Vorausschauende Fahrerassistenzsysteme benötigen eine präzise Kenntnis der Fahrerintention. Diese wird in der vorliegenden Untersuchung durch den zukünftigen Fahrzeugkurs beschrieben, welcher durch ein zirkuläres Fahrmodell mit zwei Freiheitsgraden approximiert wird. Die freien Parameter werden durch Maschinelles Lernen (Random Forest) geschätzt, woraus die Prädiktion des Fahrzeugkurses resultiert. Durch die Berücksichtigung zahlreicher Indikatorsignale, was bisher nur für die Schätzung diskreter Fahrmanöver untersucht wurde, konnten vielversprechende Resultate für eine universelle Verwendbarkeit erzielt werden. Für eine anwendungsbezogene Auswertung wurde, basierend auf der Kursschätzung, ein Kollisionswarnsystem implementiert. Der Nutzen wurde kritisch analysiert, wobei sich durch die verbesserte Kursschätzung ein bedeutender Vorteil in der Robustheit gegen Fehlalarme ergab. Diese Stabilität ist von hoher Wichtigkeit für eine gute Systemakzeptanz des Fahrers. Bei der vorgestellten Methodik wird der zukünftige Fahrzeugkurs durch ein Modell approximiert, dessen Parameter in einem transformierten Raum anhand zahlreicher Indikatorsignale durch den Random Forest Algorithmus prädiziert werden. Für einen Prädiktionszeitraum von ?t = 2s wurde ein mittlerer Kursfehler von 0.11 m erzielt, was gegenüber zirkulärer Kursprädiktion eine Reduzierung um 39 % darstellt. Bei der Verwendung der Kursschätzung zur Kollisionsdetektion in einem Warnsystem konnte durch Maschinelles Lernen besonders die Fehlalarmrate um 21 % verbessert werden, was für die Akzeptanz bei Benutzern entscheidend ist. Die Vorteile sind darauf zurückzuführen, dass Fehlalarme besonders in Szenen mit hoher Fahreraktivit ät auftraten, in denen die Betrachtung erweiterter Indikatorsignale durch den Random Forest Algorithmus entscheidend für die Bestimmung der Fahrerintention und Kursprädiktion ist. Gestellte Kollisionen wurden in einer Simulation zu 90 % vermieden bzw. stark gelindert, was ein hohes Nutzenpotenzial verspricht. Durch die zugrundeliegende verbesserte Kursprädiktion ergab sich hier kein Vorteil gegenüber zirkulärer Prädiktion, was durch die Inaktivität des Fahrers in Kollisionssituationen erklärt wird. Unsere zukünftigen Arbeiten adressieren die folgenden Punkte: Durch die notwendige Diskretisierung für die Prädiktion kontinuierlicher Kursparameter wird ein systematischer Fehler eingeführt. Dieser soll verringert werden, indem zum Beispiel ein situativ abhängiges Diskretisierungsraster verwendet wird. Ein weiterer Optimierungspunkt ist das zugrundeliegende zirkuläre Kursmodell, durch welches Fahrszenen mit S-förmigem Verlauf (zum Beispiel knappes Ausweichen) nicht modelliert werden können. Zurzeit wird ein komplexeres Fahrmodell mit einem weiteren Freiheitsgrad untersucht, durch welches eine Änderung der Kurskrümmung kappa abgebildet wird und somit Ausweichvorgänge gut modellierbar werden.
Verbesserte Kursprädiktion durch maschinelles Lernen am Beispiel eines Kollisionswarnsystems
Improved vehicle course prediction by machine learning for collision warning systems
2010
19 Seiten, 10 Bilder, 23 Quellen
Conference paper
Storage medium
German
Verbesserte Kurzpraedikation durch maschinelles Lernen am Beispiel eines Kollisionswarnsystems
Automotive engineering | 2010
|Maschinelles Lernen Aktiver Sicherheitssysteme am Beispiel Fußgängerschutz
British Library Conference Proceedings | 2016
|Optimierung der Diagnose durch maschinelles Lernen aus Felddaten
Tema Archive | 2012
|