Zusammenfassung

Obwohl aufgrund zahlreicher technischer Neuerungen ständig Verbesserungen hinsichtlich der Qualität und der Genauigkeit von Routenempfehlungen erzielt werden, wird bei der Entwicklung von Navigationssystemen im Fahrzug der Generierung personalisierter Routen nur wenig Aufmerksamkeit geschenkt. Die vorliegende Arbeit beschäftigt sich mit diesem Aspekt der Navigation, der zur kognitiven Erleichterung für den Fahrer und somit zur Sicherheit während der Fahrt beiträgt. Sie skizziert zwei Konzepte zur Routenpersonalisierung und bewertet diese anschließend anhand ihrer wesentlichen Komponenten. Schließlich werden weitere Gesichtspunkte genannt, die Voraussetzung für die Verbesserung der vorhandenen Konzepte und ihre Akzeptanz durch den Nutzer sind. Schlagwörter:

Navigation, Routenberechnung, Telematik, Personalisierung, Adaptivität Abstract

Numerous technical innovations facilitate continuous improvement of route recommendations through higher quality and precision. However, little attention is paid to the personalization of routes during the design process of in-car navigation systems. The present paper deals with this aspect of navigation. Personalization of navigation systems can ensure cognitive ease and thus help with driving safety. Two personalization concepts are presented and reviewed in detail. Also, various aspects are suggested, which are to be considered as a prerequisite for the enhancement of the given systems and their eventual acceptance by the user. Keywords:

Navigation, routing, telematics, personalization, adaptivity

Inhaltsverzeichnis

1.  Einführung  3

1.1.  Personalisierung: Adaptivität und Adaptierbarkeit  4

1.2.  Navigation  4

1.3.  Global Positioning System  5

1.4.  Einführung in die Routenberechnung.  5

1.4.1.  Der Algorithmus von Dijkstra.  6

1.5.  Routengenerierung bei Navigationssystemen  6

2.  MyRoute  7

2.1.  Route Compression  8

2.2.  Rerouting.  9

2.3.  Evaluierung  10

2.3.1.  Durchführung.  10

2.3.2.  Ergebnisse  10

3.  Adaptive Interactive Agent  12

3.1.  Aufbau des Systems  12

3.2.  Routenberechnungsalgorithmus  12

3.3.  Aufbau des Nutzermodells  13

3.4.  Evaluierung  14

3.4.1.  Durchführung.  14

3.4.2.  Ergebnisse  15

4.  Beurteilung der Systeme.  17

4.1.  Gewichtete Attribute.  17

4.2.  Kostenfunktion  18

4.3.  Modellierung von Bekanntheit.  18

4.4.  Interaktionsabhängigkeit  19

4.5.  Relativität von Landmarken.  20

4.6.  Evaluierung  21

4.7.  Berücksichtigung des Nutzungskontextes  22

4.8.  Telematik.  23

4.9.  Datenschutz  24

5.  Fazit und Ausblick  25

  Literaturverzeichnis.  28

  Abbildungsverzeichnis  30

1. Einführung

Am ersten Mai 2000 veröffentlichte die Pressestelle des Weißen Hauses eine Meldung, die die Einstellung der Selective Availability (SA) des Global Positioning System (GPS) ankündigte (cf. Office of the Press Secretary 2000). SA hatte sichergestellt, dass zur Wahrung der nationalen Sicherheit nur das US-amerikanische Militär die Genauigkeit dieses Systems nutzen konnte, so dass der zivilen Nutzung lediglich eine Genauigkeit von 100 m eingeräumt wurde (cf. Hanisch 1997). Obwohl auch vorher schon GPS im zivilen Bereich für Navigation im PKW genutzt wurde, musste aufgrund dieser Ungenauigkeit bislang auf Hilfsmittel wie z.B. Radsensoren zurückgegriffen werden, ohne die keine hinreichend präzise Ortung durchgeführt werden konnte. Durch den Wegfall der gezielten Verschlechterung des Signals wurde nun eine rein GPS-gestützte Navigation erschwinglich (cf. Haas 2007). Immer mehr Navigationsgeräte werden seitdem auf dem Markt angeboten. Vor allem durch die kostengünstigere Produktion von Erstausrüstergeräten, aber auch von Nachrüstgeräten (sog. Aftermarket-Geräten), steigt die Anzahl der in Fahrzeugen genutzten Endgeräte permanent (cf. Winkelhaage 2006: 19). Im Laufe der Zeit sind große Qualitätsverbesserungen bei der Navigation erreicht worden, was sowohl auf höhere Ortungspräzision und günstigere Technologie, als auch auf die Verbesserung des für die Navigation genutzten Kartenmaterials zurückzuführen ist. Allerdings ist, wie bei den meisten neuen Technologien, die Anpassung des Gerätes an die individuellen Bedürfnisse und Wünsche des Nutzers ¹ hinsichtlich der Navigation bislang nur zweitrangig gewesen. Vor allem die möglichen Präferenzen des Nutzers hinsichtlich der berechneten Route werden weitestgehend ignoriert oder nur insofern berücksichtigt, als dass der Nutzer aus zwei möglichen berechneten Routen, meist der „schnellsten“ und der „kürzesten“, diejenige auswählen kann, die ihm am ehesten entgegenkommt (cf. Rogers et al. 1999: 198). Diesen Aspekt der individuellen Anpassung der Fahrzeug-Navigation zu behandeln, wird das Ziel dieser Arbeit sein. Sie trägt den Titel „Personalisierung von Routenberechnung bei Navigationssystemen“ und beschäftigt sich vorrangig mit Fahrzeugnavigation. Wenngleich auch die Personalisierung graphischer Benutzeroberflächen

¹ In dieser Arbeit wird zur besseren Lesbarkeit nur die männliche Form verwendet, wenn in einem

allgemeinen Sinn von Personen die Rede ist.

3

(GUI) Gegenstand der nutzerorientierten Gestaltung und Konzeption von Informationssystemen ist, beschränkt sich die vorliegende Schrift auf die Darstellung der Personalisierungsmöglichkeiten bei der Routenberechnung. Es werden nach einer Einführung in die technischen Voraussetzungen der Navigation zwei Ansätze zur Berechnung von personalisierten Routen vorgestellt, ihre Kernkomponenten erklärt und diskutiert, ehe ein Ausblick und eine eigene Stellungnahme folgen werden.

1.1. Personalisierung: Adaptivität und Adaptierbarkeit

Es gibt eine Vielzahl von Möglichkeiten, Informationssysteme und die mit Ihnen verbundenen Prozesse an individuelle kognitive Unterschiede und verschiedene Bedürfnisse anzupassen, und so ihre Effektivität und ihren Nutzen für den Benutzer zu erhöhen. In diesem Zusammenhang wird oft von Adaptivität oder Adaptierbarkeit gesprochen.

Die Fähigkeit zur selbständigen Anpassung der Systeme und Algorithmen an die Eigenschaften und Präferenzen eines Benutzers, wird als Adaptivität bezeichnet. Mit Adaptierbarkeit hingegen ist die Möglichkeit des Nutzers, das System seinen Anforderungen anzupassen, gemeint. Adaptivität meint also die aktive Rolle des Systems im Gegensatz zur Adaptierbarkeit, die eine bewusste Interaktion des Nutzers zum Zweck der Anpassung erfordert (cf. Mandl 2001: 55).

