Zur Seitenansicht
 

Titelaufnahme

Titel
Staying aware in an evolving world : evolution support for situation awareness in control centers / submitted by DI Andrea Salfinger
Weitere Titel
Evolutionsunterstützung für Situationserkennungssysteme in Kontrollzentren
AutorInnenSalfinger, Andrea
Beurteiler / BeurteilerinSchwinger, Wieland ; Kokar, Mieczyslaw M.
ErschienenLinz, 2016
UmfangXXI, 195 Seiten : Illustrationen
HochschulschriftUniversität Linz, Dissertation, 2016
Anmerkung
Zusammenfassung in deutscher Sprache
Abweichender Titel laut Übersetzung des Verfassers/der Verfasserin
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)Kontrollzentrum / Kontrollsystem / Situationsbewusstsein / Monitoring / Wissensmanagement / Expertensystem
Schlagwörter (EN)situation awareness / situation assessment / information fusion / situation management / crowd-sensing / social media / control centers / environment Monitoring / Crisis Management / Expert Systems
Schlagwörter (GND)Kontrollsystem / Situation Awareness / Monitoring / Wissensmanagement / Expertensystem
URNurn:nbn:at:at-ubl:1-13074 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist gemäß den "Hinweisen für BenützerInnen" verfügbar
Dateien
Staying aware in an evolving world [15.43 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Moderne Kontrollzentren, beispielsweise in den Bereichen Straßenverkehrsmanagement, See- und Luftraumüberwachung oder Krisenmanagement, stellen ihre menschlichen Operatoren, die für die Überwachung und Steuerung der jeweiligen Systeme zuständig sind, vor immense Herausforderungen und Verantwortung: Dafür muss eine Vielzahl an Messdaten und Informationen aus den überwachten Systemen permanent ausgewertet und korrekt interpretiert werden, um die richtigen Entscheidungen treffen und angemessene Aktionen setzen zu können. Fehlentscheidungen der Operatoren aufgrund von falschen Situationseinschätzungen können fatale Folgen nach sich ziehen und schlimmstenfalls sogar zum Verlust von Menschenleben führen. Daher wird eine möglichst engmaschige Überwachung der zu kontrollierenden Systeme angestrebt, was aufgrund der laufenden technischen Verbesserungen der eingesetzten Sensor-Technologien zu beständig zunehmenden Datenmengen führt. Aktuelle Entwicklungen versprechen sogar noch einen weiteren substanziellen Anstieg des auszuwertenden Datenvolumens: Durch die zunehmend allgegenwärtige Verwendung sozialer Medien auf Mobilgeräten, wie Smartphones und Tablets, können selbst menschliche Vor-Ort-Beobachter als sog. "Citizen Sensors" wertvolle Beobachtungen zur vorliegenden Situation liefern. Somit erschweren sowohl die neuen technischen Möglichkeiten dieses sog. Crowd-Sensing, als auch die Weiterentwicklungen konventioneller Hardware-Sensorik, die Aufgabe der Kontrollraum-Operatoren, aus den resultierenden Datenströmen zeitnah das zugrundeliegende Situationslagebild abzuleiten, um das für ihre Tätigkeiten notwendige Situationsbewusstein (engl. Situation Awareness, kurz SAW) zu erlangen. Folglich wird also auch für die Situationserfassung, also der semantischen Verknüpfung und Interpretation der aufgezeichneten Daten, maschinelle Unterstützung in Form von sog. SAW Systemen notwendig. Derartige Systeme detektieren automatisiert relevante Ereigniskonstellationen in den überwachten Systemen, welche zu entsprechenden Situationsbeschreibungen fusioniert werden und dadurch die von den Operatoren zu verarbeitende Informationsmenge auf die wesentlichen, handlungsrelevanten Informationen reduzieren. Während bisher entwickelte SAW Systeme allerdings in erster Linie auf die prägnante Charakterisierung des momentanen Situationslagebilds fokussieren, so wird hingegen kaum Unterstützung zur Nachvollziehbarkeit der Evolution des Situationslagebilds, und damit der Wahrung des Situationsbewusstseins über die Zeit hinweg, geboten, was zu folgenden Problemen führt: Erstens verändern sich die observierten Situationen selbst, indem ihre Zusammensetzung und Kritikalität dynamisch im Zeitverlauf variiert, was von den Operatoren entsprechend erkannt und mitverfolgt werden muss. Zweitens verändern sich sowohl die Charakteristiken der überwachten Systeme als auch die Anforderungen der Operatoren im Laufe der Zeit, was eine Adaptierung des benötigten Situationswissens erfordert. Drittens können neuartige und unerwartete Situationen eine Anpassung der Sensorik bedingen, als auch eine Anbindung neuer Datenquellen erforderlich sein kann, um überhaupt erst die zur Verfolgung einer neuartigen Situation benötigten Daten liefern zu können. Folglich liegt die Zielsetzung der vorliegenden Dissertation darin, entsprechende Evolutionsunterstützung für SAW Systeme zu entwickeln, indem die folgenden Fragestellungen untersucht werden: - Wie lassen sich evolvierende Situationen formalisieren und aufzeichnen? - Wie kann das dafür benötigte Situationswissen akquiriert und adaptiert werden? - Wie kann crowd-sensing als komplementäre Informationsquelle genutzt werden, um dynamisch zusätzliche Informationen zur aktuell überwachten Situation zu akquirieren? Auf Basis dieser Forschungsfragen werden in der vorliegenden Dissertation die folgenden drei generellen Forschungsbeiträge geliefert: Der erste Beitrag dieser Dissertation ist ein Situationsevolutions-Modell, sowie ein entsprechender Algorithmus, um die Evolution dynamischer Realwelt-Situationen mitverfolgen und aufzeichnen zu können. Der zweite Beitrag repräsentiert eine Wissensmanagement-Tool-Suite für SAW Systeme, um menschliche Domänenexperten in Akquisition und Adaptierung des notwendigen Situationswissens zu unterstützen. Als dritter Beitrag wird untersucht, wie eine Anreicherung des Situationslagebilds mittles Integration von Situations-adaptiven crowd-sensing umgesetzt werden kann, um automatisiert zusätzliche Informationen aus Social Media extrahieren und fusionieren zu können. Die vorgestellten Ansätze wurden anhand von Fallstudien auf Echtdatensätzen aus den typischen Kontrollraumdomänen Straßenverkehrsmanagement und Krisenmanagement entwickelt, was die praktische Anwendbarkeit der entwickelten Konzepte und Techniken demonstriert.

