Das Straßennetz eines Landes ist entscheidend für die wirtschaftliche und gesellschaftliche Entwicklung, da es den effizienten Transport von Gütern und Personen über große Entfernungen ermöglicht. Die Bereitstellung eines sicheren und leistungsfähigen Straßennetzes ist daher von größter Bedeutung – und wirksam gepflegte Straßen sind ein zentraler Baustein dafür.
Der vorherige Artikel von NIRA (Pettinari, 2024) behandelte den Einsatz von NIRA-Rauheitsdaten im Rahmen der korrektiven und präventiven Straßeninstandhaltung. In diesem Artikel wird untersucht, wie die Daten von NIRA Dynamics zur Entwicklung von Fahrbahnzustandsindizes genutzt werden können.
1. Fahrbahnzustandsindizes
Fahrbahnzustandsindizes werden üblicherweise aus detaillierten Fahrbahnzustandsdaten abgeleitet und häufig in zwei Formen bereitgestellt:
- Zustandswerte – typischerweise auf einer Skala von 0 bis 100; oft genutzt zur Identifikation von Standorten und zur Priorisierung von Instandhaltungsmaßnahmen.
- Zustandskategorien – meist aus Zustandswerten abgeleitet und auf einer Skala von 1–5 oder in Rot/Amber/Grün angegeben; häufig verwendet für Monitoring auf Netzebene, nationale Berichterstattung, erste Standortidentifikation und Priorisierung.
Abbildung 1 veranschaulicht, wie sich Fahrbahnrohdaten (Rauheit, Reibung usw.) zu Zustandswerten und anschließend zu Zustandskategorien weiterentwickeln.
Es existieren verschiedene Fahrbahnzustandsindizes, beispielsweise:
- Road Condition Index (RCI), häufig im Vereinigten Königreich verwendet
- Pavement Condition Index (PCI), in den USA gebräuchlich
- International Roughness Index (IRI), in großen Teilen des globalen Südens sowie in den USA verbreitet
Die Datenerfassung zur Ableitung dieser Indizes ist üblicherweise streng geregelt, standardisiert und erfolgt entweder mit Spezialfahrzeugen oder durch manuelle ingenieurmäßige Begutachtung. Bei PCI und RCI wird ein sehr striktes Regelwerk angewendet, um einen konsistenten Indexwert zu erzeugen.
In den letzten Jahren hat sich die Überwachung des Straßenzustands jedoch stark weiterentwickelt, insbesondere durch die Nutzung crowdsourcierter Daten vernetzter Fahrzeuge. NIRA Dynamics steht an vorderster Front dieser Entwicklung.
2. Nutzung vernetzter Fahrzeugdaten zur Ableitung von Fahrbahnzustandsindizes
Moderne Fahrzeuge sind mit einer Vielzahl von Sensoren ausgestattet, die u. a. Position (GPS), Raddrehzahlen, Beschleunigung und Steuerungsinputs erfassen. NIRA Dynamics arbeitet eng mit der Automobilindustrie zusammen, um diese Daten zu sammeln, zu verarbeiten, zu analysieren und zu nutzen, um Erkenntnisse für das Straßenmanagement zu generieren.
NIRA hat zwei Fahrbahnzustandsindizes entwickelt – NPCC und NPCI –, die in den folgenden Abschnitten beschrieben werden. Zur Berechnung dieser Indizes kommen drei wesentliche Datenquellen zum Einsatz:
- Rauheit: Die NIRA-Rauheitsdaten sind repräsentativ für den IRI. Sie werden kontinuierlich durch vernetzte Fahrzeuge erhoben und ermöglichen Analysen anhand täglicher und langfristiger Rauheitswerte (siehe Pettinari, 2024).
- Reibung: Die Reibungsdaten stammen vom NIRA Tire Grip Indicator (TGI), einer Software, die direkt vom OEM im Fahrzeug installiert wird und verfügbare Straßenreibung in Echtzeit schätzt.
- Schlaglöcher: Die Irregularity-Daten von NIRA erfassen Position, Stärke und Entwicklungsrate von Schlaglöchern durch Analyse von Radgeschwindigkeits- und Beschleunigungssignalen.
NIRA’s Fahrbahnzustandsindizes werden mittels statistischer Modelle abgeleitet, die sowohl den aktuellen Zustand der Fahrbahn als auch dessen Entwicklung über die Zeit beschreiben. Momentaufnahmen von Rauheit und Reibung charakterisieren die Oberflächenbedingungen, während Trenddaten der Rauheit Rückschlüsse auf die strukturelle Integrität der Straße zulassen. Schlaglochdaten liefern zusätzliche Hinweise auf mögliche strukturelle Probleme.
3. Die NIRA Pavement Condition Category (NPCC)
Das britische Verkehrsministerium (DfT) hat gemeinsam mit TRL einen Entwurf des Standards PAS 2161 entwickelt (British Standards Institute, 2024), der die Datenerfassung und -berichterstattung für das nationale Straßenzustandsmonitoring modernisiert. Der Standard verabschiedet sich von streng regelbasierten Systemen hin zu einem leistungsorientierten Ansatz, bei dem das „richtige Ergebnis“ entscheidend ist – jedoch unter Einhaltung strikter Qualitätsanforderungen. Dadurch wird es Straßenbehörden ermöglicht, die jeweils kosteneffizientesten Datenquellen zu verwenden.