1.2. Navigation

Navigation kann als Prozess definiert werden, der zum Zweck der Orientierung und Wegfindung durchgeführt wird. In ihm wird das Ziel eines Individuums verfolgt, von einem Ort zu einem anderen zu gelangen. Somit ist dieser Problemlösungsprozess vor allem in komplexen und weiträumigen Umgebungen relevant. Eine bedeutende Rolle für die Wegfindung spielen individuelles Vorwissen und geographische Erfahrung (cf. Kikiras et al. 2006: 1).

4

1.3. Global Positioning System

Das Navigational Satellite Timing and Ranging - Global Positioning System“ (NAVSTAR-GPS oder GPS) ist ursprünglich durch das US-Militär entwickelt und offiziell am 17. Juli 1995 in Betrieb genommen worden (cf. Airforce Space Command 1995). Obwohl es anfänglich zur Verwendung im militärischen Bereich vorgesehen und konzipiert war, wird es heute weltweit, neben vielfältigen anderen zivilen Anwendungsbereichen, zur Navigation im Fahrzeug genutzt.

Insgesamt besteht GPS aus 24 (aktiven) Satelliten, die in 20183 km Höhe, gleichmäßig auf 6 Umlaufbahnen verteilt, die Erde in jeweils 23 Stunden, 55 Minuten und 56,6 Sekunden umkreisen. Durch diese Anordnung bestehen von jedem Punkt der Erde aus Sichtlinien zu bestenfalls sechs Satelliten, wobei mindestens drei für eine eindeutige lokale Positionsbestimmung erforderlich sind (cf. Köhne 2004). Die GPS-Satelliten übertragen im Millisekundentakt ihren Identifizierungscode, ihre Uhrzeit und ihre jeweilige Position. Nach dem Empfang des Signals durch ein entsprechendes Empfangsgerät (GPSr) kann, da die Übermittlungsgeschwindigkeit des GPS-Signals bekannt ist, aus der zeitlichen Differenz zwischen dem Senden und dem Empfang des Signals der Abstand zu dem jeweiligen Satelliten berechnet werden. Jeder der berechneten Abstände definiert eine Kugeloberfläche um den Satelliten, auf der sich der Empfänger befinden muss. Durch die Berechnung des Schnittpunktes der Kugeloberflächen von drei oder mehr Satelliten ergibt sich der exakte Punkt des Empfängers auf der Erde (cf. Köhne 2004).

1.4. Einführung in die Routenberechnung

Bei derzeitigen Navigationssystemen wird die berechnete Strecke hinsichtlich der voraussichtlichen Fahrtzeit zum Zielort oder hinsichtlich der berechneten Fahrtstrecke optimiert. Obwohl sich die hierfür genutzten Wege zur Lösung so genannter Single Source Shortest Path Problems (SSSP) immer weiter verbessert haben, basieren viele der vorgeschlagenen Lösungen auf dem Dijkstra-Algorithmus, der 1959 von dem Niederländer Edsger Wybe Dijkstra vorgestellt wurde. Er soll im Folgenden kurz erläutert werden.

5

1.4.1. Der Algorithmus von Dijkstra

Der Dijkstra-Algorithmus dient der Suche des kürzesten Pfades zwischen einem Startpunkt und einem Zielpunkt über Knotenpunkte in einem kantengewichteten Graphen.

Für den Algorithmus ist es nicht aufwendiger die kürzesten Wege von einem Knoten des Graphen zu allen anderen zu bestimmen, als einen kürzesten Weg von einem Start- zu einem Zielknoten zu finden. Die Angabe des Endknotens kann eventuell genutzt werden, um die Berechnung aller kürzesten Wege zwischen den Knoten abzubrechen, nachdem der Endknoten erreicht wurde. Ansonsten endet der Vorgang, wenn alle Knoten entdeckt sind. Im Verlauf der Ausführung ermittelt der Algorithmus für jeden Knoten des ihm übergebenen Graphen zwei Angaben, nämlich das Gewicht des kürzesten Weges vom Startpunkt aus und jeweils einen Verweis auf den vorhergehenden Knoten über den dieser kürzeste Weg verläuft (cf. Fischbach 2004).

1.5. Routengenerierung bei Navigationssystemen

Navigation und automatische Routenberechnung ist ein komplexer Prozess, dessen Qualität und Ergebnis von der Zuverlässigkeit der Hardware (GPS-Empfänger, Satelliten), von der Aktualität der Daten (Kartenmaterial), und von der Leistungsfähigkeit der Routenberechnung in einer Vielzahl vorstellbarer Situationen und Kontexte abhängt.

Die Qualität und die Effizienz der von Navigationssystemen berechneten Routen können somit stark schwanken. Oft wird an Ihnen bemängelt, sie seien zu komplex, unvernünftig und ineffizient. Selten könne zwischen verschiedenen Alternativen gewählt werden und es gebe lediglich begrenzte Möglichkeiten, Präferenzen bei der Wahl der Routen zu berücksichtigen (z.B. Autobahnen zu vermeiden oder bestimmte Städte zu umfahren).

6

2. MyRoute

Das Projekt MyRoute wird seit 2006 an der University of Washington in Seattle durch Patel, Chen, Smith und Landay verfolgt und von Intel Research Seattle unterstützt. Der Ansatz des entwickelten Systems ist es, die Komplexität von Routen zu verringern, die als eine Ursache für eine hohe kognitive Belastung des Nutzers verstanden wird. Die Ablenkung des Fahrers durch den Dialog mit dem Navigationssystem stelle eine mögliche Gefahrenquelle dar und kann zu gefährlichen Situationen während der Fahrt führen.

Anders als Computer, nutzen Menschen vorhandenes Wissen, um bekannte Zwischenschritte einer Route zusammenzufassen, und berücksichtigen Landmarken, also charakteristische Punkte, bei der Beschreibung von Wegen. Oft geben Sie so einen möglichen Geschwindigkeitsgewinn und die Vollständigkeit einer Routenbeschreibung zu Gunsten von Knappheit und Bekanntheit auf. MyRoute imitiert diese menschlichen Strategien bei der Wegbeschreibung, um knappere und bekannte Routen zu generieren. Das System soll personalisierte Routen berechnen, indem es die Vertrautheit des Nutzers mit Landmarken nutzt. Durch die Reduktion der Anzahl der Zwischenschritte und die Wiederverwendung bekannter Routenabschnitte minimiert MyRoute die Ablenkung durch Kommandos des Navigationssystems, führt den Fahrer durch bekannte Gegenden, verringert die kognitive Belastung während der Fahrt und trägt somit zusätzlich zur Sicherheit bei (cf. Patel et al. 2006).

Da das System eine Vertrautheit des Nutzers mit Landmarken erfordert, bringt My-Route den größten Nutzen, wenn der Bereich, in dem navigiert wird, dem Nutzer wenigstens teilweise bekannt ist. MyRoute verliert an Effektivität, wenn der Fahrer durch vollständig unbekannte Umgebungen navigiert. Es wird angenommen, dass diese Situationen jedoch äußerst selten vorkommen (z.B. bei Reisen in gänzlich unbekannte Städte). Der Fahrer sei in den meisten Fällen wenigstens teilweise mit der Umgebung vertraut, so dass die Bekanntheit von gewissen Landmarken vorausgesetzt werden könne. Das System berechnet die bestmögliche Route, wenn entweder der Anfangs- oder der Endpunkt der Navigation dem Nutzer bekannt ist, was bei den am häufigsten auftretenden Anfragesituationen der Fall sei, wenn der Nutzer nach Routen von bekannten Orten zu unbekannten (oder von unbekannten Orten zu bekannten) suche (cf. ebd.).

