[ES] En la actualidad, uno de los principales desafíos a los que se enfrentan las grandes áreas metropolitanas es la congestión provocada por el tráfico, la cual se ha convertido en un problema importante al que se enfrentan las autoridades de cada ciudad. Para abordar este problema es necesario implementar una solución eficiente para controlar el tráfico que genere beneficios para los ciudadanos, como reducir los tiempos de viaje de los vehículos y, en consecuencia, el consumo de combustible, el ruido, y la contaminación ambiental. De hecho, al analizar adecuadamente la demanda de tráfico, es posible predecir las condiciones futuras del tráfico, y utilizar esa información para la optimización de las rutas tomadas por los vehículos. Este enfoque puede ser especialmente efectivo si se aplica en el contexto de los vehículos autónomos, que tienen un comportamiento más predecible, lo cual permite a los administradores de la ciudad mitigar los efectos de la congestión, como es la contaminación, al mejorar el flujo de tráfico de manera totalmente centralizada. La validación de este enfoque generalmente requiere el uso de simulaciones que deberían ser lo más realistas posible. Sin embargo, lograr altos grados de realismo puede ser complejo cuando los patrones de tráfico reales, definidos a través de una matriz de Origen/Destino (O-D) para los vehículos en una ciudad, son desconocidos, como ocurre la mayoría de las veces. Por lo tanto, la primera contribución de esta tesis es desarrollar una heurística iterativa para mejorar el modelado de la congestión de tráfico; a partir de las mediciones de bucle de inducción reales hechas por el Ayuntamiento de Valencia (España), pudimos generar una matriz O-D para la simulación de tráfico que se asemeja a la distribución de tráfico real. Si fuera posible caracterizar el estado del tráfico prediciendo las condiciones futuras del tráfico para optimizar la ruta de los vehículos automatizados, y si se pudieran tomar estas medidas para mitigar de manera preventiva los efectos de la congestión con sus problemas relacionados, se podría mejorar el flujo de tráfico en general. Por lo tanto, la segunda contribución de esta tesis es desarrollar una Ecuación de Predicción de Tráfico para caracterizar el comportamiento en las diferentes calles de la ciudad en términos de tiempo de viaje con respecto al volumen de tráfico, y aplicar una regresión logística a esos datos para predecir las condiciones futuras del tráfico. La tercera y última contribución de esta tesis apunta directamente al nuevo paradigma de gestión de tráfico previsto, tratándose de un servidor de rutas capaz de manejar todo el tráfico en una ciudad, y equilibrar los flujos de tráfico teniendo en cuenta las condiciones de congestión del tráfico presentes y futuras. Por lo tanto, realizamos un estudio de simulación con datos reales de congestión de tráfico en la ciudad de Valencia (España), para demostrar cómo se puede mejorar el flujo de tráfico en un día típico mediante la solución propuesta. Los resultados experimentales muestran que nuestra solución, combinada con una actualización frecuente de las condiciones del tráfico en el servidor de rutas, es capaz de lograr mejoras sustanciales en términos de velocidad promedio y tiempo de trayecto, ambos indicadores de un menor grado de congestión y de una mejor fluidez del tráfico. / [CA] En l'actualitat, un dels principals desafiaments als quals s'enfronten les grans àrees metropolitanes és la congestió provocada pel trànsit, que s'ha convertit en un problema important al qual s'enfronten les autoritats de cada ciutat. Per a abordar aquest problema és necessari implementar una solució eficient per a controlar el trànsit que genere beneficis per als ciutadans, com reduir els temps de viatge dels vehicles i, en conseqüència, el consum de combustible, el soroll, i la contaminació ambiental. De fet, en analitzar adequadament la demanda de trànsit, és possible predir les condicions futures del trànsit, i utilitzar aqueixa informació per a l'optimització de les rutes preses pels vehicles. Aquest enfocament pot ser especialment efectiu si s'aplica en el context dels vehicles autònoms, que tenen un comportament més predictible, i això permet als administradors de la ciutat mitigar els efectes de la congestió, com és la contaminació, en millorar el flux de trànsit de manera totalment centralitzada. La validació d'aquest enfocament generalment requereix l'ús de simulacions que haurien de ser el més realistes possible. No obstant això, aconseguir alts graus de realisme pot ser complex quan els patrons de trànsit reals, definits a través d'una matriu d'Origen/Destinació (O-D) per als vehicles en una ciutat, són desconeguts, com ocorre la majoria de les vegades. Per tant, la primera contribució d'aquesta tesi és desenvolupar una heurística iterativa per a millorar el modelatge de la congestió de trànsit; a partir dels mesuraments de bucle d'inducció reals fetes per l'Ajuntament de