Die Erkennung von Personen in Fahrzeugen umfasst nicht nur die Bestimmung der Anzahl der Fahrg?ste, sondern auch ihre genaue Positionierung und die ausgeführten Gesten. Diese Informationen sind wichtig für die Erkennung von out of position (OOP) Situationen und die gezielte Aktivierung neuer, angepasster Sicherheitssysteme zum Schutz der Fahrg?ste unabh?ngig von ihrer Position. Es ist bekannt, dass die Fahrer beim manuellen Fahren zus?tzliche Aufgaben (sogenannte Nebenaufgaben oder Fahrfremdenaufgaben) ausführen. Abgesehen davon, dass diese Aufgaben ein Sicherheitsrisiko darstellen k?nnen (der Fahrer muss seine Aufmerksamkeit zwischen dem Fahren und anderen T?tigkeiten aufteilen), bewegen die Fahrer zu deren Ausführung Kopf, Arme und Oberk?rper, wobei sie manchmal die ideale aufrechte Position verlassen, die für einen optimalen Schutz im Falle einer Airbag-Ausl?sung erforderlich ist.
Mit der zunehmenden Automatisierung der Fahrzeuge werden die Fahrer nicht mehr kontinuierlich die Umgebung überwachen müssen. Sie werden mehr Freiheit haben, um mit anderen Fahrg?sten zu interagieren und bestimmte Aktivit?ten auszuführen. Infolgedessen wird die Anzahl der out of position-Situationen exponentiell zunehmen, was eine Herausforderung für neue adaptive Sicherheitssysteme darstellt. Unsere Arbeiten zur Erkennung von Fahrg?sten, Objekten und Tieren im Inneren von Fahrzeugen (Personenwagen und ?ffentliche Verkehrsmittel) zielen daher darauf ab, deep learning convolutional neural network Architekturen zur Posenerkennung und -sch?tzung zu testen und zu optimieren. Der Schwerpunkt liegt dabei auf der Erstellung eines Graphen der menschlichen K?rpersegmente zur genauen Positionierung von Fahrg?sten. Vor allem der Abstand der verschiedenen K?rpersegmente in Bezug auf einen bestimmten Punkt oder eine bestimmte Region im Fahrzeuginnenraum ist von gro?er Bedeutung. Die Forschungsgruppe arbeitet auch an der Bew?ltigung der Herausforderungen einer genauen und robusten Echtzeit-Positionsbestimmung in verschiedenen Szenarien (unterschiedliche Anzahl von Fahrg?sten, Kleidungsmerkmale und Bewegungsamplitude).
Innenraumerfassung
Die Forschungsgruppe für passive Sicherheit von CARISSMA verfügt über Kompetenzen auf dem Gebiet der human centered artificial intelligence, indem sie Fachwissen im Bereich des maschinellen Lernens mit Wissen über die Mensch-Maschine-Interaktion in der Verkehrssicherheit kombiniert. Das erweiterte Know-how in den Bereichen der Computer-Vision-Systeme, der Anwendung von Methoden der künstlichen Intelligenz für die Bildverarbeitung, des Fahrerverhaltens und der Verhaltens?nderungen durch die Interaktion mit automatisierten Funktionen sowie der Anthropometrie und Biometrie hat es der Gruppe in den letzten Jahren erm?glicht, mit der Industrie in Projekten zusammenzuarbeiten, die sich auf den Fahrzeuginnenraum konzentrieren.
Die bisherige Arbeit konzentrierte sich auf die zwei Hauptbereiche der Erkennung von Fahrg?sten und der Bewertung des Zustands der Fahrg?ste.
Erkennung von Fahrg?sten
Bewertung des Zustands der Fahrg?ste
Die Arbeit, die sich auf den Zustand der Fahrg?ste und deren Fahrtüchtigkeit konzentriert, beruht auf der Entwicklung und Verbesserung von (haupts?chlich nicht-invasiven) Techniken zur Messung von physiologischen Verhaltensparametern, die helfen k?nnen, auf den Zustand der Fahrg?ste wie Schl?frigkeit, Ablenkung oder Stress zu schlie?en. Diese Zust?nde k?nnen den Fahrer daran hindern, die Fahraufgabe manuell auszuführen, oder im Falle eines h?heren Automatisierungsgrades eine angemessene Fahrzeugüberwachung oder ?bernahme von Kontrollaktionen behindern. Moderne Methoden der künstlichen Intelligenz werden auf Daten von Sensoren wie Kamera oder Radar angewendet. Diese Ergebnisse werden dann mit klassischen Bewertungsverfahren verglichen (z.B. EKG), die normalerweise als Goldstandard gelten.
Neulich hat die Gruppe eine private Datenbank (100 Fahrstunden, 130 TB) erstellt, die Daten aus dem Realverkehr von Berufspendlern und Fernfahrern sammelt. Diese Datenbank enth?lt Videos von den Gesichtern der Fahrer (von RGB- und IR-Kameras) und der vorausfahrenden Stra?enumgebung (Dashboard Camera), physiologische Daten (von Smartwatch und EKG) und subjektive Bewertungen von Stress und Schl?frigkeit w?hrend der Fahrten. Die derzeit durchgeführten Arbeiten zur Bildverarbeitung unter Verwendung dieser Datenbank zielen darauf ab, Algorithmen zu entwickeln, welche die geeigneten Merkmale zur Bestimmung der Fitness des Fahrers bewerten. Die realistische Natur der Daten, die sich daraus ergibt, dass die Fahrten unter verschiedenen ?u?eren Umweltbedingungen (unterschiedliches Licht, Stra?enlayout und Verkehrsver?nderungen) stattgefunden haben, erlaubt es, die Angemessenheit und Robustheit der verwendeten Algorithmen zu testen.
Ansprechpartner: Prof. Dr. Alessandro Zimmer
