🚸 Schulwegsicherheit automatisiert bewerten (Einführung)
Willkommen zur ersten Ausgabe meiner Blog-Serie zur Masterarbeit! Hier nehme ich dich mit durch die verschiedenen Phasen meines Projekts – von der ersten Idee bis zur finalen Umsetzung. Ziel ist es, nicht nur meinen Prozess zu dokumentieren, sondern auch Fachinteressierten, Stadtplanenden und Neugierigen spannende Einblicke zu geben.
🏫 Thema & Motivation
Thema: Automatisierte Bewertung von Schulwegsicherheit mit Computer Vision
Die Sicherheit von Schulwegen ist ein zentrales Thema – nicht nur für Zürich. Wenn Kinder ihren Schulweg alleine bewältigen, müssen sie sich in komplexen Verkehrssituationen orientieren können. Der städtische Raum sollte sie dabei bestmöglich schützen.
Heute existieren in vielen Städten Schulwegkarten – auch Zürich hat solche entwickelt (mehr dazu). Das Problem: Diese basieren meist auf manuellen Einschätzungen. Die Bewertungen sind dadurch zeitintensiv, wenig skalierbar und zum Teil subjektiv.
Genau hier setzt meine Masterarbeit an. Ich entwickle ein automatisiertes Framework, das auf Basis von Street-Level-Bildern (Mapillary), OpenStreetMap-Daten und Computer-Vision-Technologien wie YOLO (You Only Look Once) sicherheitsrelevante Merkmale automatisch erkennt. Dazu gehören u.a.:
- Fussgängerstreifen
- Verkehrsinseln
- Ampeln
- Schulzonen und Temporeduktionen
- Fahrbahnbreite und Sichtverhältnisse
- ...
✨ Motivation
Foto: Illustration TCS Schweiz
Die Motivation für meine Arbeit ist dreigeteilt:
- Gesellschaftlich: Kinder sollen ihren Schulweg sicher und selbständig zurücklegen können. Nur wenn Wege sicher sind, ist aktive Mobilität im Alltag möglich – mit positiven Folgen für Gesundheit, Umwelt und Stadtklima.
- Fachlich: In der Forschung gibt es zwar zahlreiche Studien zu Schulwegsicherheit oder auch zur Nutzung von Street-Level Imagery in der Stadtplanung – doch die Kombination beider Ansätze wurde bislang kaum gemacht.
- Technologisch: Der Einsatz von Computer Vision in der urbanen Analyse ist ein dynamisches Feld. Die Möglichkeit, damit automatisiert Infrastrukturmerkmale zu erkennen, eröffnet ganz neue Perspektiven für datenbasierte Stadtplanung.
🛠️ Mein Workflow: Von der Idee zur Umsetzung
Die Masterarbeit folgt einem klar strukturierten Arbeitsprozess, der mehrere Phasen umfasst:
- Datenbeschaffung
Sammlung und Aufbereitung von Mapillary-Bildern, OSM-Daten und städtischen Geodaten
-
Feature-Erkennung
Anwendung von Objekterkennungsalgorithmen (z. B. YOLO) auf Street-Level-Bilder zur Identifikation sicherheitsrelevanter Merkmale -
Georeferenzierung & Netzwerkmodellierung
Zuordnung der erkannten Merkmale auf ein GIS-Netzwerk/GIS-Karte – dabei Abwägung zwischen Vektor- und Rasterdaten -
Klassifikation
Bewertung der Sicherheit mittels Machine Learning (z. B. Entscheidungsbäume, Random Forest oder neuronale Netze) -
Validierung
Abgleich mit offiziellen Schulwegplänen und punktueller Vor-Ort-Kontrolle ausgewählter Routen -
Übertragbarkeit
Diskussion, wie sich das Framework auf andere Städte und Regionen anwenden lässt -
Visualisierung
Eine visuell schöne Darstellung der Karte und einen möglichen Routenmechanismus
🔭 Ausblick
Die kommenden Beiträge dieser Blog-Serie werden jeweils einen dieser Schritte näher beleuchten. Ich werde über technische Herausforderungen schreiben, über ethische Fragen beim Einsatz von KI im öffentlichen Raum und auch über ganz praktische Dinge: Welche Daten waren schwer zu bekommen? Was hat gut funktioniert – und was weniger?
Bleibt also dran – im nächsten Beitrag geht es um den ersten technischen Ansatz und meine ersten Experimente mit YOLO auf SWISSIMAGE-Luftbildern zur Erkennung sicherheitsrelevanter Merkmale aus der Vogelperspektive.