València (Espanya), vam poder generar una matriu O-D per a la simulació de trànsit que s'assembla a la distribució de trànsit real. Si fóra possible caracteritzar l'estat del trànsit predient les condicions futures del trànsit per a optimitzar la ruta dels vehicles automatitzats, i si es pogueren prendre aquestes mesures per a mitigar de manera preventiva els efectes de la congestió amb els seus problemes relacionats, es podria millorar el flux de trànsit en general. Per tant, la segona contribució d'aquesta tesi és desenvolupar una Equació de Predicció de Trànsit per a caracteritzar el comportament en els diferents carrers de la ciutat en termes de temps de viatge respecte al volum de trànsit, i aplicar una regressió logística a aqueixes dades per a predir les condicions futures del trànsit. La tercera i última contribució d'aquesta tesi apunta directament al nou paradigma de gestió de trànsit previst. Es tracta d'un servidor de rutes capaç de manejar tot el trànsit en una ciutat, i equilibrar els fluxos de trànsit tenint en compte les condicions de congestió del trànsit presents i futures. Per tant, realitzem un estudi de simulació amb dades reals de congestió de trànsit a la ciutat de València (Espanya), per a demostrar com es pot millorar el flux de trànsit en un dia típic mitjançant la solució proposada. Els resultats experimentals mostren que la nostra solució, combinada amb una actualització freqüent de les condicions del trànsit en el servidor de rutes, és capaç d'aconseguir millores substancials en termes de velocitat faig una mitjana i de temps de trajecte, tots dos indicadors d'un grau menor de congestió i d'una fluïdesa millor del trànsit. / [EN] Currently, one of the main challenges that large metropolitan areas have to face is traffic congestion, which has become an important problem faced by city authorities. To address this problem, it becomes necessary to implement an efficient solution to control traffic that generates benefits for citizens, such as reducing vehicle journey times and, consequently, use of fuel, noise and environmental pollution. In fact, by properly analyzing traffic demand, it becomes possible to predict future traffic conditions, and to use that information for the optimization of the routes taken by vehicles. Such an approach becomes especially effective if applied in the context of autonomous vehicles, which have a more predictable behavior, thus enabling city management entities to mitigate the effects of traffic congestion and pollution by improving the traffic flow in a city in a fully centralized manner. Validating this approach typically requires the use of simulations, which should be as realistic as possible. However, achieving high degrees of realism can be complex when the actual traffic patterns, defined through an Origin/Destination (O-D) matrix for the vehicles in a city, are unknown, as occurs most of the times. Thus, the first contribution of this thesis is to develop an iterative heuristic for improving traffic congestion modeling; starting from real induction loop measurements made available by the City Hall of Valencia, Spain, we were able to generate an O-D matrix for traffic simulation that resembles the real traffic distribution. If it were possible to characterize the state of traffic by predicting future traffic conditions for optimizing the route of automated vehicles, and if these measures could be taken to preventively mitigate the effects of congestion with its related problems, the overall traffic flow could be improved. Thereby, the second contribution of this thesis was to develop a Traffic Prediction Equation to characterize the different streets of a city in terms of travel time with respect to the vehicle load, and applying logistic regression to those data to predict future traffic conditions. The third and last contribution of this thesis towards our envisioned traffic management paradigm was a route server capable of handling all the traffic in a city, and balancing traffic flows by accounting for present and future traffic congestion conditions. Thus, we perform a simulation study using real data of traffic congestion in the city of Valencia, Spain, to demonstrate how the traffic flow in a typical day can be improved using our proposed solution. Experimental results show that our proposed solution, combined with frequent updating of traffic conditions on the route server, is able to achieve substantial improvements in terms of average travel speeds and travel times, both indicators of lower degrees of congestion and improved traffic fluidity. / Finally, I want to thank the Ecuatorian Republic through the "Secretaría de Educación Superior, Ciencia, Tecnología e Innovación" (SENESCYT), for granting me the scholarship to finance my studies. / Zambrano Martínez, JL. (2019). Efficient Traffic Management in Urban Environments [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/129865

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