Die steigende Komplexität von Verkehrssituationen stellt hohe Anforderungen an den Menschen in der Aufgabe der Fahrzeugführung. Aktive Fahrerassistenzsysteme haben zwar in den letzten Jahren stetig zur Steigerung von Fahrkomfort und Sicherheit geführt, um aber der großen Menge an heute alltäglichen herausfordernden und potentiell gefährlichen Fahrsituationen zu entgegnen müssen moderne Assistenzsysteme Situationen mit Gefahrenpotential immer früher erkennen. Unser Ansatz zur Verbesserung von Fahrsicherheit und -komfort ist ein Bayessches Netz, welches auf Basis von kontinuierlichen, situationscharakteristischen Merkmalen die Wahrscheinlichkeiten für mögliche zukünftige Fahrmanöver des eigenen sowie der Umgebungsfahrzeuge inferiert und damit zukünftigen Fahrerassistenzsystemen die Möglichkeit gibt proaktiv die Einleitung von Verkehrssituationen mit Gefahrenpotential zu vermeiden. Da der Stand der Technik im Bereich Sensorik eine große Menge an erfassbaren Merkmalen bezogen auf die Fahrsituation ermöglicht, jedoch nicht jedes erfassbare Merkmal zur Prädiktion von verschiedenen Fahrmanövern gleichermaßen geeignet ist, liegt der Fokus dieser Arbeit auf der Selektion derjenigen Merkmale, die als optimale Eingänge für einen Klassifikator dienen. Die Selektion wird auf Basis eines informationstheoretischen Filters realisiert, der eine Filterung nicht nur der für das Klassifikationsverfahren unnötigen Merkmale ermöglicht, sondern auch auf Merkmalabhängigkeiten und -redundanzen hinweist. Eine verbesserte Klassifikationsgenauigkeit sowie eine schnellere Inferenz und nicht zuletzt ein besseres Verständnis des Verkehrsgeschehens sind die Vorteile der Merkmalselektion. Weiterhin liegt der Inferenz im Bayesschen Netz in dieser Arbeit eine aus Beobachtungen des realen Fahrverhaltens gelernte Rritikalitätsbewertung der für die Klassifikation relevanten Merkmale zugrunde, die eine Diskretisierung der Eingangsdaten überflüssig macht. Die Effizienz und Effektivität dieser Methoden kann anhand von realen Fahrdaten auf deutschen Autobahnen aufgezeigt werden, bei denen Spurwechsel als Beispiel für potentiell gefährliche Fahrmanöver prädiziert wurden.


    Access

    Access via TIB

    Check availability in my library

    Order at Subito €


    Export, share and cite



    Title :

    Effektive Nutzung von hochdimensionalen kontinuierlichen Umfelddaten zur Prädiktion von Fahrverhalten mit Bayesschen Netzen


    Contributors:


    Publication date :

    2015


    Size :

    20 Seiten, Bilder, Tabellen, 18 Quellen



    Type of media :

    Conference paper


    Type of material :

    Print


    Language :

    German





    Beurteilen von Kinetose mittels Bayesschen Netzen

    KING JULIAN / ALAYAN MOHAMAD | European Patent Office | 2021

    Free access

    Merkmalselektion zur Prädiktion von Motivationsbasiertem Fahrverhalten

    Rehder, Tobias / Maas, N. / Louis, L. et al. | Springer Verlag | 2016


    Optimierte Nutzung von Umfelddaten in der Verkehrsbeeinflussung

    Schwietering, Christoph / Füg, Johannes / Kretschmann, Florian et al. | ELBA - Federal Highway Research Institute (BASt) | 2024

    Free access