Erkennung von Fahrmanövern mit objektorientierten Bayes-Netzen in Autobahnszenarien

Abstract

Die Steigerung der Verkehrssicherheit ist seit langer Zeit das Ziel der Automobilhersteller. Dazu wurden in vergangenen Jahren viele Fahrerassistenzsysteme entwickelt, die das Fahren sicherer oder komfortabler machen. Bei den bereits zur Verfügung stehenden Assistenzsystemen ist noch ein großer Verbesserungspotenzial vorhanden. Ein vom Fahrer nicht nachvollziehbares Warnen in unterschiedlichen Situationen ist nur eines der Probleme bei der Entwicklung von Fahrerassistenzsystemen. Um eine größere Kundenakzeptanz zu erreichen, muss die vorliegende Situation von Assistenzsystemen besser interpretiert werden können. Dies erfordert nicht nur die Verbesserung der eingesetzten Sensorik zur Umfeld-Erfassung, sondern auch den Einsatz neuer Techniken, unter anderem die Anwendung von Methoden der künstlichen Intelligenz. Durch die Entwicklung eines Verständnisses für eine vorliegende Situation kann das Verhalten eines Assistenzsystems an diese angepasst werden. Dadurch wird die Kundenakzeptanz erhöht, was dem Ziel der Entwicklung entspricht. Das Ziel dieser Arbeit ist die Entwicklung eines neuen Ansatzes zur Erkennung von unterschiedlichen Fahrmanövern in einem Autobahnszenario für alle Verkehrsteilnehmer. Das in dieser Arbeit entwickelte Klassifikationssystem dient zur Unterstützung eines ACC-Systems und Erhöhung des Fahrkomforts. Dabei wurden die Erkennungsleistung und die Umsetzbarkeit des Klassifikationssystems in einem Versuchsträger evaluiert. Zur Klassifikation von Fahrmanövern wird in dieser Arbeit der Ansatz der objektorientierten Bayes-Netze bevorzugt. Das Bayes-Netz-Modell ist hierarchisch in logischen Schichten strukturiert, welche für verschiedene Aufgaben vorgesehen sind. Durch die Modellierung und Bildung von generischen Bayes-Netz-Objekten, die wiederverwendet werden können, ist der Aufbau von sehr komplexen Klassifikationssystemen möglich. Die Bayes-Netz-Objekte lassen sich zur Erkennung von verschiedenen Fahrmanövern auf unterschiedliche Art und Weise zusammensetzen. Es können leicht neue Bayes-Netz-Objekte auf unterschiedlichen Ebenen hinzugefügt werden. Die Flexibilität dieses Ansatzes, die Möglichkeit der impliziten Behandlung von Unsicherheiten und die Beherrschbarkeit der Komplexität des Modells sind die Gründe für den Einsatz von objektorientierten Bayes-Netzen als Klassifikationsverfahren.

Road safety has been a major goal for automotive manufacturers over the last years with an increasing number of driver assistance systems on the market to increase the comfort and safety of driving. Some of the developed driver assistance systems still have room for algorithmic improvement. Eliminating an incomprehensible intervention or driver warning is one simple example for further development opportunities. Such development is necessary to increase the user acceptance. In order to approach such issues the situation modeling must be better understood and implemented. Better sensors may contribute towards this goal but can only describe the world. Understanding and analyzing algorithms such as artificial intelligence methods go beyond this and help us to predict the current situation. If we were able to better understand our present and predicted situation, the behavior of an assistance system could be accordingly adopted, therefore yielding an increase to both, safety and user acceptance. In this work a novel approach is investigated and developed to recognize and classify driving maneuvers in motorway scenarios for traffic participants. A feasibility study and thoroughly performance tests were performed on an experimental vehicle to evaluate the presented algorithm with the improvement of the ACC systems in mind. The classification of diving maneuvers was modeled using object-oriented Bayesian networks. A Bayesian network has the property of hierarchically logical layers. These layers can be directly used to model dedicated functions. Such modularity allows establishing large and very complex classification systems by using generic and reusable Bayesian network objects. The individual network objects can be put together accordingly such that a large variety of different driving maneuvers can be recognized. It also offers a straight-forward way of adding new Bayesian sub models into an existing layer. This work shows that the flexibility, the implicit handling of uncertainties, and the controllability of complex models are the key benefits of object oriented Bayesian networks for situation classification.