No description available.

Bei der Entwicklung neuartiger und innovativer Fahrerassistenzsysteme kommt der Positions- und Ausrichtungsbestimmung von Fahrzeugen eine Schlüsselrolle zu. Dabei entscheidet die Güte der Positionsbestimmung über die Qualität, die Robustheit und den Einsatzbereich des Gesamtsystems. Verbesserungen in der Positionsbestimmung führen zu einer besseren Performanz bzw. sind die Grundvoraussetzung für die Realisierung dieser Fahrerassistenzsysteme. Ein Beispiel für solch ein neuartiges Fahrerassistenzsystem, welches auf eine hochgenaue Positionsbestimmung baut, ist der BMW TrackTrainer. Dieses Assistenzsystem soll den "normalgeübten" Autofahrer beim schnellen Erlernen der Ideallinie auf Rennstrecken unterstützen, indem das Fahrzeug die Rennstrecke völlig autonom auf einer vorher aufgezeichneten Ideallinie umrundet, während der Teilnehmer sich die Strecke aus Fahrerperspektive einprägt. Für die Realisierung eines derartigen Assistenzsystems ist eine hochgenaue Positionsbestimmung im cm-Bereich notwendig. Bisher wurde dafür eine GPS-gestützte Inertialplattform eingesetzt, welche unter guten GPS-Empfangsbedingungen die Anforderungen an die Positionierung erfüllt. Bei schlechten GPS-Empfangsbedingungen, wie sie beispielsweise auf der international bekannten Rennstrecke Nürburgring Nordschleife aufgrund von Verdeckung und Abschattung der Satellitensignale durch stark bebautes oder bewaldetes Gebiet auftreten, liefert das Positionierungssystem keine ausreichend genauen Werte, wodurch das autonome Fahren verhindert wird. Zwar gibt es neben GPS auch weitere Positionsbestimmungssysteme, die aber für den Einsatz auf Rennstrecken entweder zu ungenau sind, oder einen zu hohen Rüstaufwand erfordern würden. Um diese Lücke zu schließen, wurde im Rahmen dieser Arbeit ein hochgenaues Positionsbestimmungssystem entwickelt und evaluiert, welches auch unter schlechten GPS-Empfangsbedingungen den Anforderungen des autonomen Fahren auf Rennstrecken genügt und auf einer Fusion verschiedener Signalquellen in einem Positionsfilter beruht. Folgende Signalquellen wurden hinsichtlich Genauigkeit sowie Praxistauglichkeit für den Einsatz auf Rennstrecken experimentell untersucht: - GPS-gestützte Inertialplattform (GPS/INS) - Fahrzeugsensoren mit erweitertem Fahrzeugmodell - Digitaler Kompass - Laser-Reflexlichtschranken - Servo-Tachymeter - LIDAR-basierte Randbebauungserkennung - Videobasierte Spurerkennung - Digitale Karte. Obwohl eine GPS-gestützte Inertialplattform (GPS/INS) unter schlechten GPS-Empfangsbedingungen keine ausreichend genauen Positionswerte im cm-Bereich liefert, besitzt dieses System dennoch eine hohe Robustheit und Langzeitstabilität und stellt damit eine sehr gute Grundlage für die Positionsbestimmung auf Rennstrecken dar. Fahrzeugsensoren, bestehend aus Raddrehzahl- und Gierratensensor, schreiben die Fahrzeugposition mit Hilfe der Koppelnavigationsgleichung relativ für ca. 10s ohne eine Messung absoluter Positionswerte fort. Um die bestehenden Genauigkeitsanforderungen zu erfüllen, muss jedoch ab einer Geschwindigkeit von 30km/h das Fahrzeugmodell um eine Schwimmwinkelschätzung erweitert werden. Ein digitaler Kompass eignet sich nachweislich nicht für die Positionsbestimmung auf Rennstrecken. Hier treten aufgrund von magnetischen Interferenzen zu große Messfehler der Fahrzeugausrichtung auf, die eine Positionsstützung ungeeignet machen. Bei Referenzmessungen mit einem Servo-Tachymeter konnte die geforderte Genauigkeit dieser Messeinrichtung bei Fahrzeuggeschwindigkeiten kleiner 30km/h nachgewiesen werden. Bei höheren Geschwindigkeiten liefert das System jedoch keine Ergebnisse, was den Einsatz auf Rennstrecken ausschließt. Auf den Boden gerichtete Laser-Reflexlichtschranken können sehr präzise die Überfahrt über eine Bodenmarkierung detektieren. Da diese Überfahrten beim autonomen Fahren auf Rennstrecken nur sehr selten auftreten, ist diese Positionierungsmethode nicht geeignet. Mit Hilfe einer LIDAR-basierten Randbebauungserkennung kann die Fahrzeugposition in Kombination mit einer hochgenauen digitalen Karte der Randbebauung auf ca. 20-30cm genau geschätzt werden. Schwierigkeiten bereiten hier jedoch Unregelmäßigkeiten in der Geometrie der Randbebauung. Während parallel