Zusammenfassung (Englisch)

Human operators in today's control centers, such as road traffic control, air traffic control, maritime monitoring, plant control, or disaster management, face great responsibilities in constantly interpreting the environment under control and taking suitable response actions thereupon - if failing, potentially putting lives on stake. Therefore, an ever-growing amount of data from these monitored environments is collected, enabled by continuous advances in sensor technologies. Additionally, the increasingly ubiquitous usage of social media platforms provides tremendous potential for regarding human observers as "citizen sensors", who - by means of crowd-sensing - may deliver on-the-ground situational information otherwise unattainable. However, these developments make it increasingly difficult for human operators to interrelate and interpret these vast amounts of data in a timely manner, in order to comprehend the overall situational picture, i.e. to gain Situation Awareness (SAW). Thus, dedicated computational SAW systems are required, which reduce the information load imposed on their human operators by correlating and fusing the incoming data streams to meaningful descriptions summarizing the relevant situations in the underlying environment. However, existing SAW systems are focused at supporting the operator in gaining SAW on the current environment's state only, but fall short in providing assistance for maintaining SAW, i.e., supporting the human operator in tracking the evolution of the situational picture over time. This, however, presents limitations with respect to the following issues. Firstly, observed situations evolve over time, thus dynamically change their composition and criticality, necessitating to detect and track these changes. Secondly, the monitored environment itself as well as the human operators' needs in monitoring this environment evolve, requiring to adapt the overall situation knowledge. Thirdly, to dynamically acquire sensor coverage for novel and unexpected situations, sensor configuration needs to be evolved by adopting novel data sources. Thus, the aim of this thesis is to provide evolution support in SAW systems in order to address the above mentioned problems, by tackling the following research questions: - How to formalize and track evolving situations over time? - How to acquire and maintain knowledge about evolving situations? - How to employ crowd-sensing as complementary information source, to dynamically retrieve additional information on the monitored situations? Based on these research questions, this thesis provides the following three overall contributions: Firstly, to enable the formalization of evolving situations, a dedicated Situation Evolution Model (SEM) is proposed, together with a corresponding tracking algorithm for capturing the evolution of monitored real-world situations. Secondly, to assist human domain experts in acquiring and maintaining the necessary situation knowledge, a knowledge management tool suite for SAW systems is proposed. Finally, to equip the SAW system with capabilities of reacting to the unexpected, the potential of complementing the overall situational picture with information situation-adaptively sensed and extracted from social media is examined. The proposed approaches have been elaborated on the basis of case-studies on real-world data sets from two typical control center domains, notably road traffic management and disaster management, thereby demonstrating the applicability of the proposed concepts and techniques.

Statistik
Das PDF-Dokument wurde 44 mal heruntergeladen.