Eintrag in der Universitätsbibliographie der TU Chemnitz
Volltext zugänglich unter
URN: urn:nbn:de:bsz:ch1-qucosa2-946564
Leonhardt, Veit
Wanielik, Gerd (Univ.-Prof. Dr.) ; Mößner, Klaus (Univ.-Prof. Dr.) (Gutachter)
Die Erkennung bevorstehender Fahrstreifenwechsel mittels der Fusion und Klassifikation von Merkmalsgrößen des Fahrzeugumfelds, Fahrerverhaltens und Fahrzeugstatus
The detection of imminent lane changes by means of the fusion and classification of features of the driving situation, driver behaviour and vehicle status
Kurzfassung in deutsch
Damit Fahrerassistenzsysteme das noch immer unfallträchtige Manöver des Fahrstreifenwechsels wirksam gegen Unfälle absichern können, benötigen sie zuverlässig wie frühzeitig Kenntnis der Situationen, denen ein solches folgen wird. Nur so sind sie in der Lage, ihre Unterstützung in wirklich allen Situationen zu leisten, in denen diese von Nutzen ist, ohne dafür unpassende Warnungen oder Eingriffe in die Fahrzeugführung in Kauf nehmen zu müssen und an Akzeptanz einzubüßen oder gar selbst zum Sicherheitsrisiko zu werden. Die größte Herausforderung stellt dabei die Komplexität und Vielfalt der im städtischen Verkehr vorkommenden Situationen dar. Bisherige Assistenzsysteme stützen sich zur Aktivierung ihrer Funktion entweder auf den Status des Fahrtrichtungsanzeigers oder werten das Überfahren einer Fahrstreifenbegrenzung als dann allerdings bereits laufenden Fahrstreifenwechsel. Das eine erfolgt nachweislich äußert unzuverlässig, mit dem anderen bleibt kaum mehr Zeit für eine frühzeitige, auf Situation und Fahrer abgestimmte Assistenz. Mit der vorliegenden Arbeit wird ein funktionierender Ansatz zur automatisierten Erkennung bevorstehender Fahrstreifenwechsel vorgestellt, als im Fahrzeug lauffähiges System implementiert und seine Funktion anhand realer Fahrdaten unter Beweis gestellt. Im Zentrum des Erkennungsansatzes stehen aus dem Fahrzeug heraus erfassbare Merkmalsgrößen des Fahrzeugumfelds, Fahrerverhaltens und Fahrzeugstatus, die mit Hilfe künstlicher neuronaler Netze fusioniert und klassifiziert werden. Die Entwicklung der Algorithmen sowie sämtliche Untersuchungen zu ihrer Leistungsfähigkeit beruhen auf Messdaten natürlichen Fahrverhaltens im Verkehr einer Großstadt, die in einer umfangreichen Realfahrtstudie mit einem mit Radar- und Kamerasensorik ausgestatteten Versuchsfahrzeug erhoben wurden. Basierend auf diesen Daten werden zunächst Parameter einer zonenbasierten Repräsentation des Fahrzeugumfelds, der Blickrichtung des Fahrers sowie Zustandsgrößen des Fahrzeugs auf ihre Eignung als Merkmalsgröße untersucht. Es wird gezeigt, inwieweit für verschiedene Arten von Fahrstreifenwechseln und in unterschiedlichem zeitlichen Abstand auf das Manöver bereits zwischen dem Wert einer Merkmalsgröße und dem Bevorstehen eines Fahrstreifenwechsels ein Zusammenhang besteht. Mit einer Auswahl geeigneter Merkmalsgrößen wird die Erkennung schließlich in verschiedenen Ausprägungen implementiert, mittels maschinellen Lernens parametrisiert und über alle Arten in den Daten vorkommender Fahrstreifenwechselsituationen evaluiert. Untersucht wird dabei nicht nur die Erkennungsleistung des Gesamtsystems für verschiedene Vorhersagehorizonte, sondern ebenso die einer Erkennung mit den Merkmalsgrößen nur jeweils eines der Aspekte Fahrzeugumfeld, Fahrerverhalten und Fahrzeugstatus sowie der Effekt des Einbeziehens auch der Merkmalswerthistorie.
