Automatische Aufprallerkennung mit Smartphone-Telematik – Wie Crash-Erkennung Leben retten kann

In dieser Episode des Insurance Telematics Podcasts spricht Moderator Harald mit Chief Data Scientist Katharina über das wichtige Thema der automatischen Aufprallerkennung ausschließlich mit Smartphone-Sensoren. Das Gespräch zeigt, wie Crash-Erkennung die Notfall-Reaktionszeiten drastisch verbessern und Schadenkosten für Versicherungen senken kann. Mit praxisnahen Einblicken und technischen Erklärungen taucht die Episode tief in die Frage ein, wie eine Kombination aus Heuristiken und maschinellem Lernen echte Unfälle von Fehlalarmen unterscheiden kann – mit dem Ziel, Fahrzeugsicherheit zu demokratisieren.

Warum Crash-Erkennung wichtig ist

Harald teilt eine persönliche Geschichte über einen Überschlagunfall, den er nachts erlebte – er wurde nur entdeckt, weil zufällig ein LKW-Fahrer vorbeikam. Dieses Erlebnis unterstreicht die Dringlichkeit der Echtzeit-Unfallerkennung, besonders wenn Verletzungen den Fahrer daran hindern könnten, selbst Hilfe zu rufen.

Zentrale Vorteile der Smartphone-basierten Erkennung

• Sofortige Aktivierung der Rettungskette
• Skalierbare Lösung für alle Kunden
• Kosteneffizient und inklusiv über das gesamte Versicherungsportfolio

Was ist automatische Aufprallerkennung?

Katharina definiert automatische Aufprallerkennung als die Echtzeit-Erkennung von Unfällen ausschließlich mit Smartphone-Sensoren – hauptsächlich dem Beschleunigungssensor. Das Ziel ist es, schwere Aufpralle zu erkennen und Hilfe ohne Benutzerinteraktion auszulösen.

Schwerpunkte

• Erkennung von Unfällen mit Personenschaden
• Herausfiltern von Fehlalarmen wie Herunterfallen des Telefons oder plötzlichem Bremsen
• Erfassung von FNOL-Daten (First Notification of Loss) für Versicherungszwecke

Wie Smartphone-basierte Crash-Erkennung funktioniert

1. Sensordatenerfassung

• Beschleunigungsdaten mit einer Abtastrate von 100 Hz
• Spitzenerkennung: plötzliche Ausschläge gefolgt von Inaktivität

2. Filterung mit Heuristiken

Regeln wie: Wenn die Bewegung eine Minute nach dem Aufprall fortgesetzt wird, handelt es sich nicht um einen Unfall. Bewertung von Geschwindigkeitsabfällen und Phasen der Stationarität nach dem Aufprall. Vorfilterung vor dem Datenversand zur Reduzierung von Fehlalarmen.

3. Maschinelle Lernmodelle

• Trainiert mit gelabelten realen Unfalldaten
• Unterscheidung zwischen Unfällen und anderen Telefonbewegungen
• Einbeziehung kontextueller Eingaben wie Geschwindigkeit und Aufprallrichtung

Sicherstellung der Datenzuverlässigkeit und Notfallbereitschaft

Sofortiger Daten-Upload

Daten werden innerhalb von Millisekunden nach dem Aufprall an das Backend gesendet, um sicherzustellen, dass sie verfügbar sind, selbst wenn das Telefon beim Unfall beschädigt wird.

Acceleration Severity Index (ASI)

Der ASI schätzt die Verletzungswahrscheinlichkeit:
ASI > 1: wahrscheinliche Verletzung → Notfallalarm
ASI < 1: geringes Risiko → optionale Nachverfolgung

Technische Herausforderungen und Lösungen

Telefon nicht fest im Fahrzeug montiert

Die wechselnde Position des Telefons erfordert eine Normalisierung, um es an das Bezugssystem des Fahrzeugs anzupassen und Orientierungsänderungen während der Fahrt zu verfolgen.

Akku-Überlegungen

Die hochfrequente Beschleunigungssensor-Abtastung hat geringe Auswirkungen auf den Akku. Der größte Akkuverbrauch entsteht durch GPS und Datenübertragung.

Genauigkeit und Skalierbarkeit in der Praxis

Bei 10.000 Nutzern pro Jahr rechnet das System mit etwa 300 realen Unfällen. Es priorisiert kritische Unfälle und ermöglicht es Versicherern, den ASI-Schwellenwert basierend auf Risikotoleranz und Budget anzupassen.

Wichtigste Erkenntnisse

• Smartphones ermöglichen demokratisierte Unfallerkennung
• Mehrstufiger KI-Ansatz: schnelle Heuristiken + Deep Learning
• Echtzeit-Datenerfassung gewährleistet rechtzeitige Notfallreaktion

Vielen Dank fürs Zuhören beim Insurance Telematics Podcast. Bleiben Sie sicher – und smarter – mit Crash-Erkennung durch Smartphone-Telematik.

---

Vollständiges Transkript der Episode

Harald
Hallo zusammen. Willkommen zurück beim Insurance Telematics Podcast. Heute wieder mit unserer Chief Data Scientist, Katharina. Willkommen.

