No description available.

In both developed and emerging-economies, major cities continue to experience increasing traffic congestion. To address this issue, complex Traffic Management Systems (TMS) are employed in recent years to help manage traffic. These systems fuse traffic-surveillance-related information from a variety of sensors deployed across traffic networks. A TMS requires real-time information to make effective control decisions and to deliver trustworthy information to users, such as travel time, congestion level, etc. There are three fundamental inputs required by TMS, namely, traffic volume, vehicular speed, and traffic density. Using conventional traffic loop detectors one can directly measure flow and velocity. However, traffic density is more difficult to measure. The situation becomes more difficult for multi-lane motorways due to drivers lane-change behaviour. This research investigates statistical modelling and analysis of traffic flow. It contributes to the literature of transportation and traffic management and research in several aspects. First, it takes into account lane-changes in traffic modelling through incorporating a Markov chain model to describe the drivers lane-change behaviour. Secondly, the lane change probabilities between two adjacent lanes are not assumed to be fixed but rather they depend on the current traffic condition. A discrete choice model is used to capture drivers lane choice behaviour. The drivers choice probabilities are modelled by several traffic-condition related attributes such as vehicle time headway, traffic density and speed. This results in a highly nonlinear state equation for traffic density. To address the issue of high nonlinearity of the state space model, the EKF and UKF is used to estimate the traffic density recursively. In addition, a new transformation approach has been proposed to transform the observation equation from a nonlinear form to a linear one so that the potential approximation in the EKF & UKF can be avoided. Numerical studies have been conducted to investigate the performance of the developed method. The proposed method outperformed the existing methods for traffic density estimation in simulation studies. Furthermore, it is shown that the computational cost for updating the estimate of traffic densities for a multi-lane motorway is kept at a minimum so that online applications are feasible in practice. Consequently the traffic densities can be monitored and the relevant information can be fed into the traffic management system of interest.

Fahrerablenkung ist ein Begriff, der in den vergangen Jahren verstärkt in das Blickfeld der Öffentlichkeit geraten ist. Dies ist im Wesentlichen zurückzuführen auf die deutlich steigende Verbreitung und Nutzung von Fahrerinformationssystemen. Gleichzeitig führt die steigende Automatisierung im Fahrzeug dazu, dass dem Fahrer in seiner subjektiven Wahrnehmung mehr Ressourcen zur Verfügung stehen, um sich anderen Aktivitäten wie etwa Essen, Rauchen oder Telefonieren zuzuwenden. Die steigende Aktualität dieser Problematik wirft viele Fragen auf. Wie häufig tritt Fahrerablenkung auf? Welche Konsequenzen hat sie? Welche kognitiven Prozesse zeichnen für diese Konsequenzen verantwortlich? Und wie kann man Fahrerablenkung messen? Die vorliegende Dissertation besteht aus drei empirischen Beiträgen, sowie einer kurzen Einführung, die die grundlegenden Fragen und Befunde zum Thema Fahrerablenkung betrachtet. Das Augenmerk des ersten Beitrags liegt auf der Überprüfung theoretischer Annahmen zur Fahrerablenkung. Eine Vielzahl von Untersuchungen zeigt, dass sich kognitiv beanspruchende Zweitaufgaben negativ auf die Fahrleistung auswirken. Im vorliegenden Beitrag wird davon ausgegangen, dass dieser Effekt eine Folge von Interferenzen zwischen den Funktionen des Arbeitsgedächtnisses, die dazu dienen das Situationsmodell der Verkehrssituation aktuell zu halten, und den bearbeiteten Zweitaufgaben ist. Im Rahmen einer Simulatorstudie wurde diese Annahme überprüft. Es zeigte sich, dass die Probanden, die eine Zweitaufgabe ausführten, die speziell die Integration von neuen Informationen in das bestehende Situationsmodell behindern sollte, später auf antizipierbare kritische Ereignisse reagierten als Vergleichsgruppen. Im Gegensatz dazu ergaben sich für unvorhersehbare Ereignisse keine Unterschiede. Diese Ergebnisse weisen darauf hin, dass die negativen Effekte kognitiver Belastung tatsächlich auf Interferenzen mit spezifischen Arbeitsgedächtnisprozessen zurückzuführen sind. Die beiden weiteren Beiträge befassen sich mit messmethodischen Fragen in Bezug auf Fahrerablenkung. In Beitrag zwei wird die Lane Change Task (LCT) thematisiert, eine Labormethode zur Erfassung von Ablenkung. Aufgabe der Probanden ist die Steuerung eines virtuellen Fahrzeuges mittels Lenkrad, und dabei konkret die Ausführung von Spurwechseln, bei gleichzeitiger Bearbeitung von Zweitaufgaben. Trotz eines standardisierten Versuchsaufbaus sind allerdings starke Messvarianzen zwischen verschiedenen Testreihen zu beobachten. Der Übungsgrad der Versuchsteilnehmer wurde dabei als eine mögliche Ursache identifiziert. In zwei Experimenten wurde dieser Vermutungnachgegangen. Probanden bearbeiteten parallel zur LCT Zweitaufgaben verschiedener Schwierigkeitsstufen, nachdem sie zuvor trainiert wurden. Es konnte gezeigt werden, dass der Grad der Übung tatsächlich einen Einfluss auf die Spurwechselperformanz hat, und dass dieser Einfluss auch Monate später noch zu finden ist. Es ist jedoch zweifelhaft, dass dieser Effekt allein ursächlich für die zu beobachtenden Messvarianzen ist. Im dritten Beitrag wird die Critical Tracking Task (CTT) betrachtet, ein Verfahren, das im Kontext Fahrerablenkung bisher kaum Beachtung fand. Die CTT ist eine einfache Trackingaufgabe, welche vom Nutzer die Stabilisierung eines dynamischen, instabilen Elementes auf einem Bildschirm fordert. Die zur Bearbeitung der Aufgabe auszuführenden Tätigkeiten der kontinuierlichen visuellen Überwachung und manuellen Kontrolle sind grundsätzlich vergleichbar mit basalen Anforderungen der Fahraufgabe. Ziel war es, das Potenzial der CTT als Messverfahren von Fahrerablenkung durch Fahrerinformationssysteme zu überprüfen. Die Ergebnisse der vier durchgeführten Experimente, in denen sowohl künstliche als auch reale Aufgaben und Systeme bearbeitet und bedient wurden, legen den Schluss nahe, dass die CTT in der Tat in der Lage ist, das Ausmaß von Ablenkung ausgelöst durch Fahrerinformationssysteme zu quantifizieren.

