Mithilfe von Demonstratoren wie diesen wurden in zahlreichen Fahrten die in den Papern des Projekts xBloks veröffentlichten Daten aufgezeichnet. (Bildquelle: Alexander Kühn)

Die Systemarchitektur, welche für die Datenaufzeichnung konzipiert wurde.

(Bildquelle: Robert Manthey)

Hier dargestellt ist die Vorgehensweise zur Erhebung der verwendeten Fahrdaten.

(Bildquelle: Robert Manthey)

Vom 20. bis 22. Juli 2022 trafen sich Forschende aus aller Welt auf der zweiten International Conference on Electrical, Computer and Energy Technologies (ICECET) in Prag und diskutierten aktuelle Entwicklungen in den Bereichen Elektro-, Computer- und Energietechnik. Das Team des Institute for Computer Science and Media in Research and Transfer (CSMRT) präsentierte auf der Konferenz aktuelle Ergebnisse aus dem Forschungsprojekt xBloks – Blockchain-basiertes eSports Profiling und stellte zudem ein Framework für das Clustering von räumlich-zeitlichen geografischen Positionen vor.

Unter dem Titel „You can’t drive my car – a method to fingerprint individual driving styles in a simracing setting“ präsentierte das Team von xBloks einen generische Arbeitsablauf zur Differenzierung verschiedener Fahrer unter Berücksichtigung des individuellen Fahrstils sowie der verwendeten Hardware. Die Datengrundlage bildete ein eigens hierfür generierter Datenkorpus, dessen Erstellung im Beitrag „Data set for long term driving recording using immersive motion simulation in virtual racing – IMSRace“ ausführlich beschrieben und ebenfalls auf der Konferenz vorgestellt wurde. Mittels einer   Rennsimulationssoftware konnten in Kombination mit dem im Projekt konstruierten zweisitzigen Komplexdemonstrators sowie mit weiteren vom CSMRT konstruierten Simulatoren über einen Zeitraum von acht Wochen durch sieben Probanden mit unterschiedlichen Fähigkeiten ein 2.200 Runden umfassender Fahrdatensatz generiert werden. Der Datensatz, welcher unter der internationalen Lizenz Attribution-ShareAlike 4.0 frei zugänglich ist, bildete die Grundlage für umfangreiche Experimente zur Identifizierung des individuellen Fahrstils. Die Ergebnisse deuten dabei auf eine allgemeine Durchführbarkeit unter verschiedenen Bedingungen hin und unterstreichen zudem die Bedeutung einer sorgfältigen Auswahl der Hyperparameter.

Das CluPlaR (Clustering based Place Recognition) Framework ermöglicht die Aggregation von Positionsdaten zu Orten und deren chronologischen Besuchen. Im Beitrag „CluPlaR: A Framework for Clustering Spatio-Temporal Geographic Positions“ wurde die konzeptionelle Grundlage sowie jener Algorithmus vorgestellt, der es ermöglicht, chronologisch gesammelte geografische Positionsdaten zu aggregieren, wie sie häufig von den heutigen Aktivitätssensoren erzeugt werden.

Die Proceedings der Konferenz sind hier verfügbar: https://ieeexplore.ieee.org/xpl/conhome/9872524/proceeding