7

Persönliche Profile sind die Grundlage der Komplexitätsreduktion. MyRoute speichert Profile als Graphen, in denen die Landmarken die Knoten, und die Routen die Kanten darstellen. Bei einem ausgereiften System könnten diese Profile mithilfe von GPS-Ortung angelegt werden.

MyRoute besteht aus den beiden Komponenten Route Compression und Rerouting. Route Compression erhöht die Relevanz für den Nutzer durch die Zusammenfassung der Route zu wenigen, relevanten Schritten (Abbildung 3-1). Wenn z.B. die berechnete Strecke einen Abschnitt enthält, der von der Haustür des Nutzers bis zum Ortsausgang führt, und der Nutzer diese Strecke häufig nutzt, ist es sinnvoll die Zwischenschritte zu entfernen, die bis zum Ortsausgang führen und sie durch eine relevante Anweisung zu ersetzen ( z.B. „Fahren Sie zum Ortsausgang!“). Traditionelle zur Routenberechnung genutzte SSSP-Algorithmen optimieren die Strecke hinsichtlich der Fahrtzeit oder -strecke, auch wenn eine Route existiert, die zwar etwas länger ist, dem Nutzer aber ermöglicht, ihm bekannte Teilabschnitte des Weges zu nutzen. Rerouting berücksichtigt bekannte Landmarken bei der Generierung einer Strecke, um die Zeit zu verringern, die der Fahrer auf ihm unbekannten Streckenabschnitten verbringt (cf. ebd.).

2.1. Route Compression

Grundlage für Route Compression ist eine Speicherung schon bekannter Streckenabschnitte durch das System. Jeder Streckenabschnitt wird als Teilstück des Graphen zwischen zwei Knoten dargestellt, so dass eine vollständige Route r als eine Anzahl von Zwischenschritten s abgebildet werden kann. Wenn sich bei den

Routen r 1 = {s 11 , s 12 , …, s 1a } und r 2 ={s 21 , s 22 , …, s 2b } zwei Zwischenschritte gleichen, werden sie in demselben Knoten n im Graphen gespeichert. Der Knoten speichert weiterhin eine Liste von Zielpunkten, zu denen Routen mit dem Zwischenschritt n.s. führen. Jeder Knoten hat eine Anzahl von untergeordneten Knoten, die den nächsten Schritt in einer Route beschreiben. Wenn z.B. s 22 und s 12 auseinander liefen, hätte n die Unterknoten n.C = {n 1 , n 2 } mit n 1 .s = s 12 und n 2 .s = s 22 . Durch ein einfaches Durchlaufen des Graphen mit seinen Zwischenschritten können die überlappenden Bereiche einer neuen Route festgestellt werden (cf. ebd.).

8

Abbildung 3-1: Route Compression (Patel 2006)

2.2. Rerouting

Obwohl die Verfolgung bekannter Routen zeitaufwändiger sein oder in einer längeren Fahrtstrecke resultieren kann, bevorzugen Fahrer diese häufig gegenüber direkten Routen. Es wird angenommen, dass Fahrer sowohl bekannte als auch kurze Routen favorisieren. Abbildung 3-2 dient zur Verdeutlichung dieser Beziehung. Um diesen Konflikt zu lösen, wird eine Kostenfunktion C(r) genutzt, in der die Attribute Strecke der Zwischenschritte (d), Dauer der Zwischenschritte (t) und Anzahl der Zwischenschritte (s) von Route r gegeneinander aufgewogen werden:

C(r) = α d (d u + β d d f )+α t (t u + β t t f )+ α s (s u + β s s f )

Jeder Faktor enthält bekannte (z.B. d f )

und unbekannte Komponenten (z.B. d u ). Der Koeffizient α repräsentiert das

Gewicht eines jeden Faktors in Relation zu einem anderen Faktor. Der Verlust, der aus der Wahl einer bekannten Route gegenüber einer unbekannten resultiert, wird durch β ausgedrückt. Die Bevorzugung von bekannten Routen wird durch ein β verdeutlicht, das kleiner als 1 ist. Abhängig von der Wahl der Koeffi-Abbildung 3-2: Rerouting (Patel 2006) zienten α und β kann die genierte Route

9

eine bekannte Landmarke enthalten. MyRoute berechnet die Kosten aller möglichen Routen und wählt die Route mit den geringsten Kosten. Die Kosten von Rerouting werden mit den Kosten von Route Compression verglichen. Anschließend wird die günstigste Route ausgegeben (cf. Patel et al. 2006).

2.3. Evaluierung

2.3.1. Durchführung

Um eine erste Evaluierung dieses Systems durchzuführen, wurde eine erste Implementierung in einer Testreihe von zehn Durchläufen mit drei Probanden geprüft. Die Probanden verglichen die von MyRoute generierten Routen mit denen eines Online-Routendienstes. Jeder Teilnehmer besaß ein Fahrzeug und hatte in dem betroffenen Gebiet seit weniger als einem Jahr gelebt. Für die Testreihe wurde eine festgelegte Kostenfunktion verwendet, bei der die Parameter wie folgt definiert wurden: β d = β t = β s = 0,5

α d = 0,02, α t = 0,5, α s = 1.

Nach der Erstellung von Nutzerprofilen, ließen die Probanden Routen zu Zielpunkten ihrer Wahl generieren. Jeder Suchdurchlauf wurde sowohl mit MyRoute als auch mit einem Online-Routendienst durchgeführt. Die Teilnehmer bewerteten die Qualität jeder Route und gaben Kommentare zu Vor- und Nachteilen des Systems ab (cf. ebd.).

2.3.2. Ergebnisse

Die Anzahl der Zwischenschritte einer Route deutet auf die Anzahl der Ablenkungen und somit auf den kognitiven Mehraufwand für den Nutzer während der Fahrt hin. Für alle 30 Suchanfragen war die Anzahl der Zwischenschritte der von MyRoute erstellten Streckenempfehlungen im schlechtesten Fall so groß wie die des Online-Dienstes. Durchschnittlich gab MyRoute weniger Zwischenschritte an. Bei den meisten Strecken bevorzugten die Teilnehmer die von MyRoute berechneten Routen, insbesondere, wenn sie über eine bekannte Landmarke führten. Auf die

10

Frage, wie Rerouting bewertet wurde, deutete ein Proband auf das Verhältnis von Bekanntheit und Geschwindigkeit indem er bemerkte:

„The psychological value of my knowing where a place is approximately is worth a lot more than five minutes of driving time.” (zitiert nach Patel et al. 2006) In den Fällen, in denen die Probanden MyRoute nicht bevorzugten, führten sie an, dass die Zusammenfassung von einem oder zwei Schritten statt nützlich, oft verwirrend war. Oft waren die Teilnehmer mit einer Landmarke vertraut, ohne den sie umgebenden Bereich zu kennen (cf. ebd.).

11

3. Adaptive Interactive Agent

Rogers, Fiechter und Langley von DaimlerChrysler Research and Technology Center in Palo Alto, CA stellen 1999 den Adaptive Interactive Agent vor, ein adaptives Navigationssystem. Hierbei wird in Analogie zu dem Prozess einer Reiseempfehlung eine Route berechnet und dem Nutzer empfohlen. Bei einer Reisempfehlung verändert ein Experte die Route nach einem Anfangsvorschlag unter Berücksichtigung besonderer Wünsche und Präferenzen des Nutzers, so dass durch diese Rückmeldung eine alternative personalisierte Route erstellt werden kann. Dieses adaptive System zur Routenberechnung ist für die Nutzung in einem Fahrzeug entwickelt. Es erfordert wenige Ressourcen, da es eine kabellose Kommunikationsinfrastruktur nutzt, über die ressourcenintensive Funktionen wie die Routenberechnung und Ortung (Geolocation) auf einem separaten Server ausgeführt werden (cf. Rogers et al. 1999: 198).

