Kollisionswarnung im urbanen Straßenverkehr auf Basis einer probabilistischen Situationsanalyse
Ein Unfallschwerpunkt im urbanen Straßenverkehr sind Kreuzungen, die im Fokus der Fahrerassistenzforschung stehen. In dieser Arbeit wird ein System vorgestellt, das mit Hilfe einer probabilistischen Situationsanalyse eine Kollisionswarnung an Kreuzungen ermöglicht. Hierzu werden Verfahren zur Fahrerwarnung verwendet, die eine entwickelte Fahrerintentionsvorhersage zur Erhöhung der Prädiktionsgüte nutzen. Das System verwendet ein Umfeldmodell, das auf einem gerichteten Graphen basiert, der aus digitalen Straßenkarten generiert werden kann. Dieser Graph enthält detaillierte Informationen wie Geschwindigkeitsbegrenzungen und Fahrstreifengeometrien. Den Kanten des Graphen werden sowohl das eigene Fahrzeug als auch andere Fahrzeuge zugeordnet, die mit Hilfe von Umfeldsensorik wahrgenommen werden. Ferner wird die prototypische Integration des Systems in ein Versuchsfahrzeug dargestellt. Neben der verwendeten Sensorik werden das genutzte HMI-Konzept sowie die entwickelte Systemarchitektur beschrieben. Die Intentionen des eigenen Fahrers und von Fahrern anderer Fahrzeuge im Kreuzungsbereich werden mit einem probabilistischen Netz prädiziert. Dieses Netz verwendet Informationen des Umfeldmodells, Fahrdynamikdaten sowie Fahrereingaben. Die Intentionsprädiktion wird in dieser Arbeit mit Studiendaten aus Realfahrten evaluiert. Die Fahrerintentionsvorhersage sowie die Informationen des Umfeldmodells und Fahrdynamikdaten werden genutzt, um mehrere zukünftige Entwicklungen einer Szene mit probabilistischen Erreichbarkeitsmengen zu bestimmen. Diese beschreiben alle Orte, die ein Fahrzeug zu einem bestimmten Zeitpunkt mit einer gewissen Wahrscheinlichkeit erreichen kann. Diese Mengen werden für relevante Fahrzeuge im Kreuzungsbereich ermittelt und überlagert, um Kollisionswahrscheinlichkeiten abzuleiten. Dieses Warnverfahren wird in einer Simulationsumgebung einem einfachen Verfahren gegenübergestellt, das ausschließlich die wahrscheinlichste Entwicklung einer Szene betrachtet.
Major accident hotspots in road traffic are intersections that are in the focus of driver assistance systems research. In this publication a system is presented that warns drivers of possible collisions at intersections using a probabilistic situation analysis. For this purpose algorithms are used which utilize a driver intent prediction to enhance the quality of the situation analysis.The system uses an environmental model based on a graph that can be generated from digital map data. This graph includes detailed road information like dimensions of intersections, speed limits and the geometry of lanes. The driver's own vehicle as well as by sensors detected vehicles are matched to the edges of the model's graph. Furthermore, the prototypical integration of the system in a test vehicle is presented. Besides, the utilized sensors, the applied human machine interface concept and the developed system architecture are described.The intentions of the own vehicle's driver and of other vehicles' drivers within the intersection area are predicted with a probabilistic network. Therefore information of the environmental model, vehicle dynamic data and driver inputs are utilized. The developed intent prediction is evaluated in detail with data of a study that was processed with 30 subjects in real world driving.Derived from the driver intent prediction, the information from the environmental model and the vehicle dynamic data, multiple possible developments of a scene are determined using probabilistic reachable sets. These sets describe locations that can be reached by a vehicle at a certain time with a defined probability. They are determined for all relevant vehicles and intersected to obtain collision probabilities. Depending on these probabilities the driver is warned by several human machine interfaces. Using a simulation framework this method to warn the driver is compared to a simple warn method that only considers the most probable development of a scene.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
All rights reserved