Laterale Trajektorienprädiktion für Motorräder

Abstract

Motorradfahrer gehören zu den vulnerablen Verkehrsteilnehmern und erfahren zu einem vielfach höheren Risiko Unfälle mit schweren oder tödlichen Verletzungen. Es werden deshalb aktive Sicherheitssysteme für Motorräder entwickelt, um das Auftreten von Unfällen zu vermeiden. Damit zukünftige Systeme in zusätzlichen Fahrsituationen warnen oder rechtzeitig eingreifen können, benötigen diese eine Prädiktion der Fahrt, im Allgemeinen ausgedrückt durch die zukünftige Positionstrajektorie. Bestehende physikalische Modelle der Trajektorien- prädiktion gehen nicht auf die Eigenheiten des Zweirads ein und erreichen besonders in Kurvenfahrt Vorausschauzeiten von nur 1 s bis maximal 2 s. Die besondere Querdynamik des Zweirads motiviert die Erforschung von motorradspezifischen Modellen der Trajektorienprädiktion. Ein Versuchsmotorrad wird ausgestattet, um bisher nicht verwendete Messgrößen der Lenk-Zustandsgrößen, der Lenkmoment-Fahrereingabe und des Fahrerverhaltens in Oberkörperposition und Kopfdrehung zu erfassen. Nach der Untersuchung des querdynamischen Übertragungs- und Fahrerverhaltens anhand von Fahrversuchen wird ein geringes Potenzial motorradspezifischer physikalischer Prädiktionsmodelle festgestellt. Stattdessen wird ein manöverbasierter Prädiktionsansatz verfolgt, welcher mittels der Methode des maschinellen Lernens Informationen zur Fahrerabsicht aus der Zeithistorie von Fahr- dynamiksignalen und der neuen Signale der Lenkung und des Fahrerverhaltens interpretiert. Basierend auf einem 74 h und 21 Fahrer umfassenden, selbst erhobenen Fahrdatensatz wird ein auf LSTM-Zellen (Long Short-Term Memory) basierendes neuronales Netz entwickelt. Indem dieses eine Rollwinkeltrajektorie über einen 4 s langen Prädiktionshorizont vorhersagt, wird gezielt nur die laterale Komponente der Trajektorienprädiktion adressiert. Die Transformation in eine Positionstrajektorie erfolgt unter der Annahme konstanter Geschwindigkeit. Die manöverbasierte laterale Trajektorienprädiktion erreicht in 98,6 % der Testsituationen mindestens 2 s Vorausschauzeit. Gegenüber der Standard-Prädiktion konstanter Kurvenfahrt wird die Anzahl der Situationen mit weniger als 2 s Vorausschau um 89 % reduziert. Die Bedeutung der neuartigen Messgrößen der Lenkung und des Fahrerverhaltens für die Prädiktionsgüte wird in Ablationsstudien untersucht. Wenn sie nicht zur Verfügung stehen, steigt der laterale Positionsfehler um 11,6 %. Rund die Hälfte des positiven Effekts geht vom Lenkmomentsignal aus, welches die Prädiktion in der ersten Sekunde verbessert. Bis zur Prädiktionszeit von 1,5 s und 3 s haben die Oberkörperposition und der Kopfdrehwinkel positiven Einfluss. Die Forschung an motorradspezifischer Trajektorienprädiktion führt zu neuen Erkenntnissen bzgl. Fahrereingaben und -verhalten in Kurvenfahrt und schafft die Grundlagen für die Entwicklung zukünftiger Assistenz- und Sicherheitssysteme im Motorrad.

Motorcycle riders belong to the group of vulnerable road users as they are in high risk of heavy injury or fatality in case of accidents. The development of active safety systems for motorcycles aims to prevent these from occurring. Such systems need a predictive element, generally a trajectory prediction, to warn or intervene properly in critical riding situations. State-of-the-art physical trajectory prediction models do not account for the unique characteristics of two- wheelers and thus achieve look-ahead times of only 1 to max. 2 seconds, especially in cornering. The special lateral dynamics of two-wheelers motivates research on motorcycle-specific algorithms for trajectory prediction. A test motorcycle is being equipped to measure steering state variables, the steering torque rider input, and signals of rider behaviour in upper body position and head rotation – all these signals are not used in existing systems. After investigating the motorcycles’ transfer behaviour and rider behaviour based on specific lateral dynamic test manoeuvres, motorcycle-specific physical models for trajectory prediction are assessed low potential. Instead, a manoeuvre-based prediction approach is pursued, that uses machine learning methods to interpret information on rider intention from the time history of riding dynamic as well as the new steering and rider behaviour signals. A neural network comprising LSTM cells (long short-term memory) is developed based on a self-collected data set containing 74 hours of open road riding and 21 riders. It purposely addresses only the lateral component of trajectory prediction by forecasting a roll angle trajectory over a prediction horizon of 4 seconds. This is transformed into a trajectory of future relative positions assuming constant longitudinal velocity of the motorcycle. The manoeuvre-based lateral trajectory prediction achieves at least 2 seconds look-ahead time in 98.6 % of the test situations. Compared to the standard trajectory prediction that assumes constant cornering, the number of predictions with less than 2 seconds look-ahead time is reduced by 89 %. The importance of the new steering and rider behaviour measurements for the prediction quality is investigated in ablation studies. The lateral position error increases by 11.6 % if all of them are not available. About half of the positive effect comes from the steering torque signal, that strongly improves the prediction in the first second. The upper body position improves trajectory prediction up to a prediction time of 1.5 seconds, the head rotation angle even up to 3 seconds. This research on motorcycle-specific lateral trajectory prediction provides new insights concerning rider inputs and behaviour in cornering and lays the foundation for the development of future motorcycle assistance and safety systems.