3.1. Aufbau des Systems

Aufgrund der besonderen Ansprüche erfordert das System Möglichkeiten, Daten wie z.B. digitales Kartenmaterial zu speichern und ressourcenintensive Routenberechnungen durchzuführen. Es wird angenommen, dass diese Ressourcen in Fahrzeugen nur begrenzt zur Verfügung stehen, so dass eine Client-Server-Architektur nahe gelegt wird, um ressourcenintensive Operationen auf einen separaten Server auszulagern. Das System generiert die Route anfangs mit einem Standard-Nutzermodell und verfeinert es durch die Rückmeldung in der Interaktion mit dem Nutzer (cf. Rogers et al. 1999: 199).

3.2. Routenberechnungsalgorithmus

Der Algorithmus zu Routenberechnung plant einen Pfad mittels einer digitalen Karte von einem Start- zu einem Zielpunkt. Wie bei allen bislang vorgestellten Ansätzen wird die Route als Graph dargestellt, dessen Knoten die Kreuzungen und dessen Kanten die Teilstücke der Route zwischen den Kreuzungen darstellen. In der Karte sind für jede Teilstrecke die Attribute „Länge“, „geschätzte Fahrtzeit“, „zu fahrender

12

Winkel zu verbundenen Teilstrecken“ und „Art der Straße“ (z.B. Autobahn, Kraftfahrtstraße, Landstraße, …) gespeichert. Bei der Ermittlung der Strecke greift das System auf diese Attribute zu, um Fahrtzeit, -strecke, Anzahl der Abbiegevorgänge, Anzahl der Kreuzungen und zurückzulegende Strecke auf jeder Straßenart zu ermitteln. Der Routenberechnungsalgorithmus ermittelt den kürzesten Weg von einem Startpunkt zu einem willkürlichen Zielpunkt. Die Kosten eines Streckenabschnitts werden durch die Summe der gewichteten Attribute bestimmt. Der gewichtete Vektor übernimmt die Rolle des personalisierten Nutzermodells, das die relative Bedeutung der Gewichte definiert. Die Route mit den geringsten Kosten wird auch hier mittels einer leicht optimierten Version des Dijkstra-Algorithmus ermittelt (cf. Rogers et al. 1999: 199f).

3.3. Aufbau des Nutzermodells

Auch wenn die Gewichtung der Attribute jedes Streckenabschnitts eine sehr flexible Kostenfunktion ermöglicht, könne einem Nutzer nicht abverlangt werden, seine relative Präferenz für jedes Attribut selbst zu spezifizieren. Der Adaptive Interactive Agent schlussfolgert aufgrund der durch den Benutzer gewählten Strecken selbst die Gewichte der Attribute der Kostenfunktion, und ermittelt so seine individuellen Vorzüge und Wünsche.

Hierfür wird ein Trainingsalgorithmus implementiert, der während der Interaktion des Nutzers mit dem System einen gewichteten Vektor ermittelt, mit dem die vorher geäußerten Präferenzen des Nutzers modelliert werden:

Durch eine Kostenfunktion, in der ein Vektor die messbaren Attribute und ein weiterer Gewichtsvektor die anfänglichen Gewichte für diese Attribute enthält, wird die relative Bedeutung der Attribute zueinander definiert. Wenn das System feststellt, dass eine gefahrene Route hinsichtlich ihrer Attributsgewichtung nicht der anfangs empfohlenen Route entspricht, modifiziert der Trainingsalgorithmus die Gewichte der Route entsprechend, indem er die Differenz der Gewichte ermittelt und die Repräsentation der gegenwärtigen Nutzerpräferenz für die nächste Berechnung anpasst. Wenn bei der Interaktion eine durch den Nutzer gewählte Alternativroute nicht dem gegenwärtigen Modell entspricht, passt die Adaptionsmethode das Nutzermodell entsprechend der Gewichtung der Attribute der gewählten Route an. Das System ermittelt so vorhandene Bedienmuster und sagt auf ihrer Grundlage Standardwerte für zukünftige Interaktionen voraus.

13

Bei der Interaktion mit dem System wird dem Nutzer eine Reihe generierter Routen angeboten und so eine Rückmeldung durch ihn erzwungen, die darauf hin deutet, welche Route zu bevorzugen ist. Rogers et al. gehen davon aus, dass der Benutzerfreundlichkeit des Systems eine solche Form der Interaktion nicht schade, da der Nutzer bevorzugte Strecken evaluiere, indem er eine durch das System angebotene Route wähle.

Durch die Nutzung der gewichteten Attribute im Routenalgorithmus wird mithilfe der Kostenfunktion stets die dem Nutzermodell am stärksten entsprechende Route ausgegeben, wobei es zwar Strecken geben kann, die ihm hinsichtlich einzelner Attribute stärker entgegenkommen, aber keine Route, die hinsichtlich aller Attribute angepasster sein kann (cf. Rogers et al. 1999: 200).

3.4. Evaluierung

3.4.1. Durchführung

Um den Adaptions-Algorithmus unabhängig von den anderen Funktionalitäten des Adaptive Interactive Agent (z.B. Graphischer Benutzeroberfläche) zu evaluieren, wurde auf dem Papier eine Reihe von Interaktionen simuliert. Es wurden 20 verschiedene Routenanfragen zwischen Straßenkreuzungen im Ballungsraum Palo Alto, CA durchgeführt. Da es keine ausreichenden Möglichkeiten gab, ein Nutzermodell anzulegen, wurden Strecken berechnet, deren Attributs-Gewichte derart gewählt waren, dass jeweils ein Attribut mit 1 und die übrigen mit 0 gewichtet wurden, so dass vier alternativen Routen erstellt wurden, die jeweils für Fahrtzeit, -strecke, Anzahl der Abbiegevorgänge und Anzahl der Kreuzungen optimiert waren. Die berechneten Strecken wurden zufällig benannt und auf Papier ausgedruckt (Abbildung 4-1).

14

Die teilnehmenden Probanden wurden gebeten, die jeweiligen Routen für jede Anfrage zu bewerten. Insgesamt wurden so 120 simulierte Interaktionen und Rückmeldungen durchgeführt, um festzustellen, ob sich die Gewichte durch die Präferenzen des Nutzers verändern (cf. Rogers et al. 1999: 202f).

Abbildung 4-1: Auswahl von Alternativstrecken bei der Evaluierung des Adaptive Interactive Agent

(Rogers 1999: 202)

3.4.2. Ergebnisse

Die Ergebnisse deuten darauf hin, dass die Präferenzen für bestimmte Routencharakteristika innerhalb der Stichprobe stark schwanken. Einige Probanden waren dazu bereit, große Strecken zurückzulegen, um ihre Route hinsichtlich einzelner Attribute zu verbessern. Andere maßen eher anderen Attributen mehr Bedeutung zu, um kürzere Strecken zu erhalten.

Um den Vorteil des personalisierten Nutzermodells gegenüber dem Standardnutzermodell zu ermitteln, wurden 2880 Interaktionen mit dem System simuliert. Die Ergebnisse zeigten, dass die Genauigkeit des Standardmodells über die gesamte Testreihe hinweg wesentlich geringer war als die der personalisierten Modelle.