Kurzfassung in englisch
In order to enable driver assistance systems to effectively safeguard the still accident-prone manoeuvre of changing lanes against accidents, they need reliable and early knowledge of any situation that will be followed by such a manoeuvre. Only then they will be able to provide assistance in all the situations in which it is useful without having to accept inappropriate warnings or interventions in vehicle control and so losing acceptance or even becoming a safety risk themselves. The biggest challenge here is the complexity and variety of situations occurring in urban traffic. Current assistance systems either rely on the status of the direction indicator to activate their function or interpret the crossing of a lane boundary as a lane change that is already in progress. The former has been proven to be very unreliable, while the latter leaves hardly any time for early assistance tailored to the situation and driver. This work presents a functional approach to the automated detection of impending lane changes, implements it as an in-vehicle system and demonstrates its functionality by using real driving data. The detection approach centres on feature variables of the driving situation, driver behaviour and vehicle status that can be recorded from a vehicle and which are fused and classified with the help of artificial neural networks. The development of the algorithms and all investigations into their performance are based on measurement data of natural driving behaviour in traffic in a bigger city that were collected in an extensive naturalistic driving study with a test vehicle equipped with radar and camera sensors. Based on these data, parameters from a zone-based representation of the surroundings of the vehicle, the direction of the driver’s glances and vehicle state variables are first analysed for their suitability as feature variables. For different types of lane changes and at different time intervals to the manoeuvre it is shown to what extent there already is a correlation between the value of a variable and the imminence of a lane change. Using a selection of suitable feature variables the automated detection is finally implemented in various versions, parameterised by means of machine learning and evaluated across all types of lane change situations occurring in the data. Not only the detection performance of the overall system for different prediction horizons is investigated but also the detection with the feature variables of only one of the aspects driving situation, driver behaviour and vehicle status as well as the effect of including the feature value history.
| Universität: | Technische Universität Chemnitz | |
| Institut: | Professur Nachrichtentechnik | |
| Fakultät: | Fakultät für Elektrotechnik und Informationstechnik | |
| Dokumentart: | Dissertation | |
| Betreuer: | Wanielik, Gerd (Univ.-Prof. Dr.) | |
| DOI: | doi:10.60687/2024-0123 | |
| URL/URN: | https://nbn-resolving.org/urn:nbn:de:bsz:ch1-qucosa2-946564 | |
| SWD-Schlagwörter: | Fahrstreifenwechsel , Stadtverkehr , Intention , Erkennung , Fahrerassistenzsystem , Fahrerverhalten , Klassifikator , Blickverhalten , Umfelderfassung , Fahrer , Datenfusion , Statistische Analyse , Merkmalsextraktion , Neuronales Netz , Implementierung , Evaluation , Automatische Klassifikation | |
| Freie Schlagwörter (Deutsch): | Fahrstreifenwechsel, Fahrspurwechsel, Fahrstreifenwechselsituation, Vorhersage, Erkennungssystem, Klassifikator, Urbaner Verkehr, Fahrzeugumfeld, Blickverhalten, Fahrer, Fahrzeugstatus, Merkmalsgrößen, Multisensoriell, Datenfusion, Künstliche neuronale Netze, Statistische Analyse, Zonenbasierte Repräsentation des Fahrzeugumfelds, Radarbasiert, Kamerabasiert, Realfahrtstudie, Reale Messdaten, Natürliches Fahrverhalten | |
| Freie Schlagwörter (Englisch): | lane change, manoeuvre prediction, driver intention, situation assessment, urban traffic, classification, driving situation, vehicle environment, gaze behaviour, driver, vehicle status, features, feature evaluation, statistical analysis, multisensory, data fusion, artificial neural network, machine learning, zone-based representation of the vehicle environment, radar-based, camera-based, naturalistic driving study, real measurement data, natural driving behaviour | |
| DDC-Sachgruppe: | 629.276, 629.283, 363.125 | |
| Sprache: | deutsch | |
| Tag der mündlichen Prüfung | 08.11.2024 | |
| OA-Lizenz | CC BY-NC 4.0 |
