DriveRecap ist eine innovative Lösung, die es Fahrschülern ermöglicht, ihre Fahrpraxis durch Selbstreflexion zu verbessern. Ziel ist es, dass Fahrschüler ihre Fahrweise eigenständig bewerten und Verbesserungspotenziale erkennen können. Mithilfe von Videoanalysen während der Fahrstunden kommuniziert die Software erkannte Potenziale, Fehler sowie Fortschritte und fördert die Entwicklung der fahrerischen Kompetenzen.
Diese Bachelorthesis befasst sich mit der Herausforderung der steigenden Durchfallquoten bei der praktischen Führerscheinprüfung in Deutschland. Die Arbeit identifiziert drei wesentliche Faktoren: Kommunikationshürden zwischen Fahrlehrern und Fahrschülern, erhöhtes Verkehrsaufkommen und Defizite im aktuellen Lehrkonzept der Fahrausbildung.
Ein Drittel der Fahrschüler in Deutschland besteht die praktische Führerscheinprüfung nicht, ein Anstieg gegenüber vor zehn Jahren. Der Trend deutet auf eine weiter steigende Durchfallquote hin. [2]
Das Projekt zielt darauf ab, mehr Transparenz für Fahrschüler zu schaffen und zentrale Fragen zu beantworten: Wie können gestalterische Ansätze die Problemursachen und individuellen Verbesserungspotenziale aufdecken? Wie kann eine Anwendung Fahrschüler unterstützen, fehlende Kompetenzen zu erwerben und erfolgreich die Fahrprüfung zu bestehen?
Fahrlehrer haben eine App auf ihrem Smartphone, um Videos für Fahrschüler bereitzustellen und zu kontrollieren. Dort können sie auch Kommentare, Feedback, Tags und Bewertungen hinterlassen, um sicherzustellen, dass Fahrschüler nur die relevantesten Videos erhalten.
Die Anwendung wird im Infotainmentsystem des Fahrzeugs gestartet und nimmt während der Fahrstunde Bildmaterial, Datensätze sowie Audio auf. Fahrlehrer können mit einer Fernbedienung Markierungen setzen und die Aufnahme steuern.
Fahrschüler sehen auf dem Homescreen ihre aktuellen Trends und erhaltenen Auszeichnungen. Sie werden zu Übungen geleitet, können Fahrmanöver analysieren und erhalten von Fahrlehrern ausgewählte Videoanalysen zur Nachbereitung.
Das Projekt stellt gestalterische und technische Herausforderungen dar: das Offenlegen von Potenzialen durch Videoanalyse, die Auswahl von Lernmomenten ohne großen Mehraufwand und die Reduktion der durch Videoaufnahmen entstehenden großen Datenmengen.
Das Projekt begann mit einer intensiven Vorbereitungsphase, gefolgt von einer Recherchephase und Marktanalyse. Konzepte wurden durch Methoden wie "How might we?" und Personas entwickelt. In der Designphase entstanden durch kontinuierliches Testing mehrere Konzeptvarianten. Die technische Umsetzung, einschließlich der Entwicklung von Prototypen und der Integration moderner Technologien, stand im Vordergrund.
Die Positionierung der Kameras ist wesentlich für die spätere Analyse. Der Fokus liegt auf der Wahrnehmung und Bedienung der Fahrschüler, daher ist eine vollständige Abdeckung des Raumes notwendig. Eine Vogelperspektive auf das Auto hilft, die Fahrweise im Kontext zu verstehen.
Unsere Entscheidung, die neu entwickelte Software als SaaS-Anwendung anzubieten, basiert auf der zunehmenden Akzeptanz und dem Nutzen von Cloud-Diensten in mittelständischen Unternehmen, die zahlreiche Vorteile wie Kosteneinsparungen, Skalierbarkeit, Sicherheit und Flexibilität bieten.
Videoanalyse für Fahrstunden
January 13, 2022
Einer der Hauptgründe für die Wahl einer Videoanalyse-Software war, dass laut Umfragen und Interviews die Mehrheit der Fahrschüler nicht weiß, was sie im praktischen Fahrunterricht falsch gemacht haben. Das liegt vor allem daran, dass Fahrlehrer, wenn sie überhaupt Feedback geben, vages Feedback geben und die Schüler sich selbst nicht sehen können.
December 15, 2021
Eine faszinierende Erkenntnis des Projekts war, dass Fahrschüler andere Verkehrsteilnehmer nicht aus Unachtsamkeit übersehen, wie zuvor angenommen, sondern weil sie zu viele Informationen sammeln, die nichts miteinander zu tun haben. Dies behindert das vorausschauende Fahren für Anfänger erheblich.
November 26, 2021
In diesem Projekt wurde zu Beginn im Vergleich zu früheren Projekten mehr Zeit für die Forschung aufgewendet. Überraschenderweise führte dies zu einer erheblichen Zeitersparnis während des Projekts und minimierte die Notwendigkeit von Iterationsschleifen.