Im Zuge der PAS-Entwicklung führte TRL eine Pilotstudie zur Datenerfassung durch, um technische Herausforderungen zu identifizieren. Der Studienbericht (Wright & Brittain, 2024) ist hier verfügbar: (https://trl.co.uk/publications/road-condition-monitoring-data---network-study).
NIRA Dynamics entwickelte zur Unterstützung dieser Studie den NPCC, basierend auf analytischen Verfahren und umfassenden Fahrbahnzustandsdaten. Die NPCC-Ergebnisse wurden TRL für eine definierte Strecke bereitgestellt und mit vom Ingenieurkonsens erstellten Pavement Condition Categories (PCCs) verglichen. Anschließend bewertete TRL die Übereinstimmung anhand mehrerer Metriken.
Die Studienresultate sind in Abbildung 2 dargestellt. Mehrere Technologien wurden bewertet; die Ergebnisse von NIRA sind violett markiert. Besonders wichtig sind die Spalten „Precision 0“ (identische Kategorien) und „Precision 1“ (Abweichung um maximal eine Kategorie).
Die Ergebnisse waren äußerst vielversprechend und bestätigen sowohl die Robustheit von PAS 2161 als auch die Leistungsfähigkeit vernetzter Fahrzeugdaten für zuverlässige Fahrbahnzustandsindizes.
4. Der NIRA Pavement Condition Index (NPCI)
Aufbauend auf dem Erfolg des NPCC entwickelte NIRA den NPCI, basierend auf denselben fortgeschrittenen Methoden. Die Modellmerkmale wurden weiter verfeinert, um Ergebnisse zu erzeugen, die den PCI-Werten (Pavement Condition Index) aus den USA entsprechen. Anschließend wurden die NPCI-Werte gemäß den üblichen PCI-Kategorien klassifiziert.
Für die Leistungsbewertung wurden öffentlich zugängliche PCI-Daten einer größeren US-Stadt verwendet. Ein Teil der Daten floss in die Modellentwicklung ein; der Rest diente der unabhängigen Validierung.
Die Bewertungsmetriken:
- Accuracy 0: Anteil identischer Kategorien: 62,2 %
- Accuracy 1: Anteil innerhalb einer Kategorie Differenz: 93,5 %
Diese Werte liegen auf vergleichbarem Niveau wie die NPCC-Ergebnisse.
Die zweite Validierung bestand darin, den Korrelationsgrad zwischen NPCI und PCI zu bestimmen (Abbildung 3). Der R²-Wert von 0,75 zeigt, dass vernetzte Fahrzeugdaten etwa 75 % der Varianz der PCI-Scores erklären können.
Die verbleibende Varianz lässt sich wie folgt erklären:
- NPCI nutzt sowohl Momentaufnahmen als auch langfristige Rauheitstrends. Langfristige Trends sind indikativ für strukturelle Schäden, die im PCI typischerweise nicht erfasst werden.
- PCI-Werte beziehen sich auf ganze Abschnitte von Knotenpunkt zu Knotenpunkt. Auf Hauptstraßen können diese sehr lang sein und unterschiedliche Schadensbilder enthalten. Eine feinere Segmentierung würde die Vergleichbarkeit verbessern.
5. Anwendungen
NPCC und NPCI demonstrieren die Leistungsfähigkeit vernetzter Fahrzeugdaten zur Ableitung verlässlicher Fahrbahnzustandsindizes. Die zugrunde liegenden Referenzdaten für NPCC und NPCI waren sehr unterschiedlich:
- Beim NPCC basiert die Bewertung auf Ingenieururteilen, die intuitive und direkte Entscheidungen über den Fahrbahnzustand treffen.
- Beim NPCI basiert die Referenz auf einem streng formalen Regelwerk.
NIRA konnte Indizes erzeugen, die beide Bewertungsparadigmen zuverlässig abbilden. Damit lassen sich Indizes entwickeln, die an jedes bestehende Zustandsbewertungssystem angepasst werden können.
Die Kombination aus NIRA’s detaillierten Fahrbahnzustandsdaten (Pettinari, 2024) und NIRA’s Zustandsindizes bietet Straßenbehörden maximale Effizienz durch kostengünstige, hochauflösende und kontinuierlich erfasste Zustandsinformationen.
6. Literatur
British Standards Institute. (2024). PAS 2161:2024 Road condition monitoring (RCM) data – Specification. London: British Standards Institute.
Pettiniri , M. (2024). Corrective and Preventive Maintenance using NIRA Roughness Data. Linköping: NIRA Dynamics AB.
Wright, A., & Brittain, S. (2024). PPR2042 Road condition monitoring data: Network Study. Wokingham: TRL.
Frühere Artikel lesen:
https://www.niradynamics.com/latest/corrective-preventive-maintenance-using-nira-roughness-data
https://www.niradynamics.com/latest/friction-the-critical-factor-in-optimizing-road-maintenance
https://www.niradynamics.com/latest/unlocking-high-frequency-time-domain-in-roughness-measurements
