Einige Inhalte dieser Anwendung sind momentan nicht verfügbar.
Wenn diese Situation weiterhin besteht, kontaktieren Sie uns bitte unterFeedback&Kontakt
1. (WO2018153563) KÜNSTLICHES NEURONALES NETZ UND UNBEMANNTES LUFTFAHRZEUG ZUM ERKENNEN EINES VERKEHRSUNFALLS
Anmerkung: Text basiert auf automatischer optischer Zeichenerkennung (OCR). Verwenden Sie bitte aus rechtlichen Gründen die PDF-Version.

Beschreibung

Titel

Künstliches neuronales Netz und unbemanntes Luftfahrzeug zum Erkennen eines Verkehrsunfalls

Die vorliegende Erfindung betrifft ein neuronales Netz und ein unbemanntes Luftfahrzeug, die eingerichtet sind einen Verkehrsunfall zu erkennen und zu klassifizieren. Außerdem betrifft die Erfindung ein Verfahren zum Erkennen des Verkehrsunfalls und ein Computerprogramm, das jeden Schritt des Verfahrens ausführt, wenn es auf einem Rechengerät abläuft, sowie ein maschinenlesbares Speichermedium, welches das Computerprogramm speichert. Schließlich betrifft die Erfindung ein elektronisches Rechengerät, welches eingerichtet ist, um das erfindungsgemäße Verfahren auszuführen.

Stand der Technik

Zur Aufnahme, Absicherung und Rekonstruktion von Verkehrsunfällen ist herkömmlicherweise geschultes Personal, wie z.B. die Polizeibeamten, erforderlich. Hierdurch wird das geschulte Personal, selbst bei der Aufnahme von Bagatellfällen, stark belastet, obwohl es, gerade im Fall der Polizei, durch andere Tätigkeiten bereits ausgelastet ist. Es sind Systeme und Verfahren zur Erkennung eines Verkehrsunfalls für Kraftfahrzeuge bekannt, allerdings sind diese Systeme meist an das jeweilige Kraftfahrzeug gebunden. Infolgedessen werden nur Verkehrsunfälle, bei denen ein solches Kraftfahrzeug beteiligt ist, durch diese Systeme erkannt.

Darüber hinaus ist das geschulte Personal während der Absicherung des Verkehrsunfalls selbst gefährdet. Die Absicherung muss oftmals während des laufenden Verkehrs und an gefährlichen Stellen erfolgen.

Es gibt Datenbanken, welche Verkehrsunfalldaten enthalten, wie GIDAS

(German In-Depth Accident Study) der Bundesanstalt für Straßenwesen (BASt) und der Forschungsvereinigung Automobiltechnik e.V. (FAT) in Deutschland. In GIDAS werden Verkehrsunfälle und dazugehörige Metadaten, wie z.B.

Unfallstelle, Unfallzeitpunkt, betroffene Verkehrsteilnehmer,

Fahrzeugbeschädigung und -ausstattung sowie abgeleitete Daten, wie

Bremsverzögerung, Einlauf- und Kollisionsgeschwindigkeit, dokumentiert. Zudem werden der Unfallhergang und die Unfallursachen ermittelt und gespeichert.

In der Europäischen Union wurden Anstrengungen unternommen, ein sogenanntes eCall System für alle neuen Kraftfahrzeuge innerhalb der

Europäischen Union zu implementieren. Das eCall System stellt einen Notruf zu dem zuständigen Rettungsdienst her. Einerseits kann das eCall System von einem Fahrzeuginsassen, meist dem Fahrer, bedient werden, andererseits wird das eCall System bei einem Verkehrsunfall automatisch aktiviert, wenn eine Sensorik innerhalb oder an dem Kraftfahrzeug den Verkehrsunfall erkennt. Bei solch einem Notruf werden Informationen, wie Unfallort und -Zeitpunkt sowie Anzahl der Fahrzeuginsassen an den Rettungsdienst übermittelt. Allerdings werden bei dieser Gelegenheit keine weiteren Unfallopfer oder

Verkehrsteilnehmer berücksichtigt.

