Automatisierte Fahrfunktionen im urbanen Raum stellen eine Schlüsseltechnologie der Mobilität der Zukunft dar. Für den Einsatz dieser Technologie muss ihre Sicherheit nachgewiesen werden. Dieser Nachweis kann erbracht werden, indem die automatisierte Fahrfunktion in allen relevanten Betriebssituationen getestet wurde. Eine zentrale Herausforderung liegt in der Ermittlung und Auflistung dieser Betriebssituationen. Ein prominenter Ansatz zur Validierung automatisierter Fahrfunktionen basiert auf der umfassenden Analyse und Simulation relevanter Verkehrsszenarien. Zentrale Voraussetzung für die szenariobasierte Validierung ist das Wissen über im urbanen Verkehr vorkommende Situationen. Die vorliegende Dissertation adressiert die Herausforderung der datenbasierten Szenarienanalyse zur Extraktion dieser Szenarien aus Daten. Es wird ein neuartiges Konzept vorgestellt, das auf einer modellfreien Analyse von realen Verkehrsaufzeichnungen basiert. Kernstück des Konzepts ist ein Verfahren zum Clustering semantisch ähnlicher Teile der Verkehrsaufzeichnungen (hier: Fahrsequenzen). Aus jedem Cluster ähnlicher Fahrsequenzen wird dann ein Szenario für die Validierung abgeleitet. Das Fahrsequenz-Clustering wird in einen Prozess zur strukturierten Sammlung und Verarbeitung der notwendigen Daten eingeordnet. Des Weiteren werden statistische Verfahren beschrieben, um anhand der Clustering-Ergebnisse die Auftretenswahrscheinlichkeiten von Szenarien zu ermitteln sowie die Anzahl der noch unbekannten Szenarien abzuschätzen. Das Konzept wird anhand von zwei Datensätzen evaluiert – einem simulierten Datensatz und einer realen Verkehrsaufzeichnung einer urbanen Kreuzung. Die Ergebnisse zeigen, dass das Fahrsequenz-Clustering in der Lage ist, ähnliche Fahrsequenzen zu gruppieren und so auf die Anzahl und Häufigkeitsverteilung der im Datensatz vorhandenen Szenarien zu schließen. Dabei liegt die Zahl der Szenarien deutlich unter der Zahl der aufgezeichneten Fahrsequenzen. Die Dissertation leistet somit einen Beitrag zur Entwicklung und Zulassung automatisierter Fahrfunktionen im urbanen Raum. Das Fahrsequenz-Clustering sowie die abgeleiteten Auftretenswahrscheinlichkeiten können für die Auswahl zu testender Szenarien sowie bei der Gewichtung und Bewertung von ermittelten Risiken genutzt werden. Die statistischen Betrachtungen dienen als Säule der Sicherheitsargumentation für die Zulassung einer automatisierten Fahrfunktion, da sie den Grad der Vollständigkeit des betrachteten Datensatzes abschätzen können.
Fahrsequenz-Clustering zur datenbasierten Szenarienanalyse für die Validierung urbaner automatisierter Fahrfunktionen
2025
Book
Electronic Resource
German
Klassifizierung automatisierter Fahrfunktionen
Springer Verlag | 2024
|Methodik zur effizienten Applikation automatisierter Fahrfunktionen
DataCite | 2023
|