verlaufende Leitplanken neben der Strecke sehr gut erfasst werden können, liefern Sträucher, Erdwälle, etc. ungenaue Messergebnisse. Somit ist die LIDAR-basierte Randbebauungserkennung ein bedingt geeignetes System zur Positionsstützung auf Rennstrecken. Als vielversprechendster Ansatz zur Verbesserung der Positions- und Ausrichtungsbestimmung auf Rennstrecken konnte der Einsatz einer visuellen Spurerkennung in Verbindung mit einer hochgenauen digitalen Karte der Spurmarkierungen identifiziert werden. Hierfür wurde eine sich in Vorserie befindliche Bildverarbeitungseinheit der Firma MobileEye mit einer eigens entwi-ckelten Spurerkennung verglichen. Letztere bietet den Vorteil, Systemwissen über den Verlauf der Fahrspurmarkierung sowie negative Effekte der Fahrzeugeigendynamik mit in den Signalver-arbeitungsprozess einfließen zu lassen. Bei Vergleichsfahrten auf dem BMW eigenem Testgelände in Aschheim konnte der Vorteil der Spurdatenrückführung nachgewiesen werden. Die erwei-terte Spurerkennung hatte nachweislich gegenüber der Vorserienbildverarbeitung eine höhere Verfügbarkeit von gültigen Messwerten. Bei Messfahrten auf der Nordschleife stellte sich jedoch das Vorseriensystem von MobileEye als das deutlich robustere Spurerkennungssystem heraus. Hier führten verschmutzte Fahrbahnmarkierungen, schnell wechselnde Lichtverhältnisse sowie sonstige Straßenbeschriftungen dazu, dass die erweiterte Spurerkennung weitaus weniger gültige Messwerte lieferte als das Vorseriensystem. Aus diesem Grund fiel für Fahrten mit schlechten visuellen Bedingungen die Wahl auf das Vorserienbildverarbeitungssystem. Für den Entwurf des Positionsfilters wurden letztlich folgende Signalquellen verwendet: - GPS-gestützte Inertialplattform (GPS/INS) - Fahrzeugsensoren mit erweitertem Fahrzeugmodell - Videobasierte Spurerkennung in Kombination mit einer selbst aufgezeichneten hochge-nauen Karte der Spurmarkierungen der Teststrecke. Als Fusionsalgorithmus wurde ein erweiterter Kalman-Filter eingesetzt, da sich dieser besonders für die Zusammenführung unterschiedlicher Sensormessdaten eignet. Um eine optimale Zustandsschätzung der Fahrzeugposition und Ausrichtung zu erhalten, mussten die verwendeten Signalquellen zunächst zeitlich synchronisiert sowie auf Plausibilität geprüft werden. Als Synchronisationspunkt wurde der Messzeitpunkt der Signalquelle mit der größten Latenz verwendet. Dieser wurde mit 163ms durch für die videobasierte Spurerkennung bestimmt. Da jedoch eine verzögerte Positionsschätzung für eine stabile Reglung des Fahrzeugs für das autonome Fahren ungenügend ist, wurde die geschätzte Fahrzeugposition am Ausgang des Kalman-Filters mit Hilfe der Koppelnavigationsgleichung sowie der Fahrzeugsensoren auf den aktuellen Zeitpunkt (Latenz = 0s) prädiziert. Für die Detektion systematischer Fehler wie Radschlupf, falsch erkannte Spurmarkierung und GPS-Mehrwegeausbreitung kamen robuste Signalplausibilisierungsalgorithmen zum Einsatz. So erfolgte die Plausibilisierung der Spurerkennung unter anderem über die selbst aufgezeichnete hochgenaue Karte der Spurmarkierungen, da eine Spurerkennung nur da sinnvoll ist, wo Spurmarkierungsstützpunkte in hinterlegt sind. Für die Gültigkeitsüberprüfung der GPS-Messwerte wurde ein GPS-Offset-Beobachter entwickelt und angewendet. Die Evaluierung des entwickelten Positionsfilters wurde im Rahmen der Arbeit am Beispiel des BMW TrackTrainers auf drei ausgewählten Teststrecken mit steigendem Schwierigkeitsniveau (Verschlechterung der GPS-Empfangsbedingungen) durchgeführt. Hierfür wurde die in Echtzeit geschätzte Fahrzeugposition mit einer durch Post-Processing korrigierten Positionslösung referenziert. Die Auswertung der Ergebnisse bewies, dass der entwickelte Positionsfilter durch die Fusion einer GPS-gestützten Inertialplattform, den Fahrzeugsensoren zur Messung von Gierrate und Raddrehzahlen sowie einer visuellen Spurerkennung in Kombination mit einer hochgenauen Karte der Fahrspurmarkierungen die Anforderungen des autonomen Fahrens auch unter schlechten GPS-Empfangsbedingungen erfüllt. Mit diesem, im Rahmen der Arbeit entwickelten, hoch-genauen Positionsbestimmungssystem konnte erstmalig am 21.10.2009 das autonome Fahren auf der Nürburgring Nordschleife nachgewiesen werden.