Fahrerablenkung ist ein Begriff, der in den vergangen Jahren verstärkt in das Blickfeld der Öffentlichkeit geraten ist. Dies ist im Wesentlichen zurückzuführen auf die deutlich steigende Verbreitung und Nutzung von Fahrerinformationssystemen. Gleichzeitig führt die steigende Automatisierung im Fahrzeug dazu, dass dem Fahrer in seiner subjektiven Wahrnehmung mehr Ressourcen zur Verfügung stehen, um sich anderen Aktivitäten wie etwa Essen, Rauchen oder Telefonieren zuzuwenden. Die steigende Aktualität dieser Problematik wirft viele Fragen auf. Wie häufig tritt Fahrerablenkung auf? Welche Konsequenzen hat sie? Welche kognitiven Prozesse zeichnen für diese Konsequenzen verantwortlich? Und wie kann man Fahrerablenkung messen? Die vorliegende Dissertation besteht aus drei empirischen Beiträgen, sowie einer kurzen Einführung, die die grundlegenden Fragen und Befunde zum Thema Fahrerablenkung betrachtet. Das Augenmerk des ersten Beitrags liegt auf der Überprüfung theoretischer Annahmen zur Fahrerablenkung. Eine Vielzahl von Untersuchungen zeigt, dass sich kognitiv beanspruchende Zweitaufgaben negativ auf die Fahrleistung auswirken. Im vorliegenden Beitrag wird davon ausgegangen, dass dieser Effekt eine Folge von Interferenzen zwischen den Funktionen des Arbeitsgedächtnisses, die dazu dienen das Situationsmodell der Verkehrssituation aktuell zu halten, und den bearbeiteten Zweitaufgaben ist. Im Rahmen einer Simulatorstudie wurde diese Annahme überprüft. Es zeigte sich, dass die Probanden, die eine Zweitaufgabe ausführten, die speziell die Integration von neuen Informationen in das bestehende Situationsmodell behindern sollte, später auf antizipierbare kritische Ereignisse reagierten als Vergleichsgruppen. Im Gegensatz dazu ergaben sich für unvorhersehbare Ereignisse keine Unterschiede. Diese Ergebnisse weisen darauf hin, dass die negativen Effekte kognitiver Belastung tatsächlich auf Interferenzen mit spezifischen Arbeitsgedächtnisprozessen zurückzuführen sind. Die beiden weiteren Beiträge befassen sich mit messmethodischen Fragen in Bezug auf Fahrerablenkung. In Beitrag zwei wird die Lane Change Task (LCT) thematisiert, eine Labormethode zur Erfassung von Ablenkung. Aufgabe der Probanden ist die Steuerung eines virtuellen Fahrzeuges mittels Lenkrad, und dabei konkret die Ausführung von Spurwechseln, bei gleichzeitiger Bearbeitung von Zweitaufgaben. Trotz eines standardisierten Versuchsaufbaus sind allerdings starke Messvarianzen zwischen verschiedenen Testreihen zu beobachten. Der Übungsgrad der Versuchsteilnehmer wurde dabei als eine mögliche Ursache identifiziert. In zwei Experimenten wurde dieser Vermutungnachgegangen. Probanden bearbeiteten parallel zur LCT Zweitaufgaben verschiedener Schwierigkeitsstufen, nachdem sie zuvor trainiert wurden. Es konnte gezeigt werden, dass der Grad der Übung tatsächlich einen Einfluss auf die Spurwechselperformanz hat, und dass dieser Einfluss auch Monate später noch zu finden ist. Es ist jedoch zweifelhaft, dass dieser Effekt allein ursächlich für die zu beobachtenden Messvarianzen ist. Im dritten Beitrag wird die Critical Tracking Task (CTT) betrachtet, ein Verfahren, das im Kontext Fahrerablenkung bisher kaum Beachtung fand. Die CTT ist eine einfache Trackingaufgabe, welche vom Nutzer die Stabilisierung eines dynamischen, instabilen Elementes auf einem Bildschirm fordert. Die zur Bearbeitung der Aufgabe auszuführenden Tätigkeiten der kontinuierlichen visuellen Überwachung und manuellen Kontrolle sind grundsätzlich vergleichbar mit basalen Anforderungen der Fahraufgabe. Ziel war es, das Potenzial der CTT als Messverfahren von Fahrerablenkung durch Fahrerinformationssysteme zu überprüfen. Die Ergebnisse der vier durchgeführten Experimente, in denen sowohl künstliche als auch reale Aufgaben und Systeme bearbeitet und bedient wurden, legen den Schluss nahe, dass die CTT in der Tat in der Lage ist, das Ausmaß von Ablenkung ausgelöst durch Fahrerinformationssysteme zu quantifizieren.

