In der Arbeit wurden neue Signalverarbeitungsalgorithmen für ein Pre-Crash-System entwickelt und getestet. Dies schließt die Zustandsschätzung mit chronologisch ungeordneten Sensordaten ebenso ein wie eine neuartige Situationsbewertung. Das Ziel dieser Arbeit bestand in der Entwicklung einer Radar-Fusionsarchitektur mit Situationsbewertung zur Aktivierung eines reversiblen Gurtstraffers im Falle einer unvermeidbaren Kollision. Die Umgebung des Fahrzeuges wurde mit zwei Nahbereichsradaren und einem Mehrmodusradar erfasst. Die Sensoren sind durch unterschiedliche Sichtbereiche, Genauigkeiten, Latenzen und Zykluszeiten charakterisiert. Aufgrund der Asynchronität der Sensoren entsteht bei der Fusion das sogenannte "Out-of-Sequence Measurement"-Problem, Messdaten erreichen bei einem solchen Sensoraufbau die Fusionseinheit nicht immer in zeitlicher Reihenfolge. Zustandsschätzer wie z.B. das Kaimanfilter erfordern Messdaten jedoch in chronologischer Reihenfolge, da aufgrund des Prozessrauschens keine Prädiktion in die Vergangenheit möglich ist. Ist die Bedingung chronologischer Messungen nicht mehr erfüllt, müssen alternative Algorithmen angewendet werden. Diese Verfahren verzichten auf ein Zwischenspeichern der Messungen und verwenden ein modifiziertes Prozessmodell, so dass alle eintreffenden Messungen direkt integriert werden können. In dieser Arbeit wurden erstmalig für ein automobiles Sicherheitssystem OOSM-Algorithmen untersucht. Hierfür wurden vier Algorithmen zur Lösung des OOSM-Problems vorgestellt und getestet. In der Praxis wird meistens die Messdatenverzögerung verwendet, die sich jedoch in den durchgeführten Untersuchungen als der ungeeignetste und am wenigsten performante Algorithmus erwies. Als Referenz wurde das Reprozessieren, also Wiederaufbereiten aller Zustände vom Zeitpunkt der OOS-Messung bis zum aktuellen Zeitpunkt, verwendet. Analysen der Komplexität ergaben, dass der Aufwand für die OOSM-Algorithmen um wenige Prozent höher ist als bei der Messdatenverzögerung, aber deutlich unter dem Aufwand der Reprozessierung liegt. Die aus der Literatur bekannten OOSM-Algorithmen wurden um eine wahrscheinlichkeitsbasierte Datenassoziation erweitert. Somit wurde ein neuartiges Verfahren entwickelt, um auch bei der Mehrobjektverfolgung Messungen außerhalb der chronologischen Reihenfolge direkt integrieren zu können. Es konnte nachgewiesen werden, dass auch bei probabilistischer Datenassoziation die hergeleiteten Algorithmen eine vergleichbar gute Performanz wie die exakte Reprozessierung bei geringeren Kosten zeigen. Im Kapitel über die Situationsanalyse wurden neue Verfahren zur Berechnung von Kollisionswahrscheinlichkeiten entwickelt. Diese Verfahren erwiesen sich als genauer im Vergleich zu bisherigen Verfahren. Durch eine Projektion der Schätzfehlerkovarianz konnte sowohl eine räumliche als auch zeitliche Kollisionswahrscheinlichkeit berechnet werden, was mit herkömmlichen Methoden nicht möglich ist. Mit Hilfe der Kollisionswahrscheinlichkeit konnte ein drohender Unfall genauer vorhergesagt werden. Damit ist es möglich das Verfahren zu parametrieren und die Auslösung des Pre-Crash-Systems je nach geforderter Sicherheit anzupassen. Mit der Wahl der Auslöseschwelle wird das gewünschte Verhältnis aus Erkennungs- und Falschalannrate festgelegt. Bei bisherigen Systemen kamen viele Heuristiken zum Einsatz und es war nicht möglich, einen Arbeitspunkt zu wählen. Der hier vorgeschlagene Ansatz ist präziser und zeichnet sich bei konstanter Falschalarmrate durch eine höhere Erkennungsleistung aus.

    Future driver assistance systems are based on environment perception and situation analysis that must be reliable and fast. Especially in very time-critical applications such as pre-crash, it is vital to quickly and accurately estimate the position and velocity of other vehicles. An imminent impact is detected via a multi-target multi-sensor tracking system, from which a time-to-collision is determined. Sensor fusion techniques carry with them the problem of measurements from different sensors arriving at the processing unit out-of-sequence, i.e., the original temporal ordering of measurements is lost. This poses a problem in usual sensor fusion algorithms, which is normally solved via buffering of measurements to ensure the correct temporal ordering. However, buffering causes severe temporal delays that have to be avoided by all means in time-critical applications. For the first time in an automotive context, the presented work analyses algorithms to handle out-of-sequence-measurements (OOSM) by directly incorporating them into the state estimation without buffering. Both the 1-step-lag and Z-step-lag case are examined, where out-of-sequence measurements may even be delayed more than one measurement cycle duration. The performance, temporal gain and costs of different approaches are evaluated. Therefore a detailed complexity analysis of the algorithms is presented. OOSM algorithms are shown to speed up the tracking and thus perform well in situations where common algorithms fail due to temporal delays. The presented work proposes a novel data association technique as well, which incorporates out-of-sequence-measurements. Therefore the Joint Probabilistic Data Association (JPDA) is extended in order to associate (possibly delayed) measurements with tracks in a cluttered environment. The resulting algorithms are then applied to an automotive frontal pre-crash system, where OOSM and JPDA are vital factors to improve the performance of the system. In addition, a novel risk assessment with incorporating covariance propagation into a real-time pre-crasli application is presented. A powerful, yet applicable method for using not only state but also covariance information for triggering actuators is proposed. A comprehensive parameter study on simulated as well as on real data shows statistically significant improvements in detection rate. Further, the importance of covariance errors in terms of accuracy for pre-crash applications is demonstrated. Even with few detection cycles and short filter settling times, a high-performance balance between detection rate and false alarms can be deduced. The performance of the different OOSM algorithms is demonstrated using a test vehicle \ setup with several radar sensors, where an impact sensor is used to evaluate the estimated I time to collision (TTC). OOSM algorithms lead to more accurate TTC estimations and j thus increase the overall performance of the pre-crash system. Furthermore, the results \ from the OOSM algorithms are evaluated against reference data from a highly accurate j laser scanner. Advanced OOSM algorithms in pre-crash systems are proven to reduce j computational costs compared to previous approaches. All in all, out-of-sequence algorithms are shown to significantly improve the tracking of vehicles especially in time-critical applications. OOSM algorithms may be a valuable means in future driver assistance systems to prevent collisions where usual tracking algorithms fail.


    Zugriff

    Zugriff über TIB

    Verfügbarkeit in meiner Bibliothek prüfen

    Bestellung bei Subito €


    Exportieren, teilen und zitieren



    Titel :

    Zustandsschätzung mit chronologisch ungeordneten Sensordaten für die Fahrzeugumfelderfassung


    Beteiligte:


    Erscheinungsdatum :

    2012


    Format / Umfang :

    197 Seiten, Bilder, Tabellen, 161 Quellen



    Medientyp :

    Hochschulschrift


    Format :

    Print


    Sprache :

    Deutsch