Detailergebnis zu DOK-Nr. 77514
Bildbasierte Navigation von autonomen Fahrzeugen in Straßenumgebungen mit unerwarteten Gefahren (Orig. engl.: Vision-based navigation of autonomous vehicles in roadway environments with unexpected hazards)
| Autoren |
M. Islam M. Chowdhury H. Li H. Hu |
|---|---|
| Sachgebiete |
0.11 Datenverarbeitung 6.3 Verkehrssicherheit (Unfälle) 6.7.2 Verkehrsbeeinflussung außerorts, Verkehrsmanagement, Fahrerassistenzsysteme |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2673, H. 12, 2019, S. 494-507, 14 B, 1 T, 47 Q. - Online-Ressource: verfügbar unter: http://journals.sagepub.com/home/trr
Die bildgestützte Navigation autonomer Fahrzeuge hängt in erster Linie von Systemen auf der Grundlage von tiefen neuronalen Netzen (DNN) ab, bei denen das Steuergerät Eingaben von Sensoren/Detektoren, zum Beispiel Kameras, erhält und eine Ausgabe für die Fahrzeugsteuerung erzeugt, zum Beispiel einen Lenkradwinkel, um das Fahrzeug sicher im Straßenverkehr zu steuern. Normalerweise werden diese DNN-basierten Systeme im autonomen Fahrzeug durch überwachtes Lernen trainiert; neuere Studien zeigen jedoch, dass ein trainiertes DNN-basiertes System durch Störungen oder ungünstige Eingaben beeinträchtigt werden kann. In ähnlicher Weise kann diese Störung in die DNN-basierten Systeme autonomer Fahrzeuge durch unerwartete Gefahren auf der Straße, wie Gegenstände oder Straßensperren, eingeführt werden. In der Studie wird zunächst eine gefährliche Straßenumgebung vorgestellt, die das DNN-basierte Navigationssystem eines autonomen Fahrzeugs beeinträchtigen und einen falschen Lenkradwinkel erzeugen kann, was zu Unfällen mit Todesfolge oder Verletzungen führen kann. Dann wurde ein DNN-basiertes autonomes Fahrzeugfahrsystem, das Objekterkennung und semantische Segmentierung verwendet, entwickelt, um die negativen Auswirkungen dieser Art von Gefahren zu mildern, was dem autonomen Fahrzeug hilft, sicher um solche Gefahren zu navigieren. Es wurde festgestellt, dass das entwickelte DNN-basierte autonome Fahrsystem, einschließlich der Erkennung gefährlicher Objekte und der semantischen Segmentierung, die Navigationsfähigkeit eines autonomen Fahrzeugs zur Vermeidung potenzieller Gefahren um 21 % im Vergleich zum herkömmlichen DNN-basierten autonomen Fahrsystem verbessert.