Die vorliegende Arbeit widmet sich der Erforschung der Fahrer-Fahrzeug-Interaktion mit dem Ziel der Fahrerabsichtserkennung bei Spurwechselmanövern. Diese Fahrmanöver sind mit einer überproportionalen Unfallhäufigkeit verbunden, die sich in den Unfallstatistiken widerspiegelt. Laut Statistischem Bundesamt (2008) kamen im Jahr 2007 12,0% (1857) aller Unfälle mit schwerem Sachschaden auf Autobahnen in Deutschland aufgrund von Zusammenstößen mit seitlich in die gleiche Richtung fahrenden Fahrzeugen zustande (S. 65). Mit Hilfe der Information über einen intendierten Spurwechsel kann ein System an das zukünftige Fahrerverhalten angepasst werden, um so die Funktionalität und damit das Sicherheitspotential des Gesamtsystems zu erhöhen. Zusätzlich können mit dieser Information auch unerwünschte Systemeingriffe unterdrückt werden, die den Fahrer stören und so zu einer Minderung der Akzeptanz des jeweiligen Fahrerassistenz- und Informationssystems führen könnten. So kann einerseits ein Assistenzsystem eingeschaltet werden, das den Spurwechsel erleichtert (z.B. Side Blind Zone Alert, Kiefer & Hankey, 2008). Zum anderen kann ein Assistenzsystem abgeschaltet werden, das den Fahrer irrtümlich warnen würde, wie zum Beispiel ein Spurverlassenswarner im Falle eines beabsichtigten Überfahrens der Fahrspur (Henning, Beyreuther et al., 2007). In diesem Zusammenhang bilden drei Untersuchungen das Herzstück der vorliegenden Arbeit. In einer Feldstudie untersuchten Henning, Georgeon, Dapzol und Krems (2009) Indikatoren, die auf die Vorbereitung eines Spurwechsels hindeuten und fanden dabei vor allem Blickverhalten in den linken Außenspiegel als einen geeigneten und sehr frühen Indikator. Dieser dient wahrscheinlich vor allem dem Aufbau einer mentalen Repräsentation des rückwärtigen Verkehrs. In einer anschließenden Fahrsimulatorstudie wurde experimentell erforscht, wie diese mentale Repräsentation beschaffen ist und in welchen Komponenten des Arbeitsgedächtnisses sie gespeichert wird (Henning, Beyreuther, & Krems, 2009). In einer dritten Studie, bestehend aus zwei Laborexperimenten, wurde nach einer Schwelle für den Übergang von einer statischen in eine dynamische mentale Repräsentation sich nähernder Fahrzeuge mit Hilfe des Paradigmas des Representational Momentum (Freyd & Finke, 1984) gesucht und ebenfalls deren Lokalisation im Arbeitsgedächtnis erforscht (Henning & Krems, 2009). Die den drei Manuskripten vorangestellte Einleitung dient der allgemeinen Einführung in das Thema und der Einordnung der Befunde. Dabei wird zuerst der Spurwechselprozess dargestellt, gefolgt von einer Diskussion der zugrundeliegenden kognitiven Prozesse und einem Exkurs über die Möglichkeiten der Spurwechselabsichtserkennung und deren Verbesserung im Lichte der Befunde.