Offenbarung der Erfindung

Es wird ein künstliches neuronales Netz zum Erkennen und Klassifizieren eines Verkehrsunfalls vorgeschlagen. Künstliche neuronale Netze (auch künstliches neuronales Netzwerk oder artifical neural network genannt) werden in der Informationsverarbeitung verwendet, um komplexe Anwendungsprobleme mittels künstlicher Neuronen zu lösen. Die künstlichen Neuronen sind untereinander durch das künstliche neuronale Netz ähnlich einem biologischen neuronalen Netzes verbunden und können folglich beliebig komplexe Funktionen darstellen, Aufgaben erlernen und dadurch eigenständig Probleme lösen. Grundlage der Funktionsweise eines künstlichen neuronalen Netzes ist neben einer geeigneten Topologie das Einlernen des künstlichen neuronalen Netzes, bei dem die künstlichen Neuronen und die Verbindungen zwischen diesen verändert und angepasst werden.

Das künstliche neuronale Netz wird über eine Datenbank eingelernt, welche zumindest Verkehrsunfalldaten enthält. Eine solche Datenbank ist beispielsweise GIDAS, in der Verkehrsunfälle mit Personenschäden dokumentiert sind. Die Verkehrsunfalldaten weisen unter anderem folgende Informationen auf:

• Unfallstelle;

• Unfallzeitpunkt;

• betroffene Verkehrsteilnehmer;

· personenbezogene Daten;

• Verletzungen der Person/en;

• Kenndaten, Ausstattung und Beschädigung/Deformation des/der

Kraftfahrzeugs/e;

• Einlauf- und Kollisionsgeschwindigkeit sowie Kollisionswinkel;

· Bremsverzögerung;

• Unfallhergang und Unfallursache.

Auch in anderen Ländern stehen solche Datenbanken zur Verfügung. Die Verkehrsunfalldaten sind oftmals vom jeweiligen Land bzw. Region abhängig und können insbesondere aufgrund von landestypischen/r Verkehrssituationen,

Verkehrsgesetzen, Art und Quantität der Verkehrsteilnehmer sowie Infrastruktur variieren. Vorzugsweise wird das künstliche neuronale Netz auf eine Datenbank eingelernt, welche den Einsatzort bzw. das Einsatzgebiet des künstlichen neuronalen Netzes am besten wiedergibt.

Ein unbemanntes Luftfahrzeug - im allgemeinen Sprachgebrauch auch als Drohne und im Englischen als unmanned aerial vehicle/aircraft (UAV/UA) bezeichnet - steht mit dem künstlichen neuronalen Netz in Verbindung und übersendet Umgebungsdaten, die das unbemannte Luftfahrzeug mittels seiner Sensorik erfasst, an das künstliche neuronale Netz.

Das künstliche neuronale Netz kann nun mittels zumindest den

Verkehrsunfalldaten der Datenbank und den Umgebungsdaten des

unbemannten Luftfahrzeugs einen Verkehrsunfall erkennen und klassifizieren. Insbesondere werden Bilddaten aus der Datenbank zum Einlernen der

Verkehrsunfälle für das künstlichen neuronalen Netzes verwendet. Die von der Sensorik des unbemannten Luftfahrzeugs erfassten Umgebungsdaten werden dann mit den eingelernten Verkehrsunfällen verglichen. Optional können weitere Daten, wie beispielsweise Wetterdaten, Verkehrsinformationen,

Uhrzeit/Tageszeit, etc., verwendet werden - dies gilt auch für nachfolgende Aspekte. Merkmale des Verkehrsunfalls können vorzugsweise anhand von Bilddaten aus den Verkehrsunfalldaten der Datenbank, aber auch mittels der Metadaten ermittelt werden und auf die Umgebungsdaten des unbemannten Luftfahrzeugs angewandt werden, um den Verkehrsunfall zu erkennen. Im Zuge dessen können alle am Verkehrsunfall beteiligten Verkehrsteilnehmer erkannt werden, unabhängig davon, ob diese ein eigenes System zum Erkennen eines Verkehrsunfalls aufweisen. Vorteilhafterweise kann auch erkannt werden, ob es zu Personenschäden gekommen ist, und gegebenenfalls die Schwere der erlittenen Verletzungen eingeschätzt werden.

Darüber hinaus kann das künstliche neuronale Netz die erkannten

Verkehrsunfälle klassifizieren. Hierfür können die dokumentierten

Verkehrsunfälle in der Datenbank selbst klassifiziert sein oder die in den

Verkehrsunfalldaten der Datenbank enthaltenen Informationen über den

Unfallhergang verwendet werden. Das künstliche neuronale Netz kann dann bei Verkehrsunfällen klassifizieren, ob beispielsweise ein Auffahrunfall, eine

Kollisionen mit einer Person oder eine Kollision mit einem Hindernis aufgetreten ist, und die Schwere des Verkehrsunfalls sowie weiterführende Maßnahmen ableiten. Als Resultat kann wenigstens bei Bagatellunfällen auf den Einsatz von geschultem Personal verzichtet werden.

