Prognose des Fahrerverhaltens

Team: 2 Personen;
Start: September 2014;
Dauer: 36 Monate;
Technologien: C++, ROS, Python, MATLAB, IBEO LIDAR, Mobileye EPM3/4, ARS350 Radar, Bayes Net Toolbox, Bayesian Networks mit Gaussian Mixture Models, RT3000 GPS;

Forschungsinteresse: Das freie und quelloffene Roboter-Betriebssystem (auch als ROS bekannt) funktioniert tatsächlich auch für reale autonome Fahrzeuge sehr gut!

Eines unserer Promotionsvorhaben befasst sich mit der Schnittstelle von Prognose und Strategie. Es setzt sich zum Ziel, mit Hilfe von Fahrerassistenzsystemen (ADAS) oder autonomen Automobilen zukünftig die Sicherheit zu erhöhen und das Fahren komfortabler zu machen. Dafür müssen die (semi-) autonomen Systeme im Voraus wissen, was andere Fahrer in naher Zukunft (innerhalb der nächsten ca. 10 Sekunden) auf der Straße tun werden. Jede Zukunftsprognose schließt aber von Natur aus ein gewisses Maß an Ungewissheit hinsichtlich des Ausgangs ein. Daher sind in einem nächsten Schritt die ungewissen Vorhersagen auf den Grad der Ungewissheit und potenzielle Reaktionen hin zu prüfen, damit das (semi-) autonome Automobil die beste Reaktion auswählen kann. Im Rahmen dieser Forschungsarbeit werden zwei potenzielle Anwendungsfälle ausführlicher behandelt. Der erste ist ein Autobahnszenario, bei dem ein um die Vorhersagen erweiterter Längsregler wesentlich früher auf potenziell plötzlich einscherende reagiert als zum Beispiel derzeitige Adaptive-Cruise-Control-Systeme (ACC). Dies führt zu mehr Sicherheit und Komfort, da die Bremsmanöver früher eingeleitet werden und daher weniger abrupt erfolgen können. Ein anderer Fall betrifft das Reißverschlussverfahren bei zäh fließendem Verkehr. Die Prognose bietet eine Schätzung darüber, welche Lücken ein bestimmtes Fahrzeug für einen Fahrspurwechsel nutzen könnte und das autonome System verwendet diese Prognose für ein kooperatives Einfädeln anderer Fahrer.