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 ...
Die Erkennung bevorstehender Fahrstreifenwechsel mittels der Fusion und Klassifikation von Merkmalsgrößen des Fahrzeugumfelds, Fahrerverhaltens und Fahrzeugstatus
2024-04-25
Theses
Electronic Resource
German
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 , 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 , info:eu-repo/classification/ddc/629.276 , ddc:629.276 , info:eu-repo/classification/ddc/629.283 , ddc:629.283
Bildbasierte Klassifikation des Fahrerzustands und/oder des Fahrerverhaltens
European Patent Office | 2015
|