Katharina
Hallo. Danke für die Einladung.

Harald
Gerne. Heute haben wir ein sehr wichtiges Thema. Wir sprechen über automatische Aufprallerkennung, Crash-Erkennung. Und warum ist das so wichtig?

Ich hatte selbst einen Unfall, bei dem ich nur zufällig von einem LKW-Fahrer gefunden wurde, weil ich nachts einen Überschlagunfall hatte. Ich habe selbst gesehen, was hätte passieren können, wenn mich niemand gefunden hätte.

Das ist also ein persönliches Thema, das mich sehr bewegt. Und ich möchte Ihnen erzählen, warum ich glaube, dass es für die Welt sehr wichtig ist.

Wenn man einen Unfall hat, zählt jede Sekunde. Und wenn wir Unfälle mit etwas wie einem Smartphone erkennen können, werden wir leistungsfähiger darin, mehr Unfälle zu erkennen. Ja, es gibt bessere Methoden, wie installierte Hardware oder Dongles. Aber der Punkt ist, wir wollen diese Funktion demokratisieren.

Wenn man aus Versicherungsperspektive denkt und 100 % seiner Kunden mit etwas ausstatten kann, das etwa 90 % der Zeit funktioniert, im Vergleich dazu, vielleicht 3 oder 4 % des Portfolios mit etwas auszustatten, das 95 % der Zeit funktioniert, würde ich persönlich die verfügbarere, kostengünstige Lösung wählen, die vielen Menschen helfen kann.

Also Katharina, wir sprechen jetzt etwas mehr über den technischen Aspekt. Was ist automatische Aufprallerkennung? Was ist unser Ziel damit?

Katharina
Automatische Aufprallerkennung bedeutet, dass wir automatisch einen Auto- oder Fahrzeugunfall basierend auf Smartphone-Sensoren erkennen, mit dem Ziel, die Rettungskette so schnell wie möglich auszulösen. Dies fördert erhöhte Sicherheit und hilft Versicherern auch, die Schadenbearbeitung zu optimieren und Zeit und Kosten zu reduzieren.

Harald
Unser Ziel ist also, Unfälle zu erkennen. Welche Art von Unfällen versuchen wir zu erkennen?

Katharina
Wir versuchen, Unfälle zu erkennen, die Personenschäden verursachen können. Das ist unser Hauptfokus, da Smartphones bewegliche Geräte sind, nicht fest in Autos montiert, und andere Ereignisse wie Herunterfallen aufzeichnen können. Es gibt also viel Rauschen. Wir konzentrieren uns auf Unfälle mit Personenschaden.

Harald
Was wir mit Smartphone-erkannten Unfällen machen, ist diese kleinen Aufpralle für die spätere FNOL-Nutzung im Schadenmanagement zu speichern, aber wir versuchen nur Unfälle weiterzuleiten, die wahrscheinlich Personenschäden beinhalten.

Katharina
Genau. Wenn ich darf, würde ich Sie Schritt für Schritt durch den Prozess führen. Wir haben gesagt, es ist nur Smartphone-basiert, also laufen Datenerfassung, Verarbeitung und Interpretation direkt auf dem Smartphone. Auf niedriger Ebene hören wir auf Beschleunigungsdaten, abgetastet mit 100 Hz. Wir achten auf Spitzen – ein Unfall zeigt sich als hohe Spitze, gefolgt von einer Zeit ohne Aktivität.

Harald
Eine kurze Erklärung für nicht-technische Zuhörer: Beschleunigung misst die Schwerkraft über mehrere Achsen und hilft uns, die Bewegung von Objekten im 3D-Raum zu verstehen. 100 Hz bedeutet, wir erfassen 100 Datenpunkte pro Sekunde.

Katharina
Genau. Wir achten auf Spitzen. Sobald wir eine Spitze erkennen, besteht die Herausforderung darin festzustellen, ob es sich um einen Autounfall handelt oder ob etwas anderes die Ursache ist – wie das Herunterfallen des Telefons. Wir haben eine Filterlogik aus Heuristiken und maschinellem Lernen.

Harald
Heuristiken sind fest codierte Regeln, wie zum Beispiel: Wenn das Auto eine Minute nach einem Aufprall weiterfährt, ist es wahrscheinlich kein Unfall.

Katharina
Genau. Es gibt auch externe Sensoren wie Bluetooth-Tags oder Dongles, aber wir zielen auf Smartphones ab. Die Schwierigkeit liegt nicht darin, Unfälle zu erkennen, sondern Fehlalarme zu eliminieren.

Harald
Wie machen wir das?

Katharina
Wir haben das Glück, jahrelange Erfahrung mit Hardware-basierten Lösungen und gelabelten Daten zu haben – GPS, Beschleunigungssensor usw. – wo wir wissen, wie echte Unfälle aussehen. Wir trainieren Modelle mit diesen Daten.

Harald
Gelabelt bedeutet, ein Mensch hat gesagt, das war ein Unfall. Also trainieren wir Modelle mit Mustern.

Katharina
Genau. Wir beziehen auch verschiedene Nicht-Unfall-Szenarien ein, wie Telefoninteraktionen oder starkes Bremsen.

Harald
Wir haben also Heuristiken und maschinelles Lernen. Können Sie einen Überblick über einige Regeln geben?

Katharina
Eine wichtige Regel ist die Überprüfung einer Stationaritätsphase nach einem Aufprall. Wir analysieren ein Zeitfenster – 30 Sekunden vor dem Aufprall und bis zu 1 Minute danach – um Geschwindigkeit, Aktivität und ob das Telefon gestoppt hat zu verstehen.

Harald
Richtig. Der Geschwindigkeitsabfall ist wichtig. Wenn man mit 50 fährt, ein Ereignis hat und dann auf null fällt, ist das anders als wenn man auf 40 fällt.

Katharina
Genau.

Harald
Wir verwenden zuerst Regeln. Warum?

Katharina
Regeln sind schnell, effektiv und eliminieren die meisten Fehlalarme – wichtig, da wir die Rettungskette schnell auslösen wollen.

Harald
Was passiert, wenn ein Telefon bei einem Unfall beschädigt wird?

Katharina
Sobald wir einen Aufprall erkennen, speichern und senden wir die Daten sofort an das Backend – innerhalb von Sekundenbruchteilen. Wir warten nicht auf die Filterung.

Harald
Wir stellen also sicher, dass die Daten gesendet werden, bevor eine Beschädigung dies verhindern könnte. Dann kommen Filterung und maschinelles Lernen danach.

Katharina
Genau.

Harald
Können wir die Genauigkeit quantifizieren? Was ist ASI?

Katharina
ASI ist die Interpretationsschicht. Sobald wir einen Unfall bestätigen, betrachten wir die Beschleunigungskräfte – Magnitude, Richtung und Intensität. ASI hilft bei der Bewertung der Schwere. Unter 1 bedeutet geringe Verletzungswahrscheinlichkeit; über 1 bedeutet Verletzungspotenzial, das Notfallmaßnahmen erfordert.

Harald
Nach der Bestätigung leiten wir die Daten über unsere Plattform oder API an ein Sicherheitszentrum weiter. Was sind weitere technische Herausforderungen?

Katharina
Eine große Herausforderung ist, dass das Telefon nicht fest im Auto montiert ist. Das verursacht zwei Probleme: Erkennung von Nicht-Unfällen und Schwierigkeit bei der Interpretation der Schwere. Wir normalisieren die Smartphone-Daten, um sie an das Bezugssystem des Autos anzupassen, und berücksichtigen Orientierungsänderungen während der Fahrt.

Harald
Wir müssen also die Position des Telefons relativ zum Auto lernen. Aber es kann sich während einer Fahrt bewegen.

Katharina
Genau. Das ist herausfordernd.

Harald
Wir erhöhen die Abtastfrequenz auf 100 Hz. Hat das Auswirkungen auf den Akku?

Katharina
Nicht unbedingt. Hohe Frequenz ist für eine genaue Spitzenerkennung erforderlich. Der Akkuverbrauch kommt hauptsächlich von Datenübertragung und -speicherung, nicht von der Abtastung selbst. GPS beeinflusst den Akku viel mehr als Beschleunigungsdaten.

Harald
Wie sieht die erwartete Genauigkeit in der Praxis aus?

Katharina
Bei 10.000 Nutzern über ein Jahr erwarten wir etwa 300 echte Unfälle. Wir erwarten hohe Genauigkeit für kritische Fälle. Leichte Parkschäden werden möglicherweise nicht erkannt.

Harald
Man kann den ASI-Schwellenwert basierend auf der Größe der Nutzergruppe und dem Budget anpassen. Kleinere Gruppen können bei niedrigeren Schwellenwerten beginnen; größere brauchen straffere Kontrollen aufgrund der Callcenter-Kosten.

Katharina
Ja. Die Literatur sagt, dass ein ASI von etwa 1 einer ungefähr 20%igen Wahrscheinlichkeit einer mittelschweren Verletzung entspricht.

Harald
Als Versicherungsunternehmen kann man den ASI basierend auf Straßenverhältnissen und Nutzerverhalten feinabstimmen. Für manuelle Alarme verwenden wir KI-Bots, aber für Unfälle empfehlen wir menschliche Überprüfung. Menschliche Augen können Zusammenhänge erkennen, die Maschinen übersehen.

Katharina
Kontext ist entscheidend.

Harald
Zusammenfassend: Smartphones sind nicht perfekt, aber sie ermöglichen es uns, die Unfallerkennung zu demokratisieren. Zweitens verwenden wir einen mehrstufigen Data-Science-Ansatz mit sowohl Heuristiken als auch maschinellem Lernen. Und drittens stellen wir eine frühe Datenerfassung sicher mit Backend-Filterung und skalierbaren Plattformen für Sicherheitszentren.

Katharina
Genau.

Harald
Vielen Dank, Katharina, fürs Dabeisein und dafür, dass du uns die automatische Aufprallerkennung mit Smartphone-Telematik nähergebracht hast.

Katharina
Danke schön.