In dieser Arbeit wird das Verhalten der Fahrer vor, während und nach dem Spurwechsel anhand eines Datensatzes untersucht. Dieser wurde im Jahr 2006 in den USA erhoben und enthält die genauen Trajektoriendaten für jedes Fahrzeug. Es konnte gezeigt werden, dass schnellere Fahrzeuge ihren Spurwechsel auch schneller abschließen. Es ist auch erkennbar, dass bei einem Wechsel nach rechts kein kleinerer Abstand zum Vorderfahrzeug in Kauf genommen wird. Eine Untersuchung der freiwilligen und notwendigen Wechsel konnte keine signifikanten Unterschiede feststellen. Im zweiten Teil der Auswertung wurden die Spurwechselentscheidungen mittels eines generellen Modells und MOBIL untersucht. Die einzusetzenden Werte wurden mit den Fahrzeugfolgemodellen OVM, Gipps-Modell und IDM erzeugt. Die Entscheidungen der Spurwechselmodelle fielen nur selten so aus, wie sie in der Realität getroffen wurden. Damit werden die Modelle ihrem eigenen Anspruch nicht gerecht, die Realität möglichst gut nachzubilden. / The topic of this master thesis is the investigation of the behaviour of the drivers before, during and after lane changes on highways. For this purpose a data set of the I-80 in the USA was used. It was collected in 2006 and contains the trajectories of all vehicles. It could be shown that faster cars even do a faster lane change. The drivers also do not accept a smaller gap to the preceding car after a lane change to the right. A comparison of voluntary and necessary lane changes did not show significant differences. In the second part of the analysis the lane change decision was examined using a general model and MOBIL. The data to be inserted were generated using the car-following models OVM, Gipps-model and IDM. But the outcomes of the lane change models only rarely matched reality. Therefore, the models did not fulfill their own standards to picture the existing reality.

In dieser Arbeit wird das Verhalten der Fahrer vor, während und nach dem Spurwechsel anhand eines Datensatzes untersucht. Dieser wurde im Jahr 2006 in den USA erhoben und enthält die genauen Trajektoriendaten für jedes Fahrzeug. Es konnte gezeigt werden, dass schnellere Fahrzeuge ihren Spurwechsel auch schneller abschließen. Es ist auch erkennbar, dass bei einem Wechsel nach rechts kein kleinerer Abstand zum Vorderfahrzeug in Kauf genommen wird. Eine Untersuchung der freiwilligen und notwendigen Wechsel konnte keine signifikanten Unterschiede feststellen. Im zweiten Teil der Auswertung wurden die Spurwechselentscheidungen mittels eines generellen Modells und MOBIL untersucht. Die einzusetzenden Werte wurden mit den Fahrzeugfolgemodellen OVM, Gipps-Modell und IDM erzeugt. Die Entscheidungen der Spurwechselmodelle fielen nur selten so aus, wie sie in der Realität getroffen wurden. Damit werden die Modelle ihrem eigenen Anspruch nicht gerecht, die Realität möglichst gut nachzubilden.:1 Einleitung 1 2 Theoretische Grundlagen 3 2.1 Begriffserklärungen 3 2.2 Fahrstreifenwechsel 6 2.2.1 Formen von Spurwechseln 6 2.2.2 Ebenen von Entscheidungen 7 2.3 Verkehrsmodelle 8 2.3.1 Mathematische Grundlagen 9 2.3.2 Fahrzeugfolgemodelle 9 2.3.3 Simulation des Fahrstreifenwechsels 12 3 Aufbereitung des Datensatzes 15 3.1 Untersuchungsgebiet 15 3.2 Datensatz 16 3.3 Datenaufbereitung 18 3.3.1 Bestimmung der lokalen Geschwindigkeit 18 3.3.2 Bestimmung der lokalen Beschleunigung 21 3.3.3 Bestimmung der Abstände und Zeitlücken 22 3.4 Bekannte Fehler im Datensatz 23 3.5 Implementierung und Kalibrierung der Modelle 28 4 Auswertung des Datensatzes 31 4.1 Ermittlung wichtiger Kenngrößen 31 4.2 Deskriptive Beschreibung von Fahrstreifenwechseln 33 4.2.1 Freiwillige Spurwechsel 33 4.2.2 Notwendige Spurwechsel 37 4.3 Modellbasierte Auswertung 39 4.3.1 Kalibrierung und Validierung 39 4.3.2 Untersuchung der Spurwechselentscheidung 41 4.3.3 Untersuchung der Spurwechselentscheidung mit MOBIL 43 5 Zusammenfassung und Ausblick 47 5.1 Zusammenfassung und Überprüfung der Hypothesen 47 5.2 Weitere Forschungsmöglichkeiten 50 / The topic of this master thesis is the investigation of the behaviour of the drivers before, during and after lane changes on highways. For this purpose a data set of the I-80 in the USA was used. It was collected in 2006 and contains the trajectories of all vehicles. It could be shown that faster cars even do a faster lane change. The drivers also do not accept a smaller gap to the preceding car after a lane change to the right. A comparison of voluntary and necessary lane changes did not show significant differences. In the second part of the analysis the lane change decision was examined using a general model and MOBIL. The data to be inserted were generated using the car-following models OVM, Gipps-model and IDM. But the outcomes of the lane change models only rarely matched reality. Therefore, the models did not fulfill their own standards to picture the existing reality.:1 Einleitung 1 2 Theoretische Grundlagen 3 2.1 Begriffserklärungen 3 2.2 Fahrstreifenwechsel 6 2.2.1 Formen von Spurwechseln 6 2.2.2 Ebenen von Entscheidungen 7 2.3 Verkehrsmodelle 8 2.3.1 Mathematische Grundlagen 9 2.3.2 Fahrzeugfolgemodelle 9 2.3.3 Simulation des Fahrstreifenwechsels 12 3 Aufbereitung des Datensatzes 15 3.1 Untersuchungsgebiet 15 3.2 Datensatz 16 3.3 Datenaufbereitung 18 3.3.1 Bestimmung der lokalen Geschwindigkeit 18 3.3.2 Bestimmung der lokalen Beschleunigung 21 3.3.3 Bestimmung der Abstände und Zeitlücken 22 3.4 Bekannte Fehler im Datensatz 23 3.5 Implementierung und Kalibrierung der Modelle 28 4 Auswertung des Datensatzes 31 4.1 Ermittlung wichtiger Kenngrößen 31 4.2 Deskriptive Beschreibung von Fahrstreifenwechseln 33 4.2.1 Freiwillige Spurwechsel 33 4.2.2 Notwendige Spurwechsel 37 4.3 Modellbasierte Auswertung 39 4.3.1 Kalibrierung und Validierung 39 4.3.2 Untersuchung der Spurwechselentscheidung 41 4.3.3 Untersuchung der Spurwechselentscheidung mit MOBIL 43 5 Zusammenfassung und Ausblick 47 5.1 Zusammenfassung und Überprüfung der Hypothesen 47 5.2 Weitere Forschungsmöglichkeiten 50

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.