Kundengerechte Erprobungssystematik für pilotiertes Fahren (KEPF)

Bei der Absicherung versuchen Fahrzeughersteller durch Felderprobungen Antworten auf die Fragen ?Erbringt das System tats?chlich den beabsichtigten Nutzen?“ und ?Zeigt das System im Praxiseinsatz unerwartete Reaktionen?“ zu finden. Der Aufwand bei der Absicherung von integralen Fahrzeugsicherheitsfunktionen ist heute bereits sehr gro? und es ist zu erwarten, dass dieser Aufwand in den kommenden Jahren angesichts der Entwicklung hin zum autonomen Fahren dramatisch wachsen wird. Insbesondere die Felderprobungen von Fahrzeugfunktionen, die in die L?ngs- bzw. Querdynamik eines Fahrzeugs eingreifen, sind sehr kostspielig. Daher soll in diesem Projekt ein Konzept zur Erprobungssystematik von Fahrzeugfunktionen mit autonomen Eingriffen in die Fahrdynamik erforscht werden. Dies soll einen Beitrag zur Reduktion der ben?tigten Anzahl an ?Stra?enkilometern“ liefern.

Abb. 1: Architektur aus unüberwachtem und überwachtem Lernen zur datenbasierten Kategorisierung von Verkehrsszenarien.

Zur Erreichung dieses Ziels stehen die automatisierte Identifikation, Analyse und Bewertung von Verkehrssituationen bei Fahrten auf ?ffentlichen Stra?en im Mittelpunkt.
Dies wird anhand von Maschinenlernverfahren erreicht, welche mit definierten Parametern eine Analyse des jeweiligen Szenarios durchführen. ?ber Cluster-Verfahren werden sie zu repr?sentativen Szenarien gruppiert: Die Cluster bilden sich aus der Kombination von ereignisbasierten Merkmalen, da die zeitliche Abfolge der Ereignisse eine entscheidende Rolle einnimmt. Anhand von ?hnlichkeitsma?en werden die Szenarien schlie?lich gruppiert.

Von gro?er Bedeutung ist die Ableitung des quantitativen Beitrags des jeweiligen Szenarios zum gesamten Absicherungsbedarf der Funktion. Dazu sollen Simulationen durchgeführt werden und die Ergebnisse mit realen Daten aus Erprobungen abgeglichen werden. Somit lassen sich besonders relevante Situationen mit hohem Deckungsbeitrag ermitteln, welche zielgerichtet bei der Absicherung getestet werden und somit den Aufwand reduzieren. Aus diesen Situationen werden schlie?lich demonstratorische Testszenarien abgeleitet, die anschlie?end auf den CARISSMA Testgel?nden reproduzierbar getestet werden k?nnen.

Neben Simulationen werden Realdaten aus Erprobungen und des regul?ren Stra?enverkehres genutzt. Dazu wird in diesem Projekt eine Methodik zur Erfassung des Verkehrsgeschehens entwickelt. Mithilfe von unbemannten Luftfahrtsystemen wird an einer L?sung gearbeitet, welche die Erfassung von ganzen Stra?enabschnitten mit vielen Verkehrsteilnehmern erm?glicht. Abbildung 2 zeigt die Umsetzung am Beispiel eines Kreisverkehrs.

Abb. 2: Verkehrsgeschehen an einem Kreisverkehr. Jedes Fahrzeug verfügt über eine eindeutige Zuordnung (rote Nummer). Auf Grundlage von maschinellen Lernverfahren k?nnen die Fahrzeuge erfasst und verfolgt werden. Daraus werden Parameter wie die Position und Geschwindigkeit ermittelt (Türkis).

Diese Art der Datenerfassung bietet diverse Vorteile: die synchrone Datenerfassung von mehreren Objekten, geringe finanzielle Anforderungen an die Hardware sowie die Mobilit?t des Systems. Zus?tzlich lassen sich auch Signalanlagen in die Auswertung einbinden. Beispielsweise die Berücksichtigung Ampelschaltungen, um daraus weitere Rückschlüsse aus dem Verhalten der Teilnehmer zu ziehen.

Entscheidend für die Güte ist eine ausgereifte Datenverarbeitung. Die Objekterkennung erfolgt mittels maschinellem Lernverfahren. Das Verfahren nutzt das Zusammenwirken mehrerer neuraler Netze. Es erm?glicht nicht nur die Detektion von Objekten, sondern die Bestimmung derer Gr??e, Lage und Orientierung. Im letzten Schritt erfolgt die Verfolgung von Objekten, um Trajektorien und schlie?lich Verkehrsszenarien darstellen zu k?nnen. Die Güte der Zustandssch?tzung wird mittels Fahrzeug-Referenzsensorik auf dem CARISSMA Freiversuchsgel?nde ermittelt.