Die vorliegende Arbeit widmet sich der Erforschung der Fahrer-Fahrzeug-Interaktion mit dem Ziel der Fahrerabsichtserkennung bei Spurwechselmanövern. Diese Fahrmanöver sind mit einer überproportionalen Unfallhäufigkeit verbunden, die sich in den Unfallstatistiken widerspiegelt. Laut Statistischem Bundesamt (2008) kamen im Jahr 2007 12,0% (1857) aller Unfälle mit schwerem Sachschaden auf Autobahnen in Deutschland aufgrund von Zusammenstößen mit seitlich in die gleiche Richtung fahrenden Fahrzeugen zustande (S. 65). Mit Hilfe der Information über einen intendierten Spurwechsel kann ein System an das zukünftige Fahrerverhalten angepasst werden, um so die Funktionalität und damit das Sicherheitspotential des Gesamtsystems zu erhöhen. Zusätzlich können mit dieser Information auch unerwünschte Systemeingriffe unterdrückt werden, die den Fahrer stören und so zu einer Minderung der Akzeptanz des jeweiligen Fahrerassistenz- und Informationssystems führen könnten. So kann einerseits ein Assistenzsystem eingeschaltet werden, das den Spurwechsel erleichtert (z.B. Side Blind Zone Alert, Kiefer & Hankey, 2008). Zum anderen kann ein Assistenzsystem abgeschaltet werden, das den Fahrer irrtümlich warnen würde, wie zum Beispiel ein Spurverlassenswarner im Falle eines beabsichtigten Überfahrens der Fahrspur (Henning, Beyreuther et al., 2007). In diesem Zusammenhang bilden drei Untersuchungen das Herzstück der vorliegenden Arbeit. In einer Feldstudie untersuchten Henning, Georgeon, Dapzol und Krems (2009) Indikatoren, die auf die Vorbereitung eines Spurwechsels hindeuten und fanden dabei vor allem Blickverhalten in den linken Außenspiegel als einen geeigneten und sehr frühen Indikator. Dieser dient wahrscheinlich vor allem dem Aufbau einer mentalen Repräsentation des rückwärtigen Verkehrs. In einer anschließenden Fahrsimulatorstudie wurde experimentell erforscht, wie diese mentale Repräsentation beschaffen ist und in welchen Komponenten des Arbeitsgedächtnisses sie gespeichert wird (Henning, Beyreuther, & Krems, 2009). In einer dritten Studie, bestehend aus zwei Laborexperimenten, wurde nach einer Schwelle für den Übergang von einer statischen in eine dynamische mentale Repräsentation sich nähernder Fahrzeuge mit Hilfe des Paradigmas des Representational Momentum (Freyd & Finke, 1984) gesucht und ebenfalls deren Lokalisation im Arbeitsgedächtnis erforscht (Henning & Krems, 2009). Die den drei Manuskripten vorangestellte Einleitung dient der allgemeinen Einführung in das Thema und der Einordnung der Befunde. Dabei wird zuerst der Spurwechselprozess dargestellt, gefolgt von einer Diskussion der zugrundeliegenden kognitiven Prozesse und einem Exkurs über die Möglichkeiten der Spurwechselabsichtserkennung und deren Verbesserung im Lichte der Befunde.

The development of Advanced Driver Assistance Systems and autonomous driving is one of the main research fields in the area of vehicle development today. Initially the research in this area focused on analyzing and predicting driving maneuvers on highways. Nowadays, a vast amount of research focuses on urban areas as well. Driving maneuvers in urban areas are more complex and therefore more difficult to predict than driving maneuvers on highways. The goals of predicting and understanding driving maneuvers are to reduce accidents, to improve traffic density, and to develop reliable algorithms for autonomous driving. Driving behavior during different driving maneuvers such as turning at intersections, emergency braking or lane changes are analyzed. This thesis focuses on the driving behavior around lane changes and thus the prediction of lane changes in the urban area is applied with an Echo State Network. First, existing methods with a special focus on input variables and results were evaluated to derive input variables with regard to lane change and no lane change sequences. The data for this first analyses were obtained from a naturalistic driving study. Based on theses results the final set of variables (steering angle, turn signal and gazes to the left and right) was chosen for further computations. The parameters of the Echo State Network were then optimized using the data of the naturalistic driving study and the final set of variables. Finally, left and right lane changes were predicted. Furthermore, the Echo State Network was compared to a feedforward neural network. The Echo State Network could predict left and right lane changes more successful than the feedforward neural network. / Fahrerassistenzsysteme und Algorithmen zum autonomen Fahren stellen ein aktuelles Forschungsfeld im Bereich der Fahrzeugentwicklung dar. Am Anfang wurden vor allem Fahrmanöver auf der Autobahn analysiert und vorhergesagt, mittlerweile hat sich das Forschungsfeld auch auf den urbanen Verkehr ausgeweitet. Fahrmanöver im urbanen Raum sind komplexer als Fahrmanöver auf Autobahnen und daher schwieriger vorherzusagen. Ziele für die Vorhersage von Fahrmanövern sind die Reduzierung von Verkehrsunfällen, die Verbesserung des Verkehrsflusses und die Entwicklung von zuverlässigen Algorithmen für das autonome Fahren. Um diese Ziele zu erreichen, wird das Fahrverhalten bei unterschiedlichen Fahrmanövern analysiert, wie z.B. beim Abbiegevorgang an Kreuzungen, bei der Notbremsung oder beim Spurwechsel. In dieser Arbeit wird der Spurwechsel im urbanen Straßenverkehr mit einem Echo State Network vorhergesagt. Zuerst wurden existierende Methoden zur Spurwechselvorhersage bezogen auf die Eingaben und die Ergebnisse bewertet, um danach die spurwechselbezogenen Variableneigenschaften bezüglich Spurwechsel- und Nicht-Spurwechselsequenzen zu analysieren. Die Daten, die Basis für diese ersten Untersuchungen waren, stammen aus einer Realfahrstudie. Basierend auf diesen Resultaten wurden die finalen Variablen (Lenkwinkel, Blinker und Blickrichtung) für weitere Berechnungen ausgewählt. Mit den Daten aus der Realfahrstudie und den finalen Variablen wurden die Parameter des Echo State Networks optimiert und letztendlich wurden linke und rechte Spurwechsel vorhergesagt. Zusätzlich wurde das Echo State Network mit einem vorwärtsgerichteten neuronalen Netz verglichen. Das Echo State Network konnte linke und rechte Spurwechsel erfolgreicher vorhersagen als das vorwärtsgerichtete neuronale Netz.

