The development of driver assistance and automated vehicle control is in process and finds its way more and more into urban traffic environments. Here, the complexity of traffic situations is highly challenging and requires system approaches to comprehend such situations. The key element is the process of situation assessment to identify critical situations in advance and derive adequate warning and intervention strategies. This thesis introduces a system approach to establish a situation assessment process with the focus on the prediction of the driver intention. The system design is based on the Situation Awareness model by Endsley. Further, a prediction algorithm is created using Hidden Markov Models. To define the parameters of the models, an existing database is used and previously analyzed to identify reasonable variables that indicate an intended driving direction while approaching the intersection. Here, vehicle dynamics are used instead of driver inputs to enable a further extension of the prediction, i.e.\\ to predict the driving intention of other vehicles detected by sensors. High prediction rates at temporal distances of several seconds before entering the intersection are accomplished. The prediction is integrated in a system for situation assessment including an intersection model. A Matlab tool is created with an interface to the vehicle CAN bus and the intersection modeling which uses digital map data to establish a representation of the intersection. To identify differences and similarities in the process of approaching an intersection dependent on the intersection shape and regulation, a naturalistic driving study is conducted. Here, the distance to the intersection and velocity is observed on driver inputs related to the upcoming intersection (leaving the gas pedal, pushing the brake, using the turn signal). The findings are used to determine separate prediction models dependent on shape and regulation of the upcoming intersection. The system runs in real-time and is tested in a real traffic environment.:Contents List of Figures Acronyms 1 Introduction 1.1 Motivation 1.2 Outline 2 Fundamentals 2.1 Traffic Intersections 2.2 Situation Assessment 2.3 Prediction of Driver Intention 2.3.1 Methods Overview 2.3.2 Hidden Markov Models 2.4 Localization 3 Driving Behavior 3.1 Data Analysis 3.1.1 Data selection and processing 3.1.2 Results 3.1.3 Conclusion 3.2 Naturalistic Driving Study 3.2.1 Background 3.2.2 Methods 3.2.3 Results 3.2.4 Discussion and Conclusion 4 Prediction Algorithm 4.1 Framework 4.2 Input data 4.3 Evaluation 4.4 Validation 4.5 Conclusion 5 System Approach 5.1 Sensing 5.2 Situation analysis 5.3 Prediction 5.3.1 Implementation 5.3.2 Graphical User Interface (GUI) 5.3.3 Testing and Outlook 6 Conclusion and Outlook Bibliography / Die Entwicklung von Fahrerassistenz und automatisiertem Fahren ist in vollem Gange und entwickelt sich zunehmend in Richtung urbanen Verkehrsraum. Hier stellen besonders komplexe Verkehrssituationen sowohl für den Fahrer als auch für Assistenzsysteme eine Herausforderung dar. Zur Bewältigung dieser Situationen sind neue Systemansätze notwendig, die eine Situationsanalyse und -bewertung beinhalten. Dieser Prozess der Situationseinschätzung ist der Schlüssel zum Erkennen von kritischen Situationen und daraus abgeleiteten Warnungs- und Eingriffsstrategien. Diese Arbeit stellt einen Systemansatz vor, welcher den Prozess der Situationseinschätzung abbildet mit einem Fokus auf die Prädiktion der Fahrerintention. Das Systemdesign basiert dabei auf dem Situation Awareness Model von Endsley. Der Prädiktionsalgorithmus ist mit Hilfe von Hidden Markov Modellen umgesetzt. Zur Bestimmung der Modellparameter wurde eine existierende Datenbasis genutzt und zur Bestimmung von relevanten Variablen für die Prädiktion der Fahrtrichtung während der Kreuzungsannäherung analysiert. Dabei wurden Daten zur Fahrdynamik ausgewählt anstelle von Fahrereingaben um die Prädiktion später auf externe Fahrzeuge mittels Sensorinformationen zu erweitern. Es wurden hohe Prädiktionsraten bei zeitlichen Abständen von mehreren Sekunden bis zum Kreuzungseintritt erzielt. Die Prädiktion wurde in das System zur Situationseinschätzung integriert. Weiterhin beinhaltet das System eine statische Kreuzungsmodellierung. Dabei werden digitale Kartendaten genutzt um eine Repräsentation der Kreuzung und ihrer statischen Attribute zu erzeugen und die der Kreuzungsform entsprechenden Prädiktionsmodelle auszuwählen. Das Gesamtsystem ist als Matlab Tool mit einer Schnittstelle zum CAN Bus implementiert. Weiterhin wurde eine Fahrstudie zum natürlichen Fahrverhalten durchgeführt um mögliche Unterschiede und Gemeinsamkeiten bei der Annäherung an Kreuzungen in Abhängigkeit der Form und Regulierung zu identifizieren. Hierbei wurde die Distanz zur Kreuzung und die Geschwindigkeit bei Fahrereingaben im Bezug zur folgenden Kreuzung gemessen (Gaspedalverlassen, Bremspedalbetätigung, Blinkeraktivierung). Die Ergebnisse der Studie wurden genutzt um die Notwendigkeit verschiedener Prädiktionsmodelle in Abhängigkeit von Form der Kreuzung zu bestimmen. Das System läuft in Echtzeit und wurde im realen Straßenverkehr getestet.:Contents List of Figures Acronyms 1 Introduction 1.1 Motivation 1.2 Outline 2 Fundamentals 2.1 Traffic Intersections 2.2 Situation Assessment 2.3 Prediction of Driver Intention 2.3.1 Methods Overview 2.3.2 Hidden Markov Models 2.4 Localization 3 Driving Behavior 3.1 Data Analysis 3.1.1 Data selection and processing 3.1.2 Results 3.1.3 Conclusion 3.2 Naturalistic Driving Study 3.2.1 Background 3.2.2 Methods 3.2.3 Results 3.2.4 Discussion and Conclusion 4 Prediction Algorithm 4.1 Framework 4.2 Input data 4.3 Evaluation 4.4 Validation 4.5 Conclusion 5 System Approach 5.1 Sensing 5.2 Situation analysis 5.3 Prediction 5.3.1 Implementation 5.3.2 Graphical User Interface (GUI) 5.3.3 Testing and Outlook 6 Conclusion and Outlook Bibliography

