Datensicherheit-erhaltende kollaborative Regelung und Optimierung von VANETs

• Antragsteller: Professor Dr.-Ing. Ansgar Trächtler, seit 6/2020
• Fachliche Zuordnung: Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung von 2018 bis 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 392194080

Die rapide Entwicklung der Informationstechnologie und der Automobilelektronik, prägt ein neues Netzwerk-Modell: Fahrzeug-Ad-hoc-Netze (VANETs). VANETs beschreiben spontane und kurzlebige "Mensch-Fahrzeug-Straße-Cloud"-Netzwerke für den Datenaustausch zwischen Fahrzeugen, Basisstationen entlang des Straßennetzes und der Cloud. Die Technologie erlaubt die drahtlose Kopplung der Fahrzeugsensorik, -rechenleistung und -datenspeicher der Fahrzeuge mit Anwendungen in der Cloud. Unterschieden wird dabei zwischen Fahrzeug-zu-Fahrzeug (V2V), Fahrzeug-zu-Infrastruktur (V2I) und Fahrzeug-zu-Umwelt (V2X) Interaktionen. Dank den Fortschritten im Cloud Computing und in der Auswertung großer Datenmengen, ist die Erhebung, der Austausch und die effiziente Nutzung der Fahrzeug- und Verkehrsdaten in Echtzeit mittlerweile absehbar. Dies ermöglicht den Fahrzeugen im Netzwerk intelligente Entscheidungen in Abhängigkeit von den individuellen Anforderungen. Die Nutzung von VANETs ist essenziell, um effizientere, umweltfreundlichere und sicherere Transportsysteme zu ermöglichen. Tatsächlich bieten VANETs die Möglichkeit, in Echtzeit Informationen über den Verkehrsfluss zu erheben und diese zur kollaborativen Steuerung und Optimierung des Verkehrssystems zu nutzen. Durch die Verwendung von VANETs können beispielsweise lokale Informationen über den Fahrzustand einzelner Fahrzeuge in der Cloud gesammelt werden. Die Cloud kann dann auf die unterschiedlichen Fahrzeugtrajektorien reagieren und individuelle Serviceleistungen anbieten, um den Verkehrsfluss als Ganzes zu verbessern. Des Weiteren bietet die V2V Kommunikation die Möglichkeit, Fahrzeuge im Verbund zu steuern, um so die Straßenauslastung, die Verkehrssicherheit und die Treibhausgasemissionen zu optimieren. Die Interaktion zwischen V2V und V2I erfordert den Austausch sensibler Informationen (z.B. die Fahrzeugposition in Echtzeit). Um private Anwenderdaten wie etwa Identität, Position und Fahrverhalten zu schützen, ist es offenbar erforderlich, sichere kollaborative Regelungsmethoden und Optimierungen zu verwenden. In diesem Zusammenhang ist es zielführend, den Datenschutz durch Desensibilierungsmechanismen zu untersuchen. Diese Methoden erlauben einen Kompromiss zwischen Privatsphäre und Systemperformance, indem eine gewisse Datenverfälschung bewusst eingebracht wird. Die Anwendung solcher Methoden für kollaborative Regelungen und Optimierungen in Echtzeit ist eine Herausforderung. Vor diesem Hintergrund verfolgt der Antrag schwerpunktmäßig folgende Ziele:1) Entwurf von hochdimensionalen Datenfusions- und Verkehrsvorhersage Methoden unter Berücksichtigung von unvollständigen Datensätzen und Privatsphäre.2) Cloud-basierte Streckenplanungsalgorithmen, die eine große Anzahl an Streckenplanungsanfragen bedienen können.3) Erforschung von effizienten Methoden zur Formierung heterogener Fahrzeugverbände basierend auf adaptiven und schnellverfügbaren kollaborativen Regelungsansätzen.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: China
• Partnerorganisation: National Natural Science Foundation of China
• Mitverantwortlich: Professor Peng Cheng, Ph.D.
• Ehemaliger Antragsteller: Professor Dr. Daniel Quevedo, bis 6/2020