Situations- und fahreradaptives Längs- und Querführungssystem für den urbanen Straßenverkehr

Abstract

Durch aktuelle Fahrerassistenzsysteme zur Längs- oder Querführung wird die fahrzeugführende Person bereits gut auf Landstraßen sowie Autobahnen unterstützt. Diese Arbeit liefert einen Beitrag dazu, eine kontinuierliche Unterstützung in Längs- und Querführung auf die erhöhten Anforderungen des urbanen Straßenverkehr auszuweiten. Dafür wird ein Konzept im Sinne der kooperativen Fahrzeugführung entwickelt und realisiert, um eine Zusammenführung der Fähigkeiten von Mensch und System bei Wahrnehmung, Interpretation und Handlung zu erreichen. Über eine intuitive Schnittstelle wird es der fahrzeugführenden Person ermöglicht, mit der eigenen Wahrnehmung, Erfahrung und dem resultierenden Situationsverständnis, die maschinelle Wahrnehmung des Systems zu ergänzen. Mit einem hierzu entwickelten System erfolgt eine eindeutige Klassifikation der Verkehrssituation aus fünf als relevant identifizierten Situationen. Abhängig von der klassifizierten Situation wird aus der Fahrereingabe ein Manöverwunsch interpretiert und die Längs- und Querführung vom System durchgeführt. Somit kann der urbane Straßenverkehr durch eine integrierte Längs- und Querführung erschlossen und eine Entlastung der fahrzeugführenden Person in einem solchen Umfeld erreicht werden. Um dem Unterstützungsbedarf verschiedener Fahrerinnen und Fahrer zu begegnen, wird aufbauend auf dem prototypisch umgesetzten System ein Ansatz entwickelt, um maschinell Fahrerprofile bestimmen zu können. Dafür werden mittels Bayes’scher Netze situationsspezifisch Fahrerintentionen prädiziert. Zur Konstruktion der Bayes’schen Netze werden die relevanten Verkehrssituationen analysiert und die kausalen Zusammenhänge im Netz abgebildet. Die A-priori- und Übergangswahrscheinlichkeiten werden aus einem Teil der Daten einer im Rahmen der Arbeit durchgeführten Realfahrstudie gelernt und anschließend zu drei Fahrerprofilen klassifiziert. Aufgrund des Vorliegens weicher Evidenz für mehrere Variablen der Netze erfolgt die Prädiktion der Fahrerintentionen mit Bayes’schen Zusammenfassung Netzen unter Anwendung des Big-Clique-Algorithmus. Die Validierung der Prädiktion mit den verbleibenden Datensätzen aus der Realfahrstudie zeigt die grundsätzliche Eignung des Verfahrens zum maschinellen Lernen von unterschiedlichen Fahrerprofilen und lässt den Ausblick zu, dass damit auch für weitere Fahrerassistenzsysteme gute Ergebnisse bei hinreichend großer Datenbasis erzielt werden können.

Current driver assistance systems for longitudinal or lateral guidance already provide good support for the driver on country roads and motorways. This work contributes to extending continuous assistance in longitudinal and lateral guidance to meet the increased requirements of urban road traffic. For this purpose, a concept in the sense of Cooperative Vehicle Guidance was conceptualized and implemented into a prototype car, in order to achieve a synergy of human and system capabilities in perception, interpretation and action. An intuitive interface is provided to the driver that allows the use of his or her own perception, experience and understanding of the situation to supplement the system-based perception and request a specific maneuver. The developed system provides a classification of traffic situations, of which five were identified as relevant beforehand. Depending on the classified situation, a driver’s maneuver request is interpreted by the system and longitudinal and lateral guidance is performed. In this manner, the presented integrated longitudinal and lateral guidance system makes complex urban traffic accessible and supports the driver in this environment. In order to meet individual needs of different drivers, a machine-learning approach was developed that derives driver profiles computationally. For this purpose, situation-specific driver intentions are predicted using Bayesian networks. To construct the Bayesian networks, the relevant traffic situations were analyzed and causal relationships were mapped within the network. Urban traffic data was collected in a driving study on public roads using the prototype system. The apriori and transition probabilities were trained from a subset of this data set and then classified into three different driver profiles. Due to the existence of soft evidence for several variables of the networks, the prediction of driver’s intentions is done with Bayesian networks using the big clique algorithm. The validation of the prediction, carried out with the remaining subset of data, demonstrates the general suitability of this machine-learning-based method to derive driver profiles and Abstract suggests that this approach could be used for further driver assistance systems, given that sufficient data is available.