15

Dennoch zeigten sich auch bei ihnen Schwächen, was möglicherweise auf die Inkonsistenz von Entscheidungen des Nutzers oder auf das Fehlen zusätzlich relevanter Attribute bei der Routenrepräsentation zurückzuführen ist (cf. Rogers et al. 1999: 203).

16

4. Beurteilung der Systeme

Obwohl bei beiden anfangs vorgestellten Systemen die Fähigkeit der Anpassung an den Nutzer nachweisbar ist, ist zu hinterfragen, inwiefern bei ihr von Adaptivität gesprochen werden kann und wie effektiv die Systeme sich an die Wünsche eines Nutzers anpassen können.

4.1. Gewichtete Attribute

Beiden vorgestellten Systemen ist die Nutzung gewichteter Attribute gemeinsam, die die Nutzerpräferenzen beschreiben, sowie eine Kostenfunktion, in die diese Attribute einfließen und die der Berechnung der angepassten Route dient. Mit ihnen wird das Nutzermodell für die jeweilige Routenberechnung erstellt, und durch ihre Modifizierung wird die eigentliche Personalisierung erreicht.

Es ist nicht klar, welche verschiedenen Aspekte bei der Bevorzugung einer Route durch einen Nutzer berücksichtigt werden, so dass Uneinigkeit über die Anzahl der Variablen herrscht, die bei der Repräsentation dieses Prozesses in die Kostenfunktion einfließen sollen. Patel et al. (2006) nutzen die Attribute „Anzahl von Zwischenschritten“, „Strecke von Zwischenschritten“ und „Dauer von Zwischenschritten“ in ihrer Kostenfunktion, um die Beweggründe des Nutzers darzustellen. Bei dem von Rogers et al. (1999: 199) vorgestellten System fließen die Attribute „Länge“, „geschätzte Fahrtzeit“, „zu fahrender Winkel zu verbundenen Teilstrecken“ und „Art der Straße“ in die Kostenfunktion mit ein, die als Attribute von Teilstrecken gespeichert sind. Die Annahme, das mentale Modell des Nutzers konzipiere gefahrene Strecken als eine Anzahl aufeinander folgender Zwischenschritte oder Teilstrecken, ist bei beiden Systemen impliziert. Es ist zu prüfen, ob dieses Konzept von Routenwahrnehmung tatsächlich mit kognitionspsychologischen Erkenntnissen vereinbar ist und den Wahrnehmungsprozess adäquat beschreibt. Die menschliche Strategie, bei gesprochener Sprache Streckenverläufe schrittweise zu beschreiben, könnte ein Hinweis hierfür sein. Auch Kikiras et al. (2006: 2) betonen, dass die gedankliche Segmentierung einer Strecke eine wesentliche Voraussetzung für die Wegfindung sei.

17

Rogers et al. (1999: 203) merken an, dass eine Vielzahl anderer nicht berücksichtigter Gesichtspunkte für die Routenwahl durch den Nutzer eine Rolle spielen könnte, und auch wenn ein im Fahrzeug verbautes Navigationssystem personalisierte Attribute aufgrund des direkten Zugriffs auf die Fahrzeugdaten gut verarbeiten könne, sei die Ermittlung von Präferenzen und das Identifizieren von tatsächlichen Beweggründen für die Wahl einer Route aus Entscheidungen des Nutzers technisch schwer durchführbar. Auch Patel et al. (2006) betonen, dass durch eine Vergrößerung der Attributsanzahl in der Kostenfunktion die tatsächlichen Ansprüche des Nutzers besser modelliert werden könnten.

4.2. Kostenfunktion

Die Kostenfunktion dient in beiden vorgestellten Systemen der Definition der relativen Bedeutung der Attribute zueinander und somit der Ermittlung der jeweiligen Nutzerpräferenzen.

Bei MyRoute wird der Versuch unternommen, die relative Bekanntheit von Routen in die Kostenfunktion einfließen zu lassen. Hierzu wird zusätzlich zu dem Koeffizienten α, mit dem die Präferenzen für einzelne Streckenattribute zum Ausdruck gebracht werden, der weitere Koeffizient β eingeführt. Durch seine Multiplikation mit den gewichteten Attributen einer bekannten Strecke wird der Verlust ausgedrückt, der aus der Austauschbeziehung zwischen der Bevorzugung bekannter Routen gegenüber unbekannten Routen resultiert (cf. Patel et al. 2006).

Rogers et al. (1999: 199f) nutzen in ihrem System den Unterschied der Attributsgewichte in der Kostenfunktion, der sich aus der Bevorzugung einer Alternativroute gegenüber einer anfangs vorgeschlagenen Route ergibt, um auf die Nutzerpräferenzen hinsichtlich Gewichtung zu schließen. Zukünftige vorgeschlagene Routen werden durch die Anpassung der Attributsgewichte in der Kostenfunktion um die ermittelte Differenz modifiziert.

4.3. Modellierung von Bekanntheit

Die in MyRoute genutzte Kostenfunktion impliziert ein boolesches Verständnis von „Bekanntheit“ (cf. Patel et al. 2006). Durch die Unterscheidung von bekannten und unbekannten Teilstrecken wird ausgeschlossen, dass es Streckenabschnitte gibt, die nur eingeschränkt bekannt sind. So berücksichtigt dieses Modell nicht, dass zwar

18

Landmarken dem Nutzer bekannt sein können, nicht aber das sie umgebende Gebiet. Patel et al. (2006) deuten an, dass in ihrer Kostenfunktion „Bekanntheit“ sehr starr und vereinfacht dargestellt werde und stellen die Entwicklung flexiblerer und adäquaterer Kostenfunktionen in Aussicht.

Rogers et al. (1999: 203) führen in diesem Zusammenhang die zukünftige Aufgabe an, „Bekanntheit“ als kontinuierlichen Wert auszudrücken. Weiterhin würden auch Versuche unternommen, andere induktive Methoden zusätzlich zu nutzen, um das System an die Wünsche des Nutzers zu adaptieren. Hierbei reichen die Möglichkeiten von statistischen Methoden wie Regression über bevorzugte Attribute, und Primärfaktorenanalyse der Variablen, bis hin zur Modellierung neuronaler Netze (cf. a.a.O.: 205).

4.4. Interaktionsabhängigkeit

Sowohl MyRoute als auch der Adaptive Interactive Agent sind von einer bewussten Rückmeldung des Nutzers abhängig, um seine Präferenzen für Routen in einem Nutzermodell festhalten zu können.

Während bei letztgenanntem System die Interaktion des Nutzers bei der Wahl alternativer Routen zur Ermittlung der Attribute herangezogen werden, die seine Präferenzen beschreiben, müssen sie bei dem Prototypen von MyRoute derzeit noch vor der Routengenerierung manuell im Nutzermodell erfasst werden (cf. Patel et al. 2006). Der Adaptive Interactive Agent erzwingt bei jeder Interaktion eine Entscheidungshandlung des Nutzers, wodurch das System gut in der Lage ist, Nutzerwünsche zu ermitteln (cf. Rogers et al. 1999: 200). Es wird jedoch auch hier angenommen, dass der Nutzer eine klare Vorstellung von seinen Präferenzen hat und unter ihrer Berücksichtigung eine Entscheidung für eine Route treffen kann. Beide Systeme erfordern also eine bewusste Nutzerinteraktion mit dem System, so dass grundsätzlich zwar von lernfähigen Systemen, nicht aber uneingeschränkt von adaptiven Systemen gesprochen werden kann (cf. Mandl 2001: 55).