Vorteilhafterweise weist das künstliche neuronale Netz zumindest eine, bevorzugt mehrere Zwischenebenen - im Englischen hidden layer - zwischen einer Eingabeschicht, bei der künstliche Neuronen ein Eingabesignal erhalten und es in einer modifizierten Version weitergeben, und einer Ausgabeschicht, bei der weitere künstliche Neuronen ein Ausgabesignal ausgeben, auf. Durch diese Zwischenebenen kann das künstliche neuronale Netz Deep Learning ausführen. Bei dieser Art des Einlernens werden Algorithmen verwendet, um tiefgreifende Abstraktionsebenen von Merkmalen in den Daten zu erfassen und die Merkmale in eine Hierarchie einzuordnen. Dabei werden hochrangige Merkmale in

untergeordneten Zwischenebenen angeordnet, in denen komplexere Funktionen ausgeführt werden, und an übergeordnete Zwischenebenen weitergegeben. Beim Einlernen können dann die Abstraktionsebenen getrennt werden und die geeigneten Merkmale ausgewählt werden.

Gemäß einem Aspekt ist das künstliche neuronale Netz eingerichtet, mittels zumindest den Verkehrsunfalldaten der Datenbank und den Umgebungsdaten des unbemannten Luftfahrzeugs einen Verkehrsunfall zumindest in einer Simulation zu rekonstruieren. Verzugsweise kann sich das unbemannte

Luftfahrzeug, wenn ein Verkehrsunfall erkannt wurde, dem Unfallort nähern und mittels seiner Sensorik die Unfallsituation präzise erfassen. Die erfassten Umgebungsdaten werden mit den eingelernten Verkehrsunfalldaten verglichen und in einer Simulation verwendet. Bevorzugt werden hierfür die Metadaten und besonders bevorzugt jene, welche die Kollision betreffen, wie z.B. die Einlaufund Kollisionsgeschwindigkeit, der Kollisionswinkel und die Deformation der Fahrzeuge, zur Auswertung verwendet. Durch die Rekonstruktion kann der Unfallhergang ermittelt werden, dieser einer zuständigen

Versicherungsgesellschaft gemeldet werden und infolgedessen eine etwaige Verursacherfrage geklärt werden, ohne einen Sachverständigen konsultieren zu müssen.

Gemäß einem weiteren Aspekt ist das künstliche neuronale Netz eingerichtet, mittels zumindest den Verkehrsunfalldaten der Datenbank und den

Umgebungsdaten des unbemannten Luftfahrzeugs, unter Zuhilfenahme zumindest des unbemannten Luftfahrzeugs, den Verkehrsunfall abzusichern. Je nach Art des Verkehrsunfalls - durch die Verkehrsunfalldaten ermittelt -, der jeweiligen Umgebung - aus den Umgebungsdaten ermittelt - und der

Uhrzeit/Tageszeit kann das künstliche neuronale Netz auf die Unfallsituation angepasste Maßnahmen zur Absicherung ausführen. Das unbemannte

Luftfahrzeug kann zu diesem Zweck Einrichtungen zur Absicherung des Verkehrsunfalls, wie nachfolgend beschrieben, aufweisen. Im Allgemeinen ist das unbemannte Luftfahrzeug früher vor Ort als Rettungsdienste, sodass der Unfallort unverzüglich abgesichert werden kann. Personen zur Absicherung der Unfallstelle sind nicht von Nöten, wodurch sich das Gefahrenpotential für die Personen, insbesondere für die Rettungsdienste, verringert.

