Zurück Vor

Detailergebnis zu DOK-Nr. 75712

Klassifikation und Prädiktion der Verkehrsumgebung für das automatisierte Fahren

Autoren	A.M. Sonka
Sachgebiete	6.2 Verkehrsberechnungen, Verkehrsmodelle 6.7.2 Verkehrsbeeinflussung außerorts, Verkehrsmanagement, Fahrerassistenzsysteme

Düren: Shaker, 2020, XXIV, 152 S., zahlr. B, T, 89 Q, Anhang (Schriftenreihe Fahrzeugdynamik und Aktive Systeme am Institut für Fahrzeugtechnik, TU Braunschweig Bd. 1). - ISBN 978-3-8440-7304-1

Im Zuge der Entwicklung des automatisierten und vernetzten Fahrens entstehen neue Herausforderungen durch die Vorhersage des Verhaltens anderer Verkehrsteilnehmer, welche für eine kollisionsfreie Manöverplanung des eigenen Fahrzeugs nötig ist. Auch das bessere Verständnis aufgezeichneter Messdaten ist von hoher Wichtigkeit, da diese in aufbereiteter Form als Lerndaten die Grundlage der Verhaltensprädiktion der Verkehrsumgebung sowie vieler weiterer Anwendungen bilden. Das Ziel der Dissertation ist das Aufzeigen von Synergien, welche sich aus der Verwendung ähnlicher Methoden des maschinellen Lernens für beide Bereiche ergeben, der Sortierung und Klassifikation bestehender Messdaten sowie der Vorhersage des Verhaltens anderer Verkehrsteilnehmer. Im ersten Teil werden mit der Fahrzeugsensorik aufgezeichnete Messdaten verwendet, um darin regelbasiert frei durch den Anwender definierbare Manöver zu klassifizieren. Das Verfahren liefert qualitativ gute Ergebnisse, die Autobahnmanöver werden zuvor mit einer neu konzipierten Beschreibungssprache entworfen. Ferner erfolgt mit Fokus auf Autobahn-Spurwechselsituationen eine Klassifikation der Messdaten mit auf maschinellem Lernen und Regeln basierenden, orthogonal wirkenden Algorithmen. Der duale Ansatz sorgt gegenüber einfachen Klassifikatoren für eine Reduktion der falsch positiven Erkennungen um 75 % bei leicht geringerer Positiv-Detektionsrate. Der zweite Teil widmet sich dem Ziel einer vorausschauenden Prädiktion, zunächst für einscherende Objekte auf der Autobahn. Durch den Vergleich mit einer umfangreichen Lerndatenbank werden verschiedene Kombinationen online gemessener Objektmerkmale genutzt, um bereits durchschnittlich mehr als 0,6 s vor Überfahrt der Spurmarkierung ein Einscheren zu erkennen. Nur 20 % der Ereignisse werden dabei nicht als solche erkannt. Innerstädtisch werden rechtsabbiegende Fahrzeuge an einer großen Forschungskreuzung in Braunschweig prädiziert, diesmal unter Nutzung von Algorithmen, welche mit Infrastrukturdaten angelernt werden.