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 untersucht. Es wird gezeigt, inwieweit für verschiedene Arten von Fahrstreifenwechseln und in unterschiedlichem zeitlichen Abstand auf das Manöver bereits zwischen dem Wert einer Merkmalsgröße und dem Bevorstehen eines Fahrstreifenwechsels ein Zusammenhang besteht. Mit einer Auswahl geeigneter Merkmalsgrößen wird die Erkennung schließlich in verschiedenen Ausprägungen implementiert, mittels maschinellen Lernens parametrisiert und über alle Arten in den Daten vorkommender Fahrstreifenwechselsituationen evaluiert. Untersucht wird dabei nicht nur die Erkennungsleistung des Gesamtsystems für verschiedene Vorhersagehorizonte, sondern ebenso die einer Erkennung mit den Merkmalsgrößen nur jeweils eines der Aspekte Fahrzeugumfeld, Fahrerverhalten und Fahrzeugstatus sowie der Effekt des Einbeziehens auch der Merkmalswerthistorie.:Bibliographische Beschreibung i Inhaltsverzeichnis v Abkürzungs- und Symbolverzeichnis xi Abkürzungen xi Symbole xi Vorwort xiii 1 Einleitung 1 1.1 Motivation 1 1.2 Aktueller Stand der Forschung 4 1.3 Forschungslücken 11 1.4 Zielsetzung der Arbeit 12 1.5 Inhalt und Gliederung der Arbeit 14 1.6 Formelzeichen und Zahlenwerte 15 2 Die Fahrstreifenwechselsituation und der algorithmische Ansatz ihrer Erkennung 17 2.1 Grundlegende Begriffe 17 2.2 Modelle zur Beschreibung des Fahrstreifenwechsels 18 2.2.1 Das 3-Ebenen-Modell der kognitiven Prozesse zur Fahrzeugführung 18 2.2.2 Messbarkeit kognitiver Prozesse und der Fahrerintention 21 2.2.3 Das System Fahrer-Fahrzeug-Umwelt 23 2.2.4 Das Phasenmodell des Ablaufs eines Fahrstreifenwechsels 25 2.2.5 Das Modell der Fahrstreifenwechselsituation 26 2.3 Der prinzipielle Ansatz zur Erkennung von Fahrstreifenwechseln 30 2.4 Ein aspektübergreifender Erkennungsansatz im System Fahrer-Fahrzeug-Umwelt 31 3 Merkmalsgrößen zur Erkennung bevorstehender Fahrstreifenwechsel 35 3.1 Kriterien der Wahl der Merkmalsgrößen 35 3.2 Das Versuchsfahrzeug 36 3.2.1 Umfeldsensorik 37 3.2.2 Fahrersensorik 40 3.2.3 Rechentechnik 42 3.3 Definition und Berechnung der Merkmalsgrößen 42 3.3.1 Merkmalsgrößen des Fahrzeugumfelds 43 3.3.1.1 Existenz, Zugänglichkeit und Abstand benachbarter Fahrstreifen 43 3.3.1.2 Sensorübergreifendes Tracking umgebender Objekte als Grundlage 44 3.3.1.3 Einteilung des Fahrzeugumfelds in Zonen 45 3.3.1.4 Beschreibung der Belegung umgebender Zonen durch Objektparameter 49 3.3.1.5 Kurzreferenz zu den Merkmalsgrößen des Fahrzeugumfelds 57 3.3.2 Merkmalsgrößen des Fahrerverhaltens 58 3.3.2.1 Kopfposition und Kopflage 59 3.3.2.2 Blickbereiche 60 3.3.2.3 Kurzreferenz zu den Merkmalsgrößen des Fahrerverhaltens 63 3.3.3 Merkmalsgrößen des Fahrzeugstatus 64 3.3.3.1 Kurzreferenz zu den Merkmalsgrößen des Fahrzeugstatus 66 3.4 Synchrone Berechnung und Auswertung der Merkmalswerte 67 4 Realfahrtstudie zur Messdatenakquise 69 4.1 Studienteilnehmer 69 4.2 Studiendesign und Ablauf 70 4.3 Streckenverlauf 72 4.4 Erhobene Datensätze und Arten vorkommender Fahrstreifenwechselsituationen 73 5 Statistische Analyse und Einzelbewertung der Merkmalsgrößen 77 5.1 Metriken zur statistischen Bewertung der Merkmalsgrößen 77 5.1.1 Der t-Test 78 5.1.2 Die Effektstärke Cohen’s d 81 5.1.3 Die Effektstärke Hedges‘ g 82 5.1.4 Einordnung der Effektstärke 83 5.1.5 Auffassung der Messdaten und Durchführung der Evaluation 83 5.2 Bewertung aus Sicht des einzelnen Messdatums 85 5.2.1 Wahl und Berechnung der Metriken zur Bewertung aus Messdatensicht 85 5.2.2 Ergebnisse zur Signifikanz und Effektstärke aus Messdatensicht 87 5.3 Bewertung aus Sicht des einzelnen Manövers 97 5.3.1 Wahl und Berechnung der Metriken zur Bewertung aus Manöversicht 98 5.3.2 Ergebnisse zur Signifikanz und Effektstärke aus Manöversicht 100 5.4 Fazit der Evaluation und ausgewählter Satz von Merkmalsgrößen 108 6 Wissensbasiert modellierte Klassifikation mittels eines Bayes’schen Netzes 113 6.1 Verfahren zur wissensbasiert modellierten Klassifikation 113 6.1.1 Fuzzy-Logik 114 6.1.2 Support-Vector-Machines