Gemäß noch einem weiteren Aspekt ist das künstliche neuronale Netz eingerichtet, mittels zumindest den Verkehrsunfalldaten der Datenbank und den Umgebungsdaten des unbemannten Luftfahrzeugs, Verkehrsunfälle

vorherzusagen. Dies kann vor allem in unübersichtlichen und/oder gefährlichen

Stellen mit hoher Unfallgefahr zum Einsatz kommen. Durch Abgleich

beispielsweise des Unfallhergangs aus den Verkehrsunfalldaten und der aktuellen Verkehrssituation kann auf eine Wahrscheinlichkeit für den

Verkehrsunfall geschlossen werden. Die aktuelle Verkehrssituation kann neben den Umgebungsdaten über Wetterdaten, Verkehrsinformationen,

Uhrzeil/Tageszeit und Hauptreisezeiten sowie weiteren Daten ermittelt werden. Die Vorhersage von Verkehrsunfällen bietet den Vorteil, dass einerseits

Verkehrsunfälle schneller erkannt werden können oder bei entsprechender Warnung gegebenenfalls sogar verhindert werden können, andererseits das unbemannte Luftfahrzeug - oder wenn vorhanden eine Vielzahl solcher unbemannter Luftfahrzeuge - positioniert und ausrichtet werden können, um die unübersichtlichen und/oder gefährlichen Stellen mit hoher Unfallgefahr zu überwachen.

Das künstliche neuronale Netz kann zudem eingerichtet sein, insbesondere wenn ein Verkehrsunfall erkannt wurde, einen Notruf wenigstens an einen Rettungsdienst zu senden. Zu diesem Zweck kann jegliche Art von

Kommunikationstechnologie verwendet werden, bevorzugt kann in der

Europäischen Union das eCall System und in anderen Ländern ein

vergleichbares, verfügbares Notrufsystem verwendet werden. Mit dem Notruf können alle für den Verkehrsunfall relevanten Daten des künstlichen neuronalen Netzes und des unbemannten Luftfahrzeugs an den Rettungsdienst versendet werden. Zu diesen relevanten Daten gehören neben den reinen

Umgebungsdaten vor allem die Unfallsituation, die Klassifikation des

Verkehrsunfalls und die beteiligten Verkehrsteilnehmer, wobei durch diese

Maßnahme alle beteiligten Verkehrsteilnehmer und nicht nur jene, die ein eigenes System zum Erkennen eines Verkehrsunfalls aufweisen, erfasst werden.

Das künstliche neuronale Netz kann gemäß einem Aspekt in einem

elektronischen Rechengerät des unbemannten Luftfahrzeugs implementiert sein.

Gemäß einem weiteren Aspekt kann das künstliche neuronale Netz in einem zentralen elektronischen Rechengerät implementiert sein, welches mit dem unbemannten Luftfahrzeug drahtlos in Verbindung steht. Das zentrale elektronische Rechengerät kann mit mehreren solcher unbemannten

Luftfahrzeuge in Verbindung stehen, wodurch diese simultan gesteuert werden können und die Überwachung optimiert wird.

Des Weiteren wird ein unbemanntes Luftfahrzeug vorgeschlagen, das ein vorstehend beschriebenes neuronales Netz aufweist. Das unbemannte

Luftfahrzeug verfügt zudem über eine Sensorik zur Erfassung der

Umgebungsdaten, wobei die Sensorik vorzugsweise optische

Erfassungseinrichtungen, wie z.B. Kameras und Laserscanner, umfasst. Damit bildet das unbemannte Luftfahrzeug nach dem Einlernen des neuronalen Netzes eine autarke Einheit. Das unbemannte Luftfahrzeug wird dann in dem zu überwachenden Gebiet positioniert und erfasst dort die Umgebungsdaten.

Optional kann das unbemannte Luftfahrzeug einen Verbrennungsmotor aufweisen, um seine Reichweite und die Überwachungsdauer gegenüber heutzutage verfügbaren Antrieben mit regenerativen Energiequellen zu erhöhen.

Vorteilhafterweise weist das unbemannte Luftfahrzeug zudem Einrichtungen zum Absichern der Unfallstelle auf. Hierzu gehören Leuchtmittel am unbemannten Luftfahrzeug, welche die Unfallstelle großräumig ausleuchten, absetzbare Leuchtelemente, wie z.B. Lampen, Leuchtbänder oder Leuchtelemente auf LED-Basis, sowie Absperr- und Markierungselemente. Das unbemannte Luftfahrzeug nähert sich der Unfallstelle und setzt je nach Art des Unfalls, der Umgebung und der Uhrzeit/Tageszeit die vorstehend aufgeführten Einrichtungen zum Absichern der Unfallstelle ab.