19

Die Minimierung der Rückmeldung durch den Nutzer ist eine Voraussetzung für echte Adaptivität. Rogers (1999: 205) hält sie für die Implementierung lernfähiger, individualisierbarer Systeme in Fahrzeugen unabdingbar:

“This low interaction requirement is crucial for in-car decision making where the driver’s attention is necessarily focused elsewhere.” (ebd.)

4.5. Relativität von Landmarken

MyRoute nutzt Landmarken-Information, um dem Fahrer mittels Rerouting eine leicht verständliche und möglichst bekannte Strecke zu empfehlen. Landmarken sind als charakteristische Punkte mit einem hohen Wiedererkennungswert für die Routennavigation von höchster Bedeutung (cf. Sefelin et al. 2005: 287). Hierbei wird angenommen, dass Landmarken, auf die sich die Routenbeschreibung bezieht, von allen Nutzern gleich wahrgenommen werden.

Sefelin et al. (2005: 288ff) zeigen eine klare Definition und eine nachvollziehbare, eindeutige namentliche Beschreibung von Landmarken als Anforderungen für die Zielführung auf. Sie weisen darauf hin, dass Landmarken, auf die sich bei der Navigation bezogen wird, so gewählt sein sollten, dass sie für den Kontext des jeweiligen Nutzers relevant sind.

Kikiras et al. (2006: 3) deuten an, dass Wahrnehmung von Landmarken stark individuell sei, was bei der Beschreibung von Routen besonders berücksichtigt werden müsse. Für die Effektivität von Landmarken spielten somit auch alters- und geschlechtsspezifische Präferenzen eine bedeutende Rolle:

“[…] for male users in the age range 16-65 the most suitable way of providing routing instructions is by using descriptions in metric and geographic notations (e.g., “follow this route to the north for one kilometer [sic], then turn towards north-east and drive for about two more kilometers [sic]”). On the other hand, for female users, irrespective of their age, the most suitable way for providing navigational instructions is by using landmarks (e.g., “follow this road until you arrive to the next church, then turn

20

right until you arrive at a square, then you may find your destination at the upper part of the square”). For children and elderly people the most suitable way of providing routing instructions is by segmenting the path in many easy-to-remember segments, i.e., having at least one clearly distinguishing landmark.” (ebd.)

4.6. Evaluierung

Für die Evaluierung von MyRoute ist eine vorläufige Version des Systems implementiert worden, allerdings wurde, um sie zu testen lediglich auf eine Stichprobe von drei Probanden zurückgegriffen, so dass hier, auch wenn zehn Durchläufe erfolgt sind, nicht von Repräsentativität gesprochen werden kann.

Bei der Evaluierung des Adaptive Interactive Agent wurde zwar auf eine große Gruppe von Testpersonen zurückgegriffen, allerdings fand die Bewertung der durch einen Experten generierten Routen in dessen Anwesenheit statt, so dass hier keine Testumgebung geschaffen worden ist, die der tatsächlichen Nutzungssituation im Fahrzeug entsprach. Weiterhin wurden, um die Adaptivität des Systems zu prüfen, die Attributsgewichte auf eine unnatürliche Art verändert, was den Probanden die Wahl für die jeweiligen Streckencharakteristika erleichtert und so die Ergebnisse verfälscht haben könnte.

Zur Evaluierung dieser Systeme sollten einerseits frühzeitig Nutzertests anhand erster Implementierungen durchgeführt, und andererseits auf tatsächliche Nutzergruppen in einer repräsentativen Stichprobe zurückgegriffen werden. Kaasinen (2003: 71ff) beschreibt einen möglichen Rahmen für die Evaluierung von Navigationssystemen, in dem auf verschiedene Nutzergruppen (z.B. Senioren, Heranwachsende, Familien, Studenten, aber auch auf Sehbehinderte) aus unterschiedlichen Lebensumgebungen (ländlichen und städtischen Gebieten) zurückgegriffen wurde. Zusätzlich wurden auch Personengruppen berücksichtigt, die besonders mit Navigation vertraut waren, z.B. von Probanden, die beruflich oder in ihrer Freizeit Navigationsgeräte häufig nutzten. So konnte gewährleistet werden, dass die geprüften Systeme auch den Ansprüchen gerecht wurden, die eine große Anzahl von Probanden nicht notwendigerweise mit ihren Bewertungen abdeckt.

21

4.7. Berücksichtigung des Nutzungskontextes

Die Berücksichtigung des Nutzungskontextes zur Interpretation der Intention des Fahrers kann in Fahrzeugen verbauten Informationssystemen einen hohen Mehrwert bringen und stark zur Vereinfachung ihrer Bedienung beitragen. Moran et al. (2001: 3) beschreiben die Vorzüge von Context Aware Computing wie folgt: “Context is a powerful, and longstanding, concept in human-computer interaction. Interaction with computation is by explicit acts of communication (e.g., pointing to a menu item), and the context is implicit (e.g., default settings). Context can be used to interpret explicit acts, making communication much more efficient. […] Communication can be not only effortless, but also naturally fit in with our ongoing activities. Pushing this further, the actions we take are not even felt to be communication acts at all; rather, we just engaged in normal activities; and the computation becomes invisible (e.g., Norman, 1998). […] Context refers to the physical and social situation in which computational devices are embedded. One goal of context-aware computing is to acquire and utilize information about the context of a device to provide services that are appropriate to the particular people, place, time, events, etc.” (ebd.) Auch Kaasinen (2002: 70) sieht hierin den Vorteil einer solchen context awareness: “An efficient way of improving the usability of mobile services and applications is to adapt the contents and presentation of the service to each individual user and his/her current context of use. In this way, the amount of user interaction will be minimised: the user has quick access to the information or service that (s)he needs in his/her current context of use.” (ebd.)

Obwohl der Adaptive Interactive Agent fähig ist, das Nutzermodell in einer Reihe von Interaktionen an die Vorgaben des Nutzers anzupassen, ist er dennoch nicht flexibel genug, sich auf unterschiedliche Anfragesituationen einstellen zu können. Der Problemkontext des Fahrers wird durch dieses System nicht erkannt. So können z.B. unterschiedliche Routenpräferenzen zu bestimmten Tageszeiten oder an bestimmten Wochentagen nicht erfasst werden (z.B. der Wunsch des Nutzers, an bestimmten Wochentagen auf dem Heimweg besonders verkehrsreiche Streckenabschnitte oder etwa Streckenabschnitte mit schlechtem Fahrbahnuntergrund zu vermeiden).

