1. Home
  2. TRID
  3. View Record
https://nap.nationalacademies.org/catalog/27432/critical-issues-in-transportation-for-2024-and-beyond

Dynamische Bestimmung von Existenz- und Signifikanzwahrscheinlichkeiten fuer Umfeldobjekte

Viele aktuelle Fahrerassistenzsysteme (FAS) wie zum Beispiel adaptive Geschwindigkeitsregelung, Spurwechselassistenten und Systeme zur Anhaltewegverkuerzung sind auf eine verlaessliche Detektion anderer Verkehrsteilnehmer angewiesen; Systeme zum automatischen Fahren erhoehen diese Zuverlaessigkeitsanforderung weiter. Eine hoehere Detektionswahrscheinlichkeit relevanter Objekte kann erreicht werden, indem mehrere Sensoren mit moeglichst unterschiedlichen Messprinzipien zur Objektdetektion eingesetzt werden. Die Sensordaten werden in einer Objektfusion zu einer Menge von Zielen zusammengefasst. Herausfordernd ist hierbei insbesondere bei widerspruechlichen Sensordaten die Bewertung, ob ein Fusionsobjekt von dem FAS beruecksichtigt werden muss oder nicht. Der Beitrag befasst sich mit der statistisch genauen Bewertung der Objektdaten einer Sensordatenfusion. Fuer jedes Objekt wird eine Wahrscheinlichkeit bestimmt, welche angibt, ob das Fusionsobjekt im Sinne des FAS beruecksichtigt werden muss und somit relevant ist. Als Domaene werden Autobahnen und autobahnaehnliche Szenarien angenommen. Sie erfordern unter anderem eine sichere Detektion in grossen Entfernungen. In die Bewertung fliesst insbesondere eine Strassenschaetzung mit ein, womit detektierte Fahrstreifenmarkierungen, digitale Karten und andere Faktoren beruecksichtigt werden koennen. Im Gegensatz dazu verwenden klassische Verfahren nur eine sehr geringe Anzahl von Attributen und fordern zusaetzlich eine statistische Unabhaengigkeit zwischen Existenz- und Signifikanzwahrscheinlichkeit. Dieses Verfahren hingegen integriert beide Teilwahrscheinlichkeiten zur Relevanzwahrscheinlichkeit und beruecksichtigt bereits 15 Attribute. Eine Erweiterung um neue Attribute ist leicht moeglich. Als geeigneter Klassifikationsalgorithmus hat sich das Kuenstliche Neuronale Netz herausgestellt: es vereinigt eine gute Klassifizierungsrate mit einer hohen Echtzeitfaehigkeit. Nachteilig ist eine verminderte Transparenz des Verfahrens. Ein sehr schnelles und transparentes Verfahren stellt die lineare Trennung dar, welche allerdings schlechtere Ergebnisse liefert. Insgesamt hat die dynamische Bestimmung von Existenz- und Relevanzwahrscheinlichkeiten mittels Lernverfahren das Potenzial, Fehlausloesungen und fehlerhafte Nichtausloesung zu verringern und die Reaktionszeit beispielsweise bei statischen Zielen zu erhoehen. Sie erreicht eine Funktionsapproximation, wie sie nur schwer durch manuell festgelegte Regeln erreicht werden kann. Beitrag zum Themenbereich "Funktionsentwicklung von Assistenzsystemen und Mensch-Maschine-Schnittstelle" der 26. VDI/VW-Gemeinschaftstagung "Fahrerassistenz und Integrierte Sicherheit", Wolfsburg, 6. und 7. Oktober 2010. Siehe auch Gesamtaufnahme der Tagung, ITRD D366841.

Language

  • German

Media Info

  • Pagination: 197-212
  • Monograph Title: Fahrerassistenz und Integrierte Sicherheit. 26. VDI/VW-Gemeinschaftstagung, Wolfsburg, 6. und 7. Oktober 2010
  • Serial:
    • VDI-Berichte
    • Issue Number: 2104
    • Publisher: VDI Verlag GmbH
    • ISSN: 0083-5560

Subject/Index Terms

Filing Info

  • Accession Number: 01341035
  • Record Type: Publication
  • Source Agency: Bundesanstalt für Straßenwesen (BASt)
  • Files: ITRD
  • Created Date: May 26 2011 11:27AM