Gegenstand dieser Arbeit ist die Bewertung und Durchführung der Fusion von zwei Datensätzen, die auf Basis der Statistik der Straßenverkehrsunfälle des statistischen Bundesamtes konstruiert werden. Für die Fusionierung wird die Methode der statistischen Datenfusion angewendet. Die zu fusionierenden Datensätze werden auf die Ausgangslage der Datenfusion und Unfalldatenbanken angepasst. Anhand der Zusammenhangsstärke und Verteilung werden die passenden Variablen, die für die Datenfusion verwendet werden können, identifiziert und ausgewählt. Für die Datenfusion werden verschiedene nichtparametrische Verfahren unter der bedingten Unabhängigkeitsannahme (Distanz-Hot-Deck, Random-Hot-Deck) und unter der Beibehaltung der Unsicherheit (Imprecise Imputation) durchgeführt. Zusätzlich werden Qualitätsstufen mit einbezogen, um die Auswirkung von veränderten Variablen auszuwerten. Dabei zeigt sich, dass die Datenfusion unter der bedingten Unabhängigkeit allgemein eine unsichere Methode ist, die jedoch unter Umständen für bivariate Analysen vielversprechende Ergebnisse erzielen kann.:1. Einleitung 2. Grundlagen 3. Aufbau der simulierten Datensätze 4. Datenfusion 5. Ergebnisse 6. Zusammenfassung und Ausblick

Bei der Entwicklung neuartiger und innovativer Fahrerassistenzsysteme kommt der Positions- und Ausrichtungsbestimmung von Fahrzeugen eine Schlüsselrolle zu. Dabei entscheidet die Güte der Positionsbestimmung über die Qualität, die Robustheit und den Einsatzbereich des Gesamtsystems. Verbesserungen in der Positionsbestimmung führen zu einer besseren Performanz bzw. sind die Grundvoraussetzung für die Realisierung dieser Fahrerassistenzsysteme. Ein Beispiel für solch ein neuartiges Fahrerassistenzsystem, welches auf eine hochgenaue Positionsbestimmung baut, ist der BMW TrackTrainer. Dieses Assistenzsystem soll den "normalgeübten" Autofahrer beim schnellen Erlernen der Ideallinie auf Rennstrecken unterstützen, indem das Fahrzeug die Rennstrecke völlig autonom auf einer vorher aufgezeichneten Ideallinie umrundet, während der Teilnehmer sich die Strecke aus Fahrerperspektive einprägt. Für die Realisierung eines derartigen Assistenzsystems ist eine hochgenaue Positionsbestimmung im cm-Bereich notwendig. Bisher wurde dafür eine GPS-gestützte Inertialplattform eingesetzt, welche unter guten GPS-Empfangsbedingungen die Anforderungen an die Positionierung erfüllt. Bei schlechten GPS-Empfangsbedingungen, wie sie beispielsweise auf der international bekannten Rennstrecke Nürburgring Nordschleife aufgrund von Verdeckung und Abschattung der Satellitensignale durch stark bebautes oder bewaldetes Gebiet auftreten, liefert das Positionierungssystem keine ausreichend genauen Werte, wodurch das autonome Fahren verhindert wird. Zwar gibt es neben GPS auch weitere Positionsbestimmungssysteme, die aber für den Einsatz auf Rennstrecken entweder zu ungenau sind, oder einen zu hohen Rüstaufwand erfordern würden. Um diese Lücke zu schließen, wurde im Rahmen dieser Arbeit ein hochgenaues Positionsbestimmungssystem entwickelt und evaluiert, welches auch unter schlechten GPS-Empfangsbedingungen den Anforderungen des autonomen Fahren auf Rennstrecken genügt und auf einer Fusion verschiedener Signalquellen in einem Positionsfilter beruht. Folgende Signalquellen wurden hinsichtlich Genauigkeit sowie Praxistauglichkeit für den Einsatz auf Rennstrecken experimentell untersucht: - GPS-gestützte Inertialplattform (GPS/INS) - Fahrzeugsensoren mit erweitertem Fahrzeugmodell - Digitaler Kompass - Laser-Reflexlichtschranken - Servo-Tachymeter - LIDAR-basierte Randbebauungserkennung - Videobasierte Spurerkennung - Digitale Karte. Obwohl eine GPS-gestützte Inertialplattform (GPS/INS) unter schlechten GPS-Empfangsbedingungen keine ausreichend genauen Positionswerte im cm-Bereich liefert, besitzt dieses System dennoch eine hohe Robustheit und Langzeitstabilität und stellt damit eine sehr gute Grundlage für die Positionsbestimmung auf Rennstrecken dar. Fahrzeugsensoren, bