Ein Kontextmodell für sicherheitsrelevante Anwendungen in der autonomen Fahrzeugführung
Die Automatisierung des Straßenverkehrs bietet hohe Chancen in Bezug auf eine Verringerung der Unfallzahlen und einer Verbesserung der Mobilität bei gleichzeitigem Senken der Fahrzeugemissionen. Dadurch motiviert arbeiten zahlreiche Automobilhersteller und -zulieferer sowie Universitäten und weitere Forschungseinrichtungen an dieser Thematik. Eine Reihe von Prototypen wurde über die letzten Jahre von unterschiedlichen Forschergruppen präsentiert. Diese fokussierten sich jedoch hauptsächlich auf autobahnähnliche Domänen. Das Projekt Stadtpilot hat hingegen in den vergangenen Jahren mit »Leonie« einen Versuchsträger aufgebaut, der im Herbst 2010 als eines der ersten Fahrzeuge weltweit autonomes Fahren in der Stadt demonstrierte. Der Versuchsträger wird stetig weiterentwickelt und zeigte zuletzt neben Fahrstreifenwechseln im fließenden Verkehr auch die zusätzlichen Möglichkeiten durch drahtlose Kommunikation mit der Verkehrsinfrastruktur. In dieser Arbeit werden Entwurf, Umsetzung und Bewertung des Kontextmodells beschrieben, das den Versuchsträger dazu befähigt, autonomes Fahren im städtischen Umfeld und die damit verbundenen Fahrzeugfunktionen zu beherrschen. Das hybride, hierarchische Kontextmodell ist in der Lage, die benötigten heterogenen Informationsquellen auszuwerten und deren Inhalte sowohl in metrischen, topologischen als auch semantischen Repräsentationsformen in sich zu vereinen. Aufgrund der graphbasierten Grundstruktur des entwickelten Modells können hier die einzelnen infrastrukturbezogen, verkehrsbezogen und egozentrierten Kontextmerkmale miteinander verknüpft werden, um mit dieser integren Darstellung des gesamten Fahrzeugkontextes innerhalb einer Struktur dem autonomen Fahrzeug das nötige Situationsbewusstsein zu verleihen. Die Einbindung einer bidirektionalen Kommunikation mit der Verkehrsinfrastruktur befähigt das Fahrzeug, frühzeitig auf Wechsel von Ampelphasen sowie den Rückstau vor Kreuzungen zu reagieren. In Bezug auf die Sicherstellung der Kontext- und Sicherheitsintegrität für derart komplexe Systeme leistet diese Arbeit ebenfalls wesentliche Beiträge.
Automation of road vehicle transportation has presented promising opportunities for reductions in accidents, mobility improvements, and lowering vehicle emissions, all at the same time. These opportunities have motivated numerous automotive manufacturers and suppliers, universities as well as other research institutions to invest in potential solutions. Different research groups, primarily focused on highway-like domains, have presented a series of prototypes over the years. However, in the fall of 2010, project Stadtpilot built a test vehicle dubbed »Leonie« which demonstrated as one of the world’s first vehicles autonomous driving on inner city roads. The test vehicle continues to evolve, recently showing the capability to change lanes in flowing traffic and well as additional functionality provided through wireless communication with the road infrastructure. This work describes the design, implementation and evaluation of the context model which enables »Leonie« to drive autonomously in an urban environment and to master all associated driving maneuvers. The hybrid hierarchical context model is able to evaluate the requisite heterogeneous information sources to combine their contents in metric, topological and semantic forms of representation within itself. Its graph-based basic structure enables the developed model to link together all of the individual infrastructure, traffic or ego related contextual features. This gives the autonomous vehicle the necessary situational awareness presented within one single structure with built-in integrity monitoring. The integration of bidirectional communication with the road infrastructure enables the vehicle to react early on traffic signal phase changes as well as on tailback before intersections. This work also makes important contributions to ensuring safety and context integrity for such complex systems.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