und Relevance-Vector-Machines 117 6.1.3 Bayes‘sche Netze 120 6.1.4 Hidden-Markov-Models 125 6.1.5 Die Wahl eines Bayes’schen Netzes zur wissensbasierten Modellierung 129 6.2 Umsetzung einer Erkennung auf Basis eines Bayes‘schen Netzes 130 6.2.1 Aufbau des modellierten Bayes’schen Netzes 131 6.3 Übergang zu einer auf maschinellem Lernen beruhenden Klassifikation 133 7 Künstliche neuronale Netze als Verfahren zur maschinell optimierten Klassifikation 135 7.1 Biologisches Vorbild und Entstehungsgeschichte 135 7.2 Aufbau und Funktionsweise künstlicher neuronaler Netze 137 7.3 Netzschichten und Netztopologie 141 7.4 Parametrisierung 143 7.4.1 Maschinelles Lernen und Optimierung durch Fehlerminimierung 144 7.4.2 Das Gradientenverfahren 146 7.4.3 Gütefunktion und Delta-Lernregel 149 7.4.4 Backpropagation 151 7.4.5 Inkrementelles und stapelweises Training 153 7.5 Abbildung zeitlicher Zusammenhänge 154 7.5.1 Zeitverzögerte neuronale Netze 154 7.5.2 Rekurrente neuronale Netze 156 7.5.3 Das Problem der verschwindenden und explodierenden Gradienten 158 7.5.4 Long-Short-Term-Memory 158 8 Neuronales Netz zur Erkennung jedes Bevorstehens eines Fahrstreifenwechsels 161 8.1 Anforderungen an die Erkennung und ihre Umsetzung 161 8.1.1 Forderung von Effektivität 161 8.1.2 Forderung von Echtzeitfähigkeit 162 8.1.3 Forderung von Realitätsnähe 162 8.1.4 Forderung einer geringen Modellkomplexität 162 8.1.5 Forderung einer gruppenweisen Verarbeitung der Merkmalsgrößen 163 8.2 Aufbau und Funktionsweise des Netzes 164 8.3 Modellierung der Merkmalswerthistorie 166 9 Maschinelle Parametrisierung des neuronalen Netzes 171 9.1 Assistenzbedingte Anforderungen an das Verhalten des Erkennungssystems 171 9.2 Vorbetrachtungen zur Gesamtfehlerdefinition 172 9.2.1 Detektionswert und Detektionsfehler als binäre Größen 173 9.2.2 Bewertung der Güte eines binären Klassifikators 174 9.2.3 Gewichtung der Fehlerklassen in der Gesamtfehlerfunktion 175 9.3 Gesamtfehlerfunktion 177 9.4 Optimierungsverfahren 180 9.5 Aufteilung und Filterung der Messdaten 181 9.6 Technische Umsetzung und Durchführung der Parametrisierung 183 10 Realisiertes Gesamtsystem zur Erkennung bevorstehender Fahrstreifenwechsel 185 10.1 Aufbau und Implementierung des Erkennungssystems 185 11 Empirische Evaluation der realisierten Erkennungsleistung 191 11.1 Evaluationsmethode 191 11.2 Erkennungsleistung des Gesamtsystems 193 11.3 Erkennungsleistung der Merkmalsgruppen in Abhängigkeit des Zeithorizonts 195 11.4 Beitrag der Modellierung der Merkmalswerthistorie 199 11.5 Beitrag der gruppenübergreifenden Fusion von Merkmalsgrößen 202 11.6 Abhängigkeiten der Ergebnisse und sie beeinflussende Faktoren 204 12 Zusammenfassung und Ausblick 207 A Anhang 219 A.1 Tracking der Objekte im Fahrzeugumfeld 219 A.1.1 Prinzip des Unscented-Kalman-Filters und CTRV Bewegungsmodells 219 A.1.2 Probabilistische Multi-Sensor-Multi-Objekt-Messdatenzuordnung 222 A.1.3 Initialisierung, Nutzung und Auflösung von Objektschätzungen 228 A.2 Tabellen zur Signifikanz und Stärke des Effekts einzelner Merkmalsgrößen 229 Literaturverzeichnis 233 Abbildungsverzeichnis 251 Tabellenverzeichnis 253 / In order to enable driver assistance systems to effectively safeguard the still accident-prone manoeuvre of changing lanes against accidents, they need reliable and early knowledge of any situation that will be followed by such a manoeuvre. Only then they will be able to provide assistance in all the situations in which it is useful without having to accept inappropriate warnings or interventions in vehicle control and so losing acceptance or even becoming a safety risk themselves. The biggest challenge here is the complexity and variety of situations occurring in urban traffic. Current assistance systems either rely on the status of the direction indicator to activate their function or interpret the crossing of a lane boundary as a lane change that is already in progress. The former has been proven to be very unreliable, while the latter leaves hardly any