22

Die gegenwärtige Systemarchitektur setzt voraus, dass Nutzerpräferenzen über die Zeit relativ stabil sind und aus der Wahl bestimmter Routen bestimmte Muster zu erkennen sind, vernachlässigt aber die Tatsache, dass unterschiedliche Nutzungskontexte nicht durch die derzeitige Konzeption des Nutzermodells erfasst werden. Durch die Modifikation der Attribute ohne gleichzeitige Kontexterkennung, kann das Nutzermodell derart verändert werden, dass die vorgeschlagenen Routen den Wünschen eines Nutzers in einer bestimmten Problemsituation nicht angepasst sind. Weiterhin ist denkbar, dass das System das Nutzermodell verändert, der Nutzer aber keine Notwendigkeit hierfür sieht. Es findet in diesem Fall eine Personalisierung an den Bedürfnissen des Fahrers vorbei statt. Frustration und eine Ablehnung des Systems können die Folge sein. Obwohl das System fehlerfrei arbeitet, ist es möglich, dass es in einigen Situationen nicht gelingt, den Erwartungen des Nutzers gerecht zu werden. Fahrmaier et al. (2006: 38) sprechen bei derartigen Fehlern von „unwanted behavior“:

“We use the term unwanted behavior [Hervorhebung durch Verfasser] to designate the phenomenon where the behavior of a given system, while free of errors, still differs from the expectations of its current user.” (ebd.) Die fehlerhafte Einschätzung durch das System kann mithilfe Normans Konzeption mentaler Modelle (cf. Soegaard 2007) veranschaulicht werden: Das mentale Modell des Systems und das des Nutzers stimmten hinsichtlich der derzeitigen Nutzungssituation nicht überein (cf. Fahrmaier et al. 2006: 38ff). Fahrmaier et al. (ebd.) sehen den Grund für dieses Problem in der unzureichenden Berücksichtigung der Erfordernisse wechselnder Kontexte während der Entwicklung mobiler Systeme. Auch eine aufgrund fehlender Modalitäten zu gering ausgeprägte Fähigkeit des Systems, unterschiedliche Situationen wahrzunehmen, könne unwanted behavior hervorrufen.

4.8. Telematik

Der Adaptive Interactive Agent verfügt über eine komplexe Server-Client-Architektur und ist so in der Lage komplexe Berechnungen von einem leistungsstarken Server ausführen zu lassen (cf. Rogers et al 1999: 199). Die Position des Fahrzeuges, aber auch die während der Fahrt ermittelten Nutzerprofile, lassen sich so aus dem Fahr-

23

zeug an den Anbieter eines solchen - meist kostenpflichtigen - Dienstes übermitteln, so dass dem Nutzer über das Navigationssystem weitere individuell angepasste Informationen angeboten werden könnten. Bei derartigen Diensten lässt sich im Allgemeinen von Telematik sprechen:

“Automotive telematics may be defined as the informationintensive [sic] applications that are being enabled for vehicles by a combination of telecommunications and computing technology. Telematics by its nature requires the capture of sensor data, storage and exchange of data to obtain remote services.” (Duri et al. 2002: 25) Die Berücksichtigung außerhalb des Fahrzeugs verfügbarer Informationsquellen ermöglicht weitere integrierte Dienste, so z.B. die Kommunikation von Fahrzeugen untereinander (cf. Proskowetz 2007), aber auch den Zugriff auf Internetdienste vom Fahrzeug aus via GPRS oder IEEE 802.11 (WLAN). Christl (2007) stellt im Rahmen der Suche der Automobilindustrie nach einem gemeinsamen Datenübertragungsstandard die dynamische Kombinierung von Informationen aus dem Internet mit lokal verfügbaren Informationen des Fahrzeugs in Aussicht. So sei es möglich, aktuellste Informationen zu Kraftstoffpreisen aus dem Internet mit den fahrzeugeigenen Daten zur Reichweite und GPS-Diensten zu kombinieren und sich so die Route zur günstigsten noch erreichbaren Tankstelle generieren zu lassen. Duri et al. (2002: 25) zeigen eine Vielzahl weiterer denkbarer Dienste auf:

“The automobile is, in effect, a computing platform to which mobile commerce services may be delivered. The services being delivered today on a regular basis and projected for the near future include navigation information, emergency roadside assistance, location-based services, delivery of digital information such as email, entertainment, diagnostics and prognostics, and pay-for-use rental and insurance.“ (ebd.)

4.9. Datenschutz

Mit dem Sammeln und Übertragen personenbezogener Daten gehen auch Fragen zum Datenschutz und Sorge vor Datenmissbrauch einher (cf. ebd.). Häufig wird auf das Recht zur Anonymität verwiesen. Es werde gefordert, Datenanalyse und Ortung

24

unabhängig von Servern auf den Client-Geräten durchführen zu lassen, um so vor einem Missbrauch der Daten geschützt zu sein (cf. Kaasinen 2003: 77). Ackermann, Darrel und Weitzner (2001: 167-176) betonen die Austauschbeziehung zwischen der Freigabe persönlicher Daten durch den Nutzer und dem möglichen Nutzen des Dienstes. Duri et al. (a.a.O.) merken an, dass, bevor persönliche Daten gesammelt werden dürften, die Zustimmung desjenigen, den diese Daten beträfen, eingeholt werden müsse. Hiermit gehe einher, dass der Nutzer über die Art und den Zweck der Datensammlung informiert werde, und ihm die Möglichkeit eingeräumt werden müsse, die Freigabe der personenbezogenen Daten zu verweigern. Kaasinen (a.a.O.) fordert die Entwicklung eines Standards, der analog zur Platform for Privacy Preferences Specification (P3P) des World Wide Web Consortiums (W3C), die Nutzerwünsche hinsichtlich des Schutzes eigener Daten berücksichtigt: “This specification allows web browsers to interpret the privacy practices of the Web sites and compare these with the predefined user preferences for privacy. Then the user does not have to consider privacy issues separately with each individual Web site.” (ebd.)

Dieser Ansatz könnte sowohl für Navigationssysteme als auch für weitere durch Telematik ermöglichte Dienste genutzt werden.

5. Fazit und Ausblick

Die vorliegende Arbeit hat das Thema der Personalisierung von Routenberechnung behandelt. Es wurden die beiden Systemkonzepte MyRoute und Adaptive Interactive Agent skizziert, und anhand ihrer Kernkomponenten gegenübergestellt. Obwohl sowohl MyRoute als auch Adaptive Interactive Agent zahlreiche Aspekte der Personalisierung von Routen verwirklichen können, zeigt sich bei näherer Prüfung der Konzepte, dass Ihnen ein stark vereinfachtes Verständnis von Nutzerpräferenzen zugrunde liegt. Die gewichteten Attribute, die der Beschreibung des individualisierten Nutzermodells dienen, sind unzureichend und nicht erschöpfend gewählt. Auch den Kostenfunktionen, die der Berechnung der Routen anhand der geäußerten Nutzerpräferenzen dienen, gelingt es nicht, die vom Nutzer berücksichtigten Gesichtspunkte

25

bei der Routenauswahl ausreichend zu modellieren. Obwohl Patel et al. (2006) die Bekanntheit bestimmter Streckenabschnitte berücksichtigen, wird diese in der Kostenfunktion nicht flexibel modelliert. Es wird von der Bekanntheit von Landmarken auf die Bekanntheit ihrer Umgebung geschlossen, so dass eingeschränkt bekannte Streckenabschnitte im Nutzermodell ausgeschlossen sind. Auch wird die individuelle Wahrnehmung von Strecken und Landmarken nicht bedacht.

Wenngleich bei beiden vorgestellten Konzepten eine Evaluierung erfolgt ist, weist diese Kritikpunkte auf und muss überdacht werden, um eine detaillierte Verbesserung der Systeme zu ermöglichen.