Das Verfahren zum Erkennen des Verkehrsunfalls mittels des vorstehend beschriebenen neuronalen Netzes umfasst die folgenden Schritte: Vor dem Einsatz, wird das künstliche neuronale Netz durch eine Datenbank, welche zumindest Verkehrsunfalldaten enthält, eingelernt, wobei vorzugsweise Deep Learning zum Einsatz kommen kann. Ein unbemanntes Luftfahrzeug, welches mit dem künstlichen neuronalen Netz in Verbindung steht, erfasst die

Umgebungsdaten durch seine Sensorik. Schließlich wird ein Verkehrsunfall

mittels zumindest den Verkehrsunfalldaten der Datenbank und den

Umgebungsdaten des unbemannten Luftfahrzeugs erkannt. Hierfür können die von der Sensorik des unbemannten Luftfahrzeugs erfassten Umgebungsdaten mit den eingelernten Verkehrsunfällen verglichen werden. Außerdem kann in dem Verfahren der Verkehrsunfall klassifiziert werden. Zusätzlich kann der Unfallhergang rekonstruiert werden. Alternativ kann in einem Verfahren

Verkehrsunfälle mittels zumindest den Verkehrsunfalldaten der Datenbank und den Umgebungsdaten des unbemannten Luftfahrzeugs vorhergesagt werden.

Wird ein Verkehrsunfall erkannt, kann in einem zusätzlichen Schritt des

Verfahrens das unbemannte Luftfahrzeug den erkannten Verkehrsunfall absichern. Hierfür kann es vorzugsweise seine Einrichtungen zum Absichern der Unfallstelle, die vorstehen beschrieben sind, verwenden.

Das Computerprogramm ist eingerichtet, jeden Schritt des Verfahrens durchzuführen, insbesondere, wenn es auf einem Rechengerät durchgeführt wird. Es ermöglicht die Implementierung des Verfahrens in einem herkömmlichen elektronischen Rechengerät, ohne hieran bauliche Veränderungen vornehmen zu müssen. Hierzu ist es auf dem maschinenlesbaren Speichermedium gespeichert.

Durch Aufspielen des Computerprogramms auf ein herkömmliches

elektronisches Rechengerät, wird das elektronische Rechengerät erhalten, welches eingerichtet ist, einen Verkehrsunfall zu erkennen. In dem

elektronischen Rechengerät ist das künstliche neuronale Netz, wie vorstehen beschrieben, implementiert. Das elektronische Rechengerät kann vorzugsweise das elektronische Rechengerät des unbemannten Luftfahrzeugs oder das zentrale Rechengerät, das mit dem unbemannten Luftfahrzeug verbunden ist sein.

Kurze Beschreibung der Zeichnungen

Ausführungsbeispiele der Erfindung sind in den Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert.

Figur 1 zeigt eine schematische Darstellung eines unbemannten Luftfahrzeugs, mit einem künstlichen neuronalen Netz, welches einen Verkehrsunfall erkennt, gemäß einem Ausführungsbeispiel der Erfindung.

Figur 2 zeigt eine schematische Darstellung eines unbemannten Luftfahrzeugs, das mit einem künstlichen neuronalen Netz in Verbindung steht, welches einen Verkehrsunfall erkennt, gemäß einem weiteren Ausführungsbeispiel der Erfindung.

Figur 3 zeigt eine schematische Darstellung eines unbemannten Luftfahrzeugs, mit einem künstlichen neuronalen Netz, welches einen Verkehrsunfall absichert.

Ausführungsbeispiele der Erfindung

Die Figuren 1, 2 und 3 zeigen jeweils eine schematische Darstellung eines unbemannten Luftfahrzeug 1, welches eine Sensorik 2 zum Erfassen von Umgebungsdaten aufweist und eines künstlichen neuronalen Netzes 3, gemäß Ausführungsbeispielen der Erfindung. In diesen Ausführungsbeispielen weist die Sensorik 2 eine optische Erfassungseinrichtung, wie z.B. eine Kamera, auf, welche einen Überwachungsbereich 4 erfasst. Obwohl in diesen Figuren der Überwachungsbereich 4 zur besseren Übersichtlichkeit lediglich einen Teil einer Straße 5 abdeckt, ist der Überwachungsbereich 4 in der Praxis deutlich größer und deckt, bedingt durch die Flughöhe des unbemannten Luftfahrzeugs 1 ganze Straßenzüge oder noch größere Regionen simultan ab. Innerhalb des

Überwachungsbereichs 4 sind in den Figuren 1, 2 und 3 beispielhaft zwei Verkehrsunfälle 6, 7 dargestellt.

