Correction of meteorological vehicle-based measurements for road weather monitoring in pursue of enabling safe automated driving

Um zukünftig punktgenaue Vorhersagen und somit verlässliche Warnungen vor
wetterbedingten und potenziell gefährlichen lokalen Straßenbedingungen zu
erstellen, werden zeitlich und räumlich hochaufgelöste meteorologische Daten
benötigt. Die vorliegende Arbeit prüft die Verwendbarkeit von fahrzeugbasierten
Messungen basierend auf der derzeit in Serie verbauten Sensorik.
Ziel dieser Arbeit ist es zu untersuchen, ob und inwiefern eine Korrektur der
fahrzeugbasierten Daten eine Steigerung des Potentials zur Verbesserung der
räumlichen und zeitlichen Auflösung von meteorologischen Daten aufweist.
... mehr
Die Rohdaten der Fahrzeugmessungen unterliegen starken Abweichungen zu
den verwendeten Referenzdaten, hervorgerufen sowohl durch stationäre Effekte
wie Messungenauigkeit und Verbauort des Sensors, als auch durch
bewegungsbedingte Effekte, wie beispielsweise den Einfluss der Motorabwärme
bei geringen Geschwindigkeiten.
Um die genannten Einflüsse zu untersuchen, wird zunächst ein weltweit einzigartiger
Datensatz mit parallelen Daten von Serienfahrzeugen und Referenzen
im Rahmen von Messkampagnen erstellt. Anschließend führt die vorliegende Arbeit
eine Qualitätskontrolle und Korrektur für die vier meteorologischen Parameter
Luftdruck, Lufttemperatur, relative Feuchte und Globalstrahlung durch.
Die Rohdaten verfügen für meteorologische Anwendungen über eine zu geringe
Qualität. Die entwickelten und implementierten Korrekturverfahren, sowohl
physikalischer Natur als auch basierend auf Machine Learning, erreichen sowohl
für den Luftdruck als auch für die Lufttemperatur und die relative Feuchte signifikante
Verbesserungen der vorliegenden Daten. Für die Lufttemperatur erreichen alle getesteten
Modelle vergleichbar gute Ergebnisse, wohingegen bei der relativen Feuchte die Machine
Learning basierten Modelle qualitativ hochwertigere Ergebnisse erzielen als das physikalische
Modell. Die Machine Learning Modelle erreichen für diesen Parameter einen Anteil von über
95 % an Daten innerhalb der einfachen Messunsicherheit. Eine allgemein gültige Aussage
bezüglich der Übertragbarkeit und Wirksamkeit auf anderen Fahrzeugen und anderen als
den hier getesteten Szenarien kann auf Basis der zur Verfügung stehenden Datengrundlage nicht getroffen werden.
Die Korrektur der Globalstrahlung erreicht in stationären Situationen bereits
eine signifikante Verbesserung der Qualität der Ergebnisse. Für die Korrektur
von mobilen Daten während der Fahrt ist das Potential der Qualitätssteigerung
noch nicht ausgereizt.
Die vorliegende Arbeit verdeutlicht die Notwendigkeit der Korrektur der fahrzeugbasierten
Rohdaten und zeigt das Potential der hiermit verbundenen Qualitätssteigerung auf. Weitere
Untersuchungen, vor allem bezüglich der Übertragbarkeit auf Flottendaten, sowie eine größere
Datengrundlage sind notwendig, um eine allgemein gültige Aussage über die Qualitätssteigerung
treffen und die Korrekturen weiter in Richtung Serienreife entwickeln zu können.

To provide pinpoint forecasts and thus reliable local warnings of weatherrelated
potentially hazardous road conditions, meteorological data with high
temporal and spatial resolution is required. The presented work examines the
usability of vehicle-based measurements based on the sensor system currently
installed in series production. The objective of this work is to investigate
whether and to what extent a correction of vehicle-based data increases the
potential to improve the spatial and temporal resolution of meteorological data.
The raw data of the vehicle measurements is subject to strong deviations
... mehr
from the reference data used, caused both by stationary effects such as the
measurement uncertainty or mounting position of the sensor, and by
drivingrelated effects such as the influence of engine waste heat at low vehicle speeds.
Within the scope of measurement campaigns, a globally unique data set with
concurrent data from series production vehicles and references is created in
order to investigate the influences mentioned above. Subsequently, a quality
control and correction for the four meteorological parameters air pressure, air
temperature, relative humidity and global radiation is performed.
The quality of the raw data measured on board of a vehicle is too low to be
used for meteorological applications. The developed and implemented correction
methods, both physical in nature and machine learning based, achieve
significant improvements of the available data for air pressure as well as air
temperature and relative humidity. For air temperature, all tested models
achieve comparably good results, whereas for relative humidity, the machine
learning based models achieve higher quality results than the physical model.
The machine learning models achieve over 95 % of data within the single
measurement uncertainty for this parameter. A generally valid statement regarding
the transferability and effectiveness to other vehicles and scenarios other than
those tested here cannot be made on the basis of the available data.
Correction of global radiation already achieves significant improvement in the
quality of results in stationary situations. For the correction of mobile data
while driving, the potential of quality improvement is not yet exhausted.
The presented thesis illustrates the necessity of correcting the vehicle-based raw
data and shows the potential of the associated quality improvement. Further
investigations, especially with regard to the transferability to fleet data, as
well as a larger data basis are necessary in order to allow for a generally valid
statement about the quality improvement and to further develop the corrections
to series maturity.