time for early assistance tailored to the situation and driver. This work presents a functional approach to the automated detection of impending lane changes, implements it as an in-vehicle system and demonstrates its functionality by using real driving data. The detection approach centres on feature variables of the driving situation, driver behaviour and vehicle status that can be recorded from a vehicle and which are fused and classified with the help of artificial neural networks. The development of the algorithms and all investigations into their performance are based on measurement data of natural driving behaviour in traffic in a bigger city that were collected in an extensive naturalistic driving study with a test vehicle equipped with radar and camera sensors. Based on these data, parameters from a zone-based representation of the surroundings of the vehicle, the direction of the driver’s glances and vehicle state variables are first analysed for their suitability as feature variables. For different types of lane changes and at different time intervals to the manoeuvre it is shown to what extent there already is a correlation between the value of a variable and the imminence of a lane change. Using a selection of suitable feature variables the automated detection is finally implemented in various versions, parameterised by means of machine learning and evaluated across all types of lane change situations occurring in the data. Not only the detection performance of the overall system for different prediction horizons is investigated but also the detection with the feature variables of only one of the aspects driving situation, driver behaviour and vehicle status as well as the effect of including the feature value history.:Bibliographische Beschreibung i Inhaltsverzeichnis v Abkürzungs- und Symbolverzeichnis xi Abkürzungen xi Symbole xi Vorwort xiii 1 Einleitung 1 1.1 Motivation 1 1.2 Aktueller Stand der Forschung 4 1.3 Forschungslücken 11 1.4 Zielsetzung der Arbeit 12 1.5 Inhalt und Gliederung der Arbeit 14 1.6 Formelzeichen und Zahlenwerte 15 2 Die Fahrstreifenwechselsituation und der algorithmische Ansatz ihrer Erkennung 17 2.1 Grundlegende Begriffe 17 2.2 Modelle zur Beschreibung des Fahrstreifenwechsels 18 2.2.1 Das 3-Ebenen-Modell der kognitiven Prozesse zur Fahrzeugführung 18 2.2.2 Messbarkeit kognitiver Prozesse und der Fahrerintention 21 2.2.3 Das System Fahrer-Fahrzeug-Umwelt 23 2.2.4 Das Phasenmodell des Ablaufs eines Fahrstreifenwechsels 25 2.2.5 Das Modell der Fahrstreifenwechselsituation 26 2.3 Der prinzipielle Ansatz zur Erkennung von Fahrstreifenwechseln 30 2.4 Ein aspektübergreifender Erkennungsansatz im System Fahrer-Fahrzeug-Umwelt 31 3 Merkmalsgrößen zur Erkennung bevorstehender Fahrstreifenwechsel 35 3.1 Kriterien der Wahl der Merkmalsgrößen 35 3.2 Das Versuchsfahrzeug 36 3.2.1 Umfeldsensorik 37 3.2.2 Fahrersensorik 40 3.2.3 Rechentechnik 42 3.3 Definition und Berechnung der Merkmalsgrößen 42 3.3.1 Merkmalsgrößen des Fahrzeugumfelds 43 3.3.1.1 Existenz, Zugänglichkeit und Abstand benachbarter Fahrstreifen 43 3.3.1.2 Sensorübergreifendes Tracking umgebender Objekte als Grundlage 44 3.3.1.3 Einteilung des Fahrzeugumfelds in Zonen 45 3.3.1.4 Beschreibung der Belegung umgebender Zonen durch Objektparameter 49 3.3.1.5 Kurzreferenz zu den Merkmalsgrößen des Fahrzeugumfelds 57 3.3.2 Merkmalsgrößen des Fahrerverhaltens 58 3.3.2.1 Kopfposition und Kopflage 59 3.3.2.2 Blickbereiche 60 3.3.2.3 Kurzreferenz zu den Merkmalsgrößen des Fahrerverhaltens 63 3.3.3 Merkmalsgrößen des Fahrzeugstatus 64 3.3.3.1 Kurzreferenz zu den Merkmalsgrößen des Fahrzeugstatus 66 3.4 Synchrone Berechnung und Auswertung der Merkmalswerte 67 4 Realfahrtstudie zur Messdatenakquise 69 4.1 Studienteilnehmer 69 4.2 Studiendesign und Ablauf 70 4.3 Streckenverlauf 72 4.4 Erhobene Datensätze und Arten vorkommender Fahrstreifenwechselsituationen 73 5 Statistische Analyse und Einzelbewertung der Merkmalsgrößen 77 5.1 Metriken zur statistischen Bewertung der