Figur 1 zeigt in einem Ausführungsbeispiel der Erfindung das unbemannte Luftfahrzeug 1 mit einem elektronischen Rechengerät 8, in dem ein künstliches neuronales Netz 3 zum Erkennen und Klassifizieren des Verkehrsunfalls 6, 7 implementiert ist. Das elektronische Rechengerät 8, und somit das künstliche neuronale Netz 3, stehen über eine drahtlose Funkverbindung mit einer Datenbank 9 in Verbindung, welche Verkehrsunfalldaten enthält. Ein Beispiel für solch eine Datenbank 9 in Deutschland ist Gl DAS der Bundesanstalt für Straßenwesen und der Forschungsvereinigung Automobiltechnik e.V.

In einem weiteren Ausführungsbeispiel, welches in Figur 2 dargestellt ist, steht das elektronische Rechengerät 8 des unbemannten Luftfahrzeugs 1 über eine drahtlose Funkverbindung mit einem zentralen elektronischen Rechengerät 10 in Verbindung. Das zentrale elektronische Rechengerät 10 kann mit weiteren, hier nicht gezeigten unbemannten Luftfahrzeugen in Verbindung stehen und diese steuern. Das erfindungsgemäße künstliche neuronale Netz 3 ist in diesem Fall im zentralen elektronischen Rechengerät 10 implementiert. Gleichermaßen steht das zentrale elektronische Rechengerät 10 und somit das künstliche neuronale Netz 3 mit der Datenbank 9 in Verbindung, welche Verkehrsunfalldaten enthält.

In beiden Ausführungsbeispielen wird das künstliche neuronale Netz 3 über die Datenbank 9 eingelernt, wobei das künstliche neuronale Netz 3 Informationen über Verkehrsunfälle in Form von Verkehrsunfalldaten und entsprechender Metadaten aus der Datenbank 9 erhält. Dabei wird Deep Learning verwendet, um die Verkehrsunfalldaten mitsamt der Metadaten einzulernen. Das künstliche neuronale Netz 3 erkennt mittels zumindest den Verkehrsunfalldaten der

Datenbank 9 und den Umgebungsdaten, die von der Sensorik 2 des

unbemannten Luftfahrzeugs 1 erfasst werden, den Verkehrsunfall 6, 7.

Außerdem kann das künstliche neuronale Netz 3 folglich den erkannten

Verkehrsunfall 6, 7 klassifizieren. In diesem Beispiel kann das künstliche neuronale Netz 3 zum einen aufgrund der Position zweier Fahrzeuge 11, 12, deren Kollision und eventueller Deformation (nicht dargestellt) einen Auffahrunfall 6, zum anderen aufgrund der Position eines weiteren Fahrzeugs 13 und eines Hindernisses 14, beispielsweise eines Baums, eine Kollision 7 mit dem Hindernis 14, klassifizieren.

In dem in Figur 3 gezeigten Ausführungsbeispiel wurden die Verkehrsunfälle 6, 7 erkannt und das unbemannte Luftfahrzeug 1 sichert den Unfallort ab. Die Figur 3 zeigt schematisch Einrichtungen 15, 16, 17 zum Absichern der Unfallstelle. Dazu gehören Leuchtmittel 15 am unbemannten Luftfahrzeug 1 und absetzbare Leuchtelemente 16, wie z.B. Lampen, Leuchtbänder oder Leuchtelemente auf LED-Basis, sowie Absperr- und Markierungselemente 17 (nicht alle dargestellt). Das unbemannte Luftfahrzeug 1 setzt je nach Art des Verkehrsunfalls 6, 7, die durch die Verkehrsunfalldaten ermittelt wird, der Umgebung, die aus den

Umgebungsdaten ermittelt wird, und der Uhrzeit/Tageszeit die Einrichtungen 15, 16, 17 zum Absichern des Unfallstelle ab. Beispielsweise werden bei einer Unfallstelle auf einer Autobahn bei Nacht andere Maßnahmen und Einrichtungen 15, 16, 17 zum Absichern der Unfallstelle eingesetzt, als beispielsweise bei einer Unfallstelle in einer gut beleuchteten Innenstadt. Die Verteilung der Einrichtungen

15, 16, 17 zum Absichern der Unfallstelle können in der Praxis komplett anders aussehen.