Bei der Anwendung von Radarsensoren zur Fahrzeug-Umfelderfassung müssen verwendete Blenden (Radome), welche den Sensor vor externen Einflüssen schützen und das Fahrzeugdesign unterstützen, die hochfrequente elektromagnetische Welle ohne Beeinflussung transmittieren. Allerdings werden beim Durchstrahlen eines Bauteils unterschiedliche Anteile der Welle absorbiert, reflektiert oder transmittiert. Mit dem Ziel die Transmission von Materialien zu erhöhen, werden im Rahmen dieser Arbeit die Einflüsse auf den Materialparameter Permittivität von Kunststoffen und Lacken untersucht. Dadurch kann auch die praktische Umsetzbarkeit der theoretisch hergeleiteten Kompensationsmethoden für hochreflektierende Lacke nachgewiesen werden. Zur Absicherung der Radarfunktion müssen darüber hinaus auch Einflussfaktoren aus Design, Fertigungsprozess und Umgebung bekannt sein.:1 Einleitung 2 Problemstellung und Zielsetzung 3 Stand der Wissenschaft 4 Elektromagnetische Eigenschaften von Kunststoffen 5 Einfluss elektromagnetischer Eigenschaften von Lacken 6 Radome im Gesamtaufbau 7 Zusammenfassung und Ausblick Anhang / When radar sensors are used for vehicle environment scanning, the cover (radome) used to protect the sensor from external influences and support the vehicle design must transmit the high-frequency electromagnetic wave without interference. However, when the wave passes through a component it is absorbed, reflected or transmitted. The range of the radar sensor can be reduced, the sensor can be blinded by reflections and inhomogeneous reflection distributions can lead to angular errors. To increase the transmission of materials, the influences on the material parameter permittivity of plastics and paints are investigated. Furthermore, the practical feasibility of the theoretically derived compensation methods for highly reflective paints can be demonstrated. To ensure the radar function, influencing factors, including the design, the manufacturing process and environment, must also be known.:1 Einleitung 2 Problemstellung und Zielsetzung 3 Stand der Wissenschaft 4 Elektromagnetische Eigenschaften von Kunststoffen 5 Einfluss elektromagnetischer Eigenschaften von Lacken 6 Radome im Gesamtaufbau 7 Zusammenfassung und Ausblick Anhang

Vision based active safety systems have become more frequently occurring in modern vehicles to estimate depth of the objects ahead and for autonomous driving (AD) and advanced driver-assistance systems (ADAS). In this thesis a lightweight deep convolutional neural network performing real-time depth estimation on single monocular images is implemented and evaluated. Many of the vision based automatic brake systems in modern vehicles only detect pre-trained object types such as pedestrians and vehicles. These systems fail to detect general objects such as road debris and roadside obstacles. In stereo vision systems the problem is resolved by calculating a disparity image from the stereo image pair to extract depth information. The distance to an object can also be determined using radar and LiDAR systems. By using this depth information the system performs necessary actions to avoid collisions with objects that are determined to be too close. However, these systems are also more expensive than a regular mono camera system and are therefore not very common in the average consumer car. By implementing robust depth estimation in mono vision systems the benefits from active safety systems could be utilized by a larger segment of the vehicle fleet. This could drastically reduce human error related traffic accidents and possibly save many lives. The network architecture evaluated in this thesis is more lightweight than other CNN architectures previously used for monocular depth estimation. The proposed architecture is therefore preferable to use on computationally lightweight systems. The network solves a supervised regression problem during the training procedure in order to produce a pixel-wise depth estimation map. The network was trained using a sparse ground truth image with spatially incoherent and discontinuous data and output a dense spatially coherent and continuous depth map prediction. The spatially incoherent ground truth posed a problem of discontinuity that was addressed by a masked loss function with regularization. The network was able to predict a dense depth estimation on the KITTI dataset with close to state-of-the-art performance.