Merkmalsgrößen 77 5.1.1 Der t-Test 78 5.1.2 Die Effektstärke Cohen’s d 81 5.1.3 Die Effektstärke Hedges‘ g 82 5.1.4 Einordnung der Effektstärke 83 5.1.5 Auffassung der Messdaten und Durchführung der Evaluation 83 5.2 Bewertung aus Sicht des einzelnen Messdatums 85 5.2.1 Wahl und Berechnung der Metriken zur Bewertung aus Messdatensicht 85 5.2.2 Ergebnisse zur Signifikanz und Effektstärke aus Messdatensicht 87 5.3 Bewertung aus Sicht des einzelnen Manövers 97 5.3.1 Wahl und Berechnung der Metriken zur Bewertung aus Manöversicht 98 5.3.2 Ergebnisse zur Signifikanz und Effektstärke aus Manöversicht 100 5.4 Fazit der Evaluation und ausgewählter Satz von Merkmalsgrößen 108 6 Wissensbasiert modellierte Klassifikation mittels eines Bayes’schen Netzes 113 6.1 Verfahren zur wissensbasiert modellierten Klassifikation 113 6.1.1 Fuzzy-Logik 114 6.1.2 Support-Vector-Machines und Relevance-Vector-Machines 117 6.1.3 Bayes‘sche Netze 120 6.1.4 Hidden-Markov-Models 125 6.1.5 Die Wahl eines Bayes’schen Netzes zur wissensbasierten Modellierung 129 6.2 Umsetzung einer Erkennung auf Basis eines Bayes‘schen Netzes 130 6.2.1 Aufbau des modellierten Bayes’schen Netzes 131 6.3 Übergang zu einer auf maschinellem Lernen beruhenden Klassifikation 133 7 Künstliche neuronale Netze als Verfahren zur maschinell optimierten Klassifikation 135 7.1 Biologisches Vorbild und Entstehungsgeschichte 135 7.2 Aufbau und Funktionsweise künstlicher neuronaler Netze 137 7.3 Netzschichten und Netztopologie 141 7.4 Parametrisierung 143 7.4.1 Maschinelles Lernen und Optimierung durch Fehlerminimierung 144 7.4.2 Das Gradientenverfahren 146 7.4.3 Gütefunktion und Delta-Lernregel 149 7.4.4 Backpropagation 151 7.4.5 Inkrementelles und stapelweises Training 153 7.5 Abbildung zeitlicher Zusammenhänge 154 7.5.1 Zeitverzögerte neuronale Netze 154 7.5.2 Rekurrente neuronale Netze 156 7.5.3 Das Problem der verschwindenden und explodierenden Gradienten 158 7.5.4 Long-Short-Term-Memory 158 8 Neuronales Netz zur Erkennung jedes Bevorstehens eines Fahrstreifenwechsels 161 8.1 Anforderungen an die Erkennung und ihre Umsetzung 161 8.1.1 Forderung von Effektivität 161 8.1.2 Forderung von Echtzeitfähigkeit 162 8.1.3 Forderung von Realitätsnähe 162 8.1.4 Forderung einer geringen Modellkomplexität 162 8.1.5 Forderung einer gruppenweisen Verarbeitung der Merkmalsgrößen 163 8.2 Aufbau und Funktionsweise des Netzes 164 8.3 Modellierung der Merkmalswerthistorie 166 9 Maschinelle Parametrisierung des neuronalen Netzes 171 9.1 Assistenzbedingte Anforderungen an das Verhalten des Erkennungssystems 171 9.2 Vorbetrachtungen zur Gesamtfehlerdefinition 172 9.2.1 Detektionswert und Detektionsfehler als binäre Größen 173 9.2.2 Bewertung der Güte eines binären Klassifikators 174 9.2.3 Gewichtung der Fehlerklassen in der Gesamtfehlerfunktion 175 9.3 Gesamtfehlerfunktion 177 9.4 Optimierungsverfahren 180 9.5 Aufteilung und Filterung der Messdaten 181 9.6 Technische Umsetzung und Durchführung der Parametrisierung 183 10 Realisiertes Gesamtsystem zur Erkennung bevorstehender Fahrstreifenwechsel 185 10.1 Aufbau und Implementierung des Erkennungssystems 185 11 Empirische Evaluation der realisierten Erkennungsleistung 191 11.1 Evaluationsmethode 191 11.2 Erkennungsleistung des Gesamtsystems 193 11.3 Erkennungsleistung der Merkmalsgruppen in Abhängigkeit des Zeithorizonts 195 11.4 Beitrag der Modellierung der Merkmalswerthistorie 199 11.5 Beitrag der gruppenübergreifenden Fusion von Merkmalsgrößen 202 11.6 Abhängigkeiten der Ergebnisse und sie beeinflussende Faktoren 204 12 Zusammenfassung und Ausblick 207 A Anhang 219 A.1 Tracking der Objekte im Fahrzeugumfeld 219 A.1.1 Prinzip des Unscented-Kalman-Filters und CTRV Bewegungsmodells 219 A.1.2 Probabilistische Multi-Sensor-Multi-Objekt-Messdatenzuordnung 222 A.1.3 Initialisierung, Nutzung und Auflösung von Objektschätzungen 228 A.2 Tabellen zur Signifikanz und Stärke des Effekts einzelner Merkmalsgrößen 229 Literaturverzeichnis 233 Abbildungsverzeichnis 251 Tabellenverzeichnis 253