Der Fokus dieser Arbeit liegt auf dem menschliches Fahrverhalten im Straßenverkehr. Davon werden zwei Aspekte abgedeckt: Dessen Vorhersage, einschließlich der Identifikation relevanter Einflussfaktoren, sowie die Verhaltensgenerierung für autonome Fahrzeuge. Die Verhaltensvorhersage basiert auf einer Feldstudie, bei der Probanden mit einem Messfahrzeug innerstädtische Kreuzungen durchfahren haben. Die gefahrene Trajektorie und Lidar-Aufnahmen werden dazu genutzt, um Komplexitätseigenschaften zu definieren, die die Umgebung an der Kreuzung, den Verkehr dort sowie den Fahrweg beschreiben. Das Fahrverhalten wird über weitere Eigenschaften charakterisiert. Basierend auf den Komplexitätseigenschaften werden Regressionsmodelle trainiert, um die Verhaltenseigenschaften vorherzusagen. Dazu werden lineare Regression, Random Forest und Gradient Boosting Machine genutzt. Verschiedene Mengen der Komplexitätseigenschaften, inklusive einiger, die durch einen Autoencoder reduziert werden, werden für die Vorhersage verwendet. Die Ergebnisse zeigen, dass das Fahrverhalten zuverlässig vorhergesagt werden kann. Werden jedoch Komplexitätseigenschaftsmengen mit nur wenigen Eigenschaften verwendet, ist die Vorhersageleistung reduziert. Um einen Komplexitätswert zu erhalten, der sich mit der menschlichen Wahrnehmung von Komplexität deckt, wurde eine Onlinestudie durchgeführt, bei der Videos von Anfahrten an Kreuzungen genutzt wurden. In Paarvergleichen waren die Teilnehmer aufgefordert, die komplexere Situation zu identifizieren. Anhand dieser Daten werden Komplexitätswerte für die in der Studie beinhalteten Kreuzungsdurchfahrten berechnet. Mehrere Methoden kommen zum Einsatz, um diese Werte den Durchfahrten der ursprünglichen Feldstudie zuzuweisen. Diese zugeordneten Komplexitätswerte werden benutzt, um Verhaltens-Regressionsmodelle zu trainieren. Die Ergebnisse zeigen, dass die Verhaltensvorhersage mit den Komplexitätswerten möglich ist, jedoch erfordern es die meisten Varianten, dass zusätzlich die Abbiegerichtung als zweite Eigenschaft berücksichtigt wird. Die Verhaltensgenerierung zur Entscheidungsfindung an T-Kreuzungen basiert auf einem ereignisdiskreten System. Für dieses werden mehrere Eigenschaften genutzt, um Ereignisse zu definieren, welche den Status des Entscheidungsfindungsprozesses an der Kreuzung beschreiben. Die Ereignisse lösen die Übergänge zwischen den Zuständen des ereignisdiskreten Modells aus. Allen Zuständen ist entweder offensives oder defensives Fahrverhalten zugewiesen, welches über das Intelligent Driver Model implementiert wird. Der Algorithmus wird über eine Simulationsumgebung validiert. Unter Nutzung einer generischen Karte und mehrerer realer Karten wird das Entscheidungsfindungsmodell 14400 mal simuliert, während es mit weiteren Kooperationsfahrzeugen interagiert. Keiner dieser Durchläufe führte zu einer Kollision des Fahrzeugs, das den Algorithmus ausführte, und die Zeiten zur Durchquerung der Kreuzung können mit der Anzahl von Kooperationsfahrzeugen sowie den Kreuzungsformen erklärt werden. Weitere Simulationen dienen dazu, den Einfluss eingeschränkter Sicht an den Kreuzungen auf das Modell zu untersuchen.
Driver Behavior Analysis and Decision-Making for Autonomous Driving at Non-Signalized Inner City Intersections
2024
Book
Electronic Resource
English
TIBKAT | 2024
|TIBKAT | 2024
|GWLB - Gottfried Wilhelm Leibniz Bibliothek | 2025
|Driver Behavior Characteristics at Urban Signalized Intersections
Transportation Research Record | 2004
|