremst.
Mit Assistent wird das Hauptprogramm des Fahrerassistenten bezeichnet. Es ist für die Koordination der Anwendungskomponenten zuständig.
Über die Ein- und Ausgabe liest der Assistent die Daten der anderen Fahrzeuge und die eigenen Sensordaten ein, leitet die Kontrollsignale weiter und verschickt die Outputmessages mit
den eigenen Fahrzeugdaten. Somit stellt sie auch die Verbindung zum Netzwerk her. Details
zur Vernetzung sind selbst nicht Teil dieses Artikels, es wird angenommen, dass die Fahrzeuge
eine gegenseitige Verbindung in einer bestimmten Funkreichweite herstellen können. Wie in [6]
gezeigt wird, können unter Ausnutzung von intelligenten Verfahren Signale mit einer Wahrscheinlichkeit von ca. 75% noch in 300 m Distanz empfangen werden.
Die Ontologie ist mit einem Reasoner verknüpft. Sie enthält das Kontextmodell in dem Fahrzeuge und gegebenenfalls auch Umweltsensoren und Straßennetz beschrieben sind. Die Ontologie
wird regelmäßig mit neuen Daten instanziiert und es können Anfragen an sie gestellt werden.
Der Reasoner leitet neue Fakten aus Modell und Daten ab. Die Ontologie selbst wird in OWL
DL beschrieben; Anfragen an die Kontextbasis, die aus Instanzen des Modells besteht, können
in SPARQL [7] gestellt werden. Als Reasoner kommt der Generic Rule Reasoner und der OWL
DL Reasoner des JENA Frameworks zum Einsatz.
Die eigentliche Kollisionsberechnung stellt Anfragen an die Ontologie, wertet die Daten aus,
berechnet die Zeit bis zu einer möglichen Kollision und erstellt Kontrollkommandos, um die
Reaktion auf die vorgefundene Situation zu steuern.
Die Kontrolleinheit im Fahrzeug reagiert auf die von der Anwendung erzeugten Signale, in dem
sie z. B. das Fahrzeug abbremst oder den Fahrer warnt.
2.2 Kontextmodell
Um zu zeigen, dass mit Ontologien modellierter Kontext leicht erweiterbar ist, und eine Eweiterung auf größere Modelle nicht zwangsläufig zu einer höheren Komplexität im Umgang mit dem
Modell führen muss, wurden zwei Kontextmodelle in OWL erstellt, von denen die zweite Lösung eine Erweiterung des ersten Modells darstellt. Die Anwendung selbst bleibt unverändert,
nur die ihr zugrunde liegenden Modelle ändern sich.
2.2.1 Einfaches Szenario
Im ersten Szenario existiert ausschließlich eine Fahrzeugontologie, die die nötigen Daten zur
Kollisionsberechnung modelliert:
•
•
•
•
•
•
•
•
Eine eindeutige Fahrzeug ID. Sie wird zur Identifikation der Fahrzeuge benötigt
Die Länge und Breite des Fahrzeugs in m
Ein Zeitstempel, der den Zeitpunkt der Messung der Daten angibt
Die maximale Beschleunigung, Geschwindigkeit und Bremsbeschleunigung in m/s beziehungsweise m/s2
Die aktuellen Positionsdaten als x- und y-Werte eines kartesischen Koordinatensystems1 ,
ebenfalls in der Einheit m
Die Richtung wird als der Winkel zwischen y-Achse des kartesischen Koordinatensystems
und der Fahrtrichtung des Fahrzeug angegeben.
Die aktuelle Geschwindigkeit in m/s
Die aktuelle Beschleunigung in m/s2
Des Weiteren enthält die Ontologie Klassen für verschiedene Fahrzeugtypen (PKW, LKW,
Bus und Motorrad. Natürlich wären noch weitere Fahrzeugtypen denkbar.). Sie dienen dem
fahrzeugübergreifenden Zuweisen von Standardwerten für die Breite, Länge und weiterer physkialischer Parameter für diese Fahrzeugklassen, die je nach Bedarf von den Herstellern ergänzt
werden können.
2.2.2 Erweitertes Szenario
Das zweite Szenario enthält zusätzlich Ontologien, die u. a. bestimmte Umweltaspekte (Sichtweite, Helligkeit, Niederschlag und Temperatur) modellieren: einmal auf einer sensornahen Ebene
und wiederum als relativ abstrakte Daten, die aus den Sensordaten abgeleitet werden, wie z. B.
