Roundabouts are considered important because converting an intersection into a roundabout has been proven to improve safety. However, the absolute number of crashes at roundabouts is still high. Many crashes occur because car drivers fail to yield. Intelligent systems can increase safety if they can prevent crashes by precisely predicting driver maneuvers. Therefore, a reliable and trustworthy predictive model of driver maneuvers is needed. A few studies analyze human behavior at roundabouts. However, they focus on an operational timescale rather than on maneuvers on a tactical timescale. Tactical maneuvers have mostly been investigated in scenarios about typical intersections and overtaking. Thus, there is still a lack of research on driver maneuver prediction at roundabouts. To fill this gap, the objective of this thesis is to develop a model that can predict driver maneuvers at single-lane roundabouts. Two types of driver maneuvers are possible in front of each exit of a roundabout: exiting the roundabout and staying in the roundabout. To predict which maneuver a driver will execute in front of an exit, a driver maneuver predictive model was developed on the basis of an analysis of driver behavior data acquired from a field study and a simulator study. Soft-classification algorithms were proposed to train the predictive model. The model consisted of four sub-models for four different scenarios, which were defined by the correlation between roundabout layouts and drivers' steering behavior. The sub-models make it possible to predict the exiting or staying maneuvers executed in the corresponding scenarios. Furthermore, a personalized predictive model was developed to adapt to individual drivers because different drivers have different driving styles. The driver maneuver predictive model shows excellent predictability: In the scenarios without traffic, the model reported prediction results for more than 97.60% of test drives at the position 10 m from the exits of the roundabouts. Of these drives, more than 97.10% were predicted correctly. The personalized predictive model provided even better prediction results for individual drivers with significantly different driving styles. Moreover, the driver maneuver predictive model also successfully predicts drivers' maneuvers in most scenarios with cyclists. The prediction results show that steering angle, steering angle speed, velocity, and acceleration of the ego car provide the most important information. With this information, the model can predict the maneuver of a driver with any type of driving style at a single-lane roundabout with any type of layout. ; Kreisverkehre gelten als ein wichtiger Bestandteil der Verkehrsinfrastruktur, da ihre Verwendung anstelle von traditionellen Kreuzungen einen wesentlichen Beitrag zur Verkehrssicherheit leistet. Die absolute Anzahl von Unfällen bleibt jedoch auch an Kreisverkehren noch hoch. Viele Kollisionen werden dabei durch Missachtung der Vorfahrt verursacht. Intelligente Fahrzeugassistenzsysteme könnten hier eingreifen, vorausgesetzt sie verfügen über eine zuverlässige Vorhersage des Fahrerverhaltens. Hierfür wird ein robustes und präzises Modell für die Vorhersage von Fahrmanövern im Kreisverkehr benötigt. Empirische Studien zu menschlichem Verhalten an Kreisverkehren fokussieren in der Regel auf die operationale Ebene der Fahraufgabe, also auf eine zeitlich hoch aufgelöste Zeitskala. Die taktische Ebene, auf der Manöver wie "Verlassen des Kreisverkehr" stattfinden, wurde dabei jedoch nicht ausreichend analysiert. Insbesondere fehlen Modelle, die Fahrmanöver im Kreisverkehr vorhersagen. Ziel dieser Arbeit ist es daher, ein solches Modell für einspurige Kreisverkehre zu entwickeln. Zwei Arten von Manövern sind innerhalb eines einspurigen Kreisverkehrs möglich: Im Kreisel zu bleiben, oder ihn zu verlassen. Um möglichst früh eines der beiden Manöver vorherzusagen wurden im Rahmen dieser Arbeit verschiedene Modelle entwickelt, welche auf Fahrdaten aus dem Realverkehr sowie Simulationsstudien basieren. Für das Training der jeweiligen Modelle werden Soft-Klassifikationsalgorithmen vorgeschlagen, die auf einem Quasi-Hidden-Markov-Modell basieren. Dieses Modell besteht aus vier Teilmodellen für jeweils vier verschiedene Szenarien, die durch die Korrelation zwischen Kreisverkehrlayouts und Lenkverhalten von Fahrern definiert wurden. Mit den Teilmodellen können die in den entsprechenden Szenarien ausgeführten Manöver "Verlassen" oder "Bleiben" vorhergesagt werden. Des Weiteren wurde ein personalisiertes Vorhersagemodell entwickelt, um sich an den individuellen Fahrer anzupassen, da verschiedene Fahrer unterschiedliche Fahrstile aufweisen. Das Fahrmanöver-Vorhersagemodell zeigt eine ausgezeichnete Performanz: In den Szenarien ohne Verkehr lieferte das Modell in einem Abstand von 10 m vor der Kreisverkehrsausfahrt Vorhersagen für mindestens 97,60% aller Testfahrten. Von diesen Fahrten wurden wiederum über 97,10% korrekt vorhergesagt. Personalisierte Modelle erreichen noch bessere Vorhersageergebnisse. Sind weitere Verkehrsteilnehmer in den analysierten Szenarien anwesend liegt die Vorhersagegüte etwas darunter. Die Ergebnisse zeigen, dass Lenkwinkel, Lenkwinkelgeschwindigkeit sowie Eigengeschwindigkeit und -beschleunigung die wichtigsten Informationen liefern. Hiermit kann das Modell das Manöver eines Fahrers mit jeder Art von Fahrstil an einem Kreisverkehr mit jeder Art von Layout vorhersagen.
Modeling Driving Behavior at Single-Lane Roundabouts ; Fahrerverhaltensvorhersage an Kreisverkehren
2019-03-07
Hochschulschrift
Elektronische Ressource
Englisch
Modeling Driving Behavior at Single-Lane Roundabouts ; Fahrerverhaltensvorhersage an Kreisverkehren
BASE | 2019
|Modeling driving behavior at single-lane roundabouts
GWLB - Gottfried Wilhelm Leibniz Bibliothek | 2019
|Modeling Driving Behavior at Single-Lane Roundabouts
DataCite | 2019
|Modeling driving behavior at single-lane roundabouts
SLUB | 2019
|Modeling driving behavior at single-lane roundabouts
TIBKAT | 2019
|