forschung

Motivation

Quelle: www.honda-ri.de
Quelle: www.honda-ri.de

In den letzten Jahren etablierte sich eine Vielzahl von Fahrerassistenzsystemen für das teilautonome Fahren bei niedrigen und hohen Geschwindigkeiten. Dabei kommen immer mehr Algorithmen der künstlichen Intelligenz wie probabilistische Filter, maschinelles Sehen und Lernen, evolutionäre Optimierung und Suchverfahren zum Einsatz.

Gegenstand aktueller Forschung ist die Verwendung von prädiktiven anstatt reaktiven Fahrerassistenzsystemen. Zum Beispiel erkennt das intelligente ACC von Honda ob ein Fahrzeug auf der benachbarten Spur einschert und kann damit früher die Geschwindigkeit verringern. Der Komfort des Systems ist infolgedessen erhöht.

In innerstädtischen Szenarien bei mittlerer Geschwindigkeit spielt die Interaktion von Verkehrsteilnehmern eine dominante Rolle. Ohne ihre Verhaltensprädiktion kann kein Fahrerassistenzsystem entwickelt werden.

Problemstellung

Quelle: Damerow & Eggert. Predictive Risk Maps. Proceedings of ITSC 2014
Quelle: Damerow & Eggert. Predictive Risk Maps. Proceedings of ITSC 2014

Grundlage der Arbeit ist eine allgemeine Methode zur Verhaltensprädiktion und Bewegungsplanung. Zuerst werden mit einem bayesschen Netz mögliche Szenarien gefiltert und mit einem agentenbasierten Verkehrsmodell die Trajektorien der Verkehrsteilnehmer prädiziert. Anschließend lässt sich über Risikokarten das Kollisionsrisiko schätzen und über RRT eine unfallfreie Trajektorie für das eigene Fahrzeug ableiten.

Ziel der Arbeit ist es die Methode für eine kamerabasierte Warnapplikation bei Kreuzungen auf ein Auto zu implementieren. Dafür müssen folgende Anpassungen oder Erweiterungen erarbeitet werden:

  • Die aus Kameradaten gemessenen Verkehrsteilnehmer sind in die Straßenstruktur von Kartendaten zu integrieren. Die Schätzung der aktuellen Position und Geschwindigkeit aller Verkehrsteilnehmer beinhaltet Unsicherheiten und darf die Robustheit nicht reduzieren.
  • Ein Hauptteil der Rechenzeit wird vom Verkehrsmodell beansprucht. Um die Echtzeit zu gewährleisten, sind Modifikationen am Verkehrsmodell anzuwenden. Die Genauigkeit soll deswegen nicht verringert sein.
  • Mit Unfalldaten ist es möglich die Risikoschätzung zu validieren. Es ergeben sich Werte zur Parametrierung des Modells. Über die Klassifikation von Trajektorien in Fahrertypen können zusätzlich zeitliche Schwankungen in den Parametern ermittelt und eine Personalisierung des Risikos erreicht werden.
  • Die unfallfreie Trajektorie muss in eine für den Fahrer verständliche Warnung umgewandelt werden. Wenn die Abweichung von realer zu unfallfreier Trajektorie einen Schwellwert überschreitet, werden risikominimierende Manöver empfohlen.

Unterstützt wird die Forschung durch die Honda Research Institute Europe GmbH

zurück zur Übersicht der Forschungsthemen am Fachgebiet