Detailergebnis zu DOK-Nr. 78783
Maschinelle Lernverfahren zur videobasierten Intentionserkennung von Radfahrern mit stationären Kameras
| Autoren |
S. Zernetsch |
|---|---|
| Sachgebiete |
0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 5.5 Radverkehr, Radwege |
Kassel: Kassel University Press, 2022, XVI, 199 S., zahlr. B, T, 110 Q (Intelligent Embedded Systems Bd. 22). - ISBN 978-3-7376-1053-7. - Online-Ressource: Zugriff über: https://kobra.uni-kassel.de/handle/123456789/13966
Im Verkehr der Zukunft werden sich immer mehr automatisierte Fahrzeuge die Straße mit Radfahrern teilen. Um eine sichere Interaktion zu gewährleisten, müssen automatisierte Fahrzeuge neben der aktuellen Position eines Radfahrers auch dessen zukünftige Positionen schätzen. Während moderne Fahrzeuge mit Fahrerassistenzsystemen ausgestattet sind, kommt es besonders an dicht befahrenen Knotenpunkten, wie innerstädtischen Kreuzungen, häufig zu Verdeckungssituationen durch andere Verkehrsteilnehmende. Diese Situationen können durch infrastrukturbasierte Kameras aufgelöst werden. Durch höhergelegene Anbringungsorte der Kameras können Verdeckungssituationen vermieden und eine hochgenaue Modellierung des Fahrzeugumfelds generiert werden. In der Arbeit wurden maschinelle Lernverfahren zur videobasierten Intentionserkennung bei Radfahrenden entwickelt und evaluiert. Die für die Untersuchungen verwendeten Videodaten wurden durch ein Weitwinkel-Stereokamerasystem, bestehend aus zwei hochauflösenden Kameras, erfasst. Ziel war die Intentionserkennung bei Radfahrenden. Hierzu zählen sowohl die Detektion des Bewegungszustands des Radfahrers, wie zum Beispiel Warten oder Losfahren als auch die Vorhersage der zukünftigen Positionen. Zu den Kernthemen der Arbeit gehören die Einbeziehung von Videodaten in den Intentionserkennungsprozess, die Verwendung von geschätzten Bewegungszuständen zur Verbesserung der Trajektorienprädiktion und die Entwicklung von probabilistischen Verfahren zur Trajektorienprädiktion. Durch die Einbeziehung von Videodaten wurden in den Bereichen der Bewegungszustandsdetektion und der Trajektorienprädiktion deutliche Verbesserungen im Vergleich zu positionsbasierten Methoden erzielt. Im Bereich der probabilistischen Trajektorienprädiktion konnte durch die Kombination aus Bewegungszustandsdetektion und Trajektorienprädiktion ein Verfahren entwickelt werden, welches den aktuellen Stand der Technik übertrifft.