Dennoch muss eingeräumt werden, dass eine erste Annäherung gelungen ist: bei beiden Systemen gelingen Veränderungen des Standardnutzermodells, so dass personalisierte Routenempfehlungen erfolgen können. Weitere Analysen der menschlichen Entscheidungsfindung bei der Routennavigation könnten Aufschluss über die Art der tatsächlich relevanten Gesichtspunkte liefern. Weiterhin besteht die Möglichkeit, die personalisierten Routenempfehlungen durch Kontexterkennung effektiver zu gestalten. Die Menge der hierfür aufzuzeichnenden und zu verarbeitenden Daten könnte, wie von Rogers (1999: 199) vorgeschlagen, mithilfe einer Client-Server-Technologie ausgelagert werden, so dass sich komplexe Nutzerprofile anlegen lassen und weitere personalisierte Dienste angeboten werden können. Die derzeitigen Entwicklungen des Marktes für Telematik bestätigen diesen Trend. Zukünftig wird auch der Schutz der persönlichen Daten des Nutzers zunehmend eine wichtige Rolle spielen: die Möglichkeiten erfordern technische Lösungen, die mit informationsethischen Grundsätzen vereinbar sind und die gleichzeitig die Leistungsfähigkeit der Dienste nicht einschränken, so dass der Endverbraucher selbst entscheiden kann, wieweit sein Nutzerprofil angelegt und für welche weiteren Angebote es genutzt werden soll.

Der Nutzen von personalisierbaren Diensten im Alltag hängt neben ihrer Gebrauchstauglichkeit auch von der Akzeptanz durch den Nutzer ab. Der Nutzer wird kaum geneigt sein, schlecht personalisierende Geräte zu akzeptieren; ein zu starres Nutzerprofil hingegen kann zu dem Gefühl der Bevormundung und letztendlich zur Ablehnung dieser Systeme führen. Die frühzeitige und ganzheitliche Evaluierung von Navigationssystemen während ihrer Entwicklung dient dem Erkenntnisgewinn, kann

26

groben Fehlern entgegenwirken und eine Einschätzung der Attraktivität des Gerätes für den Kunden erleichtern. Zusätzlich zu der Verbesserung der Gebrauchstauglichkeit der Navigation im Fahrzeug wird so auch Wissen über die menschliche Wahrnehmung von Routen gewonnen.

27

Literaturverzeichnis

ACKERMANN, Mark; Trevor DARREL; Daniel J. WEITZNER (2001): Privacy In Context. In: Personal Ubiquitous Computing, Vol. 5. London: 58-61

AIR FORCE SPACE COMMAND (1995): NEWS RELEASE - GLOBAL POSITION-ING SYSTEM FULLY OPERATIONAL. 17.05.1995. (Erstellt: 10.03.2005. Zugriff: 15.03.2007, 18:07 MEZ)

CHRISTL, Arnd (Director Strategic Initiatives; Intel Corporation) (15.03.2007; 14:10 -14:30): Digital Convergence from Home to Car. Vortrag: CeBIT 2007. CeBIT in Motion: Forum for Telematics and Navigation

DURI, Sastry; Marco GRUTESER; Xuan LIU; Paul MOSKOVITZ; Ronald PEREZ; Moninder SINGH; Jung-Mu TANG (2002): Framework for Security and Privacy in Automotive Telematics. In: Proceedings of the 2nd international workshop on Mobile commerce. Atlanta: 25 - 32

FAHRMAIR, Michael; Wassiou SITOU; Bernd SPANFELNER (2006): Unwanted Behavior and its Impact on Adaptive Systems in Ubiquitous Computing. In: LWA 2006 : Lernen - Wissensentdeckung - Adaptivität (Workshop 9.11.10.2006 in Hildesheim) / Martin Schaaf, Klaus-Dieter Althoff [Hrsg.]

FISCHBACH, Tim (2004): Dijkstras Algorithmus. Kürzeste Wege im öffentlichen Nahverkehr. (Erstellt: 11.08.2004. Zugriff: 15.03.2007, 18:33 MEZ)

HANISCH, A. (1997): Kleine Einführung in das

GPS-Satelliten-Navigations-System. Grundprinzipien, Einsatzmöglichkeiten, Systemauswahl und Fachbegriffe. (Erstellt: 22.05.1999. Zugriff: 15.03.2007, 07:46 MEZ)

KAASINEN, Eija (2003): User needs for location-aware mobile service. In: Personal and Ubiquitous Computing, Vol. 7. London: S. 70-79

KIKIRAS, Panayotis; Vassileios TSETSOS; Stathes HADJIEFTHYMIADES (2006): Ontology-Based User Modeling for Pedestrian Navigation Systems. In: Proceedings

28

on Ubiquitous User Modelling Workshop (2006). Riva del Garda: S. 1

KÖHNE, Anja; Michael WÖSSNER (2004): Bestimmung der Position bei GPS-Satelliten. (Erstellt: 31.12.2005. Zugriff: 15.03.2007, 18:22 MEZ)

KÖHNE, Anja; Michael WÖSSNER (2004): Die Umlaufbahnen der GPS-Satelliten. (Erstellt: 30.11.2005. Zugriff: 15.03.2007, 18:20 MEZ)

MANDL, Thomas (2001): Tolerantes Information Retrieval: Neuronale Netze zur Erhöhung der Adaptivität und Flexibilität bei der Informationssuche. Hildesheim.

MORAN, Thomas P.; Paul DOURISH (2001): Introduction to This Special Issue on Context-Aware Computing. In: Human Computer Interaction, Vol. 16 (2). New Jersey: S. 87-95

OFFICE OF THE PRESS SECRETARY (2000): Statement by the president regarding the United States' decision to stop degrading Global Positioning System Accuracy. (Erstellt: 26.05.2000. Zugriff: 15.03.2007, 07:31 MEZ)

PATEL, Kayur; Mike Y. CHEN; Ian SMITH; James A. LANDAY (2006): Personalizing Routes. In: Proceedings of the 19th annual ACM symposium on User interface software and technology. Montreux: S. 187 - 190

PROSKAWETZ, Karl-Oskar (2007): Car2Car Communication Consortium. (Zugriff: 16.03.2007, 18:49)

ROGERS, Seth; Claude-Nicolas FIECHTER; Pat LANGLEY (1999): An Adaptive Interactive Route Agent for Route Advice. In: Proceedings of the third annual conference on Autonomous Agents ‘99. Seattle: S. 198-205

SEFELIN, Reinhard; Michael BECHINIE; Regine MÜLLER; Verena SEIBERT-GILLER; Peter MESSNER; Manfred TSCHELIGI (2005): Landmarks: Yes; but Which? Five Methods to Select Optimal Landmarks for a Landmark- and Speechbased Guiding System. In: Proceedings of the 7th international conference on Human computer interaction with mobile devices & services. Salzburg: S. 287 - 290

29

SOEGAARD, Mads (2007): Interaction-Design.org Encyclopedia: Mental models. (Erstellt: 21.04.2003; Zugriff: 15.03.2007, 21:08) < http://www.interactiondesign.org/encyclopedia/mental_models.html>

WINKELHAAGE, Johannes (2006): Navigationssysteme werden billiger und beliebter. In: Frankfurter Allgemeine Zeitung. Nr. 31 (06.02.2006). Frankfurt: S. 19

ZERLAUTH, S. (1998): Verfahren der GPS-Navigation. (Erstellt: 05/1998. Letzte Aktualisierung: 20. Januar 2004. Zugriff: 15.03.2007)

Abbildungsverzeichnis

Abbildung 3-1: Route Compression (Patel 2006) ............................................................. 8 Abbildung 3-2: Rerouting (Patel 2006)............................................................................... 8 Abbildung 4-1: Auswahl von Alternativstrecken bei der Evaluierung des Adaptive Interactive Agent (Rogers 1999: 202) .................................................... 13

30