„Glatteisgefahr“, „Sichtverhältnisse“ (diese Information wird aus Helligkeit und Nebeldichte gewonnen) usw. Eine weitere Neuerung ist die Modellierung des Straßennetzes in OWL: es wird
als Graph formalisiert. Die Kreuzungen sind die Knoten des Graphen, die Straßen die Kanten. Durch die Zerlegung des Straßengraphen in seine Zusammenhangskomponenten und einen
Test, in welcher sich die einzelnen Fahrzeuge befinden, wird es möglich, zu berechnen, für welche Fahrzeuge überhaupt die Gefahr einer Kollision besteht – die Anzahl der durchzuführenden
Kollisionsberechnungen kann hier durch eine Erweiterung des Modells erheblich eingeschränkt
werden. Während im ersten Szenario die Möglichkeit einer Kollision schon bei zwei sich schneidenden Trajektorien gegeben war, muss im zweiten Szenario die Kollisionberechnung nur für
die Fahrzeuge durchgeführt werden, die (a) schneidende Trajektorien aufweisen und (b) sich in
derselben Zusammenhangskomponente befinden. Außerdem wird das Straßennetz in Abschnitte zerlegt, die wiederum aus Kreuzungen (Einmündungen, echte Kreuzungen und „unechte“
1
ein kartesisches Koordinatensystem macht die Kollisionsberechnung einfacher. Diese Koordinaten können aus
GPS-Daten errechnet werden.
Kreuzungen zur Zerlegung von Straßen in mehrere Abschnitte) oder Straßen bestehen. Spuren
und Kurven werden als Teile von Straßen modelliert; Spuren können mit Verkehrsschildern
ausgestattet werden.
2.3 Kollisionsvermeidung
Um zu ermitteln, ob es zwischen zwei Fahrzeugen zu einer Kollision kommen wird, wird die
mögliche Überlappung zweier Rechtecke (die die Fahrzeuge repräsentieren) ermittelt. Die dazu
notwendigen Daten (Länge und Breite, Anfangsgeschwindigkeit, Beschleunigung bzw. Verzögerung) werden aus der Ontologie bezogen. Wenn dann ein Zeitpunkt t ≥ 0 exisitert, der das
dabei entstehende nichtlineare Ungleichungssystem löst, kommt es zu einer Kollision. Das kleinste t, das das Ungleichungssystem erfüllt, stellt gleichzeitig die Zeit bis zur Kollision dar. Die
Nichtlinearität dieses Ungleichungssystems macht ein Verfahren zur Elimination von Variablen
notwendig, die Fourier-Motzkin-Elimination wird dann eingesetzt, um das Ungleichungssystem
zu lösen. Diese Berechnungen sind komplex, deshalb steigert die Modellierung des Straßennetzes
im zweiten Szenario, die überflüssige Berechnungen vermeiden hilft, die Leistung erheblich.
3 Evaluation
Der Ansatz wurde mit Hilfe des Verkehrssimulators VIS_SIM (siehe [2]) durchgeführt, es wurde
angenommen, dass alle Fahrzeuge eines Szenarios untereinander Konnektivität besitzen. Abbildung 2 zeigt das zufällige, aber dennoch nicht unrealistische, bei der Simulation eingesetzte
Straßennetz. In der Abbildung ist links unten auch ein rot markiertes Fahrzeug zu sehen, das
gerade aufgrund einer bevorstehenden Kollision abgebremst wird.
Abbildung 3 zeigt die Laufzeit der Simulation (yAchse) in Abhängigkeit der Anzahl der in der Simulation befindlichen Fahrzeuge (x-Achse), die im Verlauf der Simulation in das Szenario eintreten. Die
Laufzeit steigt quasi linear. Interessant ist auch zu
beobachten, dass der Simulationsaufwand im zweiten Szenario nicht steigt, obwohl das Modell komplexer geworden ist. Die Ursache ist darin zu sehen, dass aufgrund des detaillierteren Modells mit
der Information über die gegenseitige Erreichbarkeit
Abbildung 2: Straßennetz in der Simulation von Fahrzeugen einige Kollisionsberechnungen eingespart werden können. Abbildung 4 zeigt die Anzahl der durchgeführten Kollisionsberechnungen noch einmal deutlicher.
c
t[ms]
ut
250
250
ohne Straßennetz
ut
ohne Straßennetz
200
ut
200
rs
rs
ut
ut
ut
ut
ut
150
ut
100
rs
ut
150
rs
rs
ut
mit Straßennetz
mit Straßennetz
ut
100
rs
rs
ut
ut
ut
50
rs
ut
rs ut
50
0
15
rs
ut
30
45
60
75
90
105 120 135 150
Abbildung 3: Laufzeit der Simulation
n
rs
rs
rs
ut
0
0
rs
ut
rs
rs
rs
rs
ut
rs
0
ut
rs
rs
30
45
rs
15
60
75
90
105 120 135 150
n
Abbildung 4: Anzahl der Kollisionsberechnungen
Die Erweiterung um die Straßenontologie führt auch zu einer Verringerung der Fehlerquote,
d. h. es werden weniger Warnungen in Situationen, in denen keine notwendig gewesen wäre,
ausgelöst (false positives). Abbildung 3 zeigt auch, dass die Kollisionsberechnung schnell genug
funktioniert, um Echtzeit-Ansprüchen genüge zu tun: Bei ca. 140 potentiellen Kollisionspartnern ([1] nimmt zwischen 118 und 230 Fahrzeugen in einer Funkreichweite von 150 m in dichten
Autobahn-Szenarien als realistisch an) im Straßennetz braucht die Simulation im zweiten Szenario ca. 200 ms um alle 140 Kollisionsberechnungen durchzuführen. Bei einer Geschwindigkeit
von 200 km/h legt ein Fahrzeug in 200 ms 11,11 m Strecke zurück. Wenn man noch eine
„Schrecksekunde“ hinzurechnet und den Weg, den das Fahrzeug während des Bremsvorganges
(angenommene Bremsverzögerung −8 m/s2 ) zurücklegt, so legt ein Fahrzeug vom Auslösen der
Warnung bis zum Stillstand ca. 260 m zurück. Bei der in [6] angenommenen Empfangswahrscheinlichkeit von ca. 75% in 300 m Entfernung kann also noch rechtzeitig gewarnt werden.
4 Fazit
Der Artikel zeigt, wie man mit Hilfe von Ontologien im OWL-Format Kontext in automobilen ad-hoc Netzen modellieren kann. Dabei wird die Möglichkeit zum Import von externen
Ontologien genutzt, um eine Verbesserung der Anwendungspräzision zu erreichen. Obwohl dadurch das Kontextmodell umfangreicher wird, kann die neu hinzugefügte Information genutzt
werden, um die Komplexität der Berechnungen durch Vermeidung von unnötigen Berechnungen zu verringern. Des Weiteren zeigt der Ansatz, dass Ontologien trotz semantisch mächtiger
Ausdruckskraft (die die Komplexität i. A. erhöht) auch für Anwendungen eingesetzt werden
können, die relativ kritische Anforderungen hinsichtlich der Berechnungsgeschwindigkeit stellen. Der ontologische Ansatz eignet sich aufgrund seiner domänenübergreifenden Modellierung
auch gut für die anwendungsübergreifende Weiternutzung von Kontextinformationen durch andere Applikationen.
Literatur
[1] ElBatt, Tamer, Siddhartha K. Goel, Gavin Holland, Hariharan Krishnan und Jayendra Parikh: Cooperative collision warning using dedicated short range wireless communications. In: VANET ’06:
Proceedings of the 3rd international workshop on Vehicular ad hoc networks, Seiten 1–9, New York, NY,
USA, 2006. ACM Press.
[2] Fotherby, Tom: Visual Traffic Simulation.
University of London, http://mysite.wanadoomembers.co.uk/tomfotherby/Contents/Uni/Project/index.html, 2002.
[3] Kosch, Timo und Markus Straßberger: Harnessing Mobile Networks for Driver Assistance. IEEE
Pervasive Computing, volume 5(4), October 2006.
[4] Linsmeier, Wolfgang und Robert Eigner: Design Criteria for Wireless Payment Applications in Vehicular Ad-Hoc Networks. In: Proceedings of the IADIS International Conference e-Commerce, 2006.
[5] Strang, Thomas und Claudia Linnhoff-Popien: A Context Modeling Survey. In: Proceedings of the
1st International Workshop on Advanced Context Modelling, Reasoning And Management, 2004.
[6] Torrent-Moreno, Marc, Paolo Santi und Hannes Hartenstein: Distributed Fair Transmit Power
Adjustment for Vehicular Ad Hoc Networks. In: SECON ’06: Proceedings of the 3rd Annual IEEE Communications Society on Sensor and Ad Hoc Communications and Networks. IEEE, 2006.
[7] W3C, http://www.w3.org/TR/2007/CR-rdf-sparql-query-20070614/: SPARQL Query Language for RDF,
2007.
[8] Wörndl, Wolfgang und Robert Eigner: Context-Aware, Collaborative Applications for InterNetworked Cars. In: DMC’07: Proceedings of the 5th IEEE International Workshop on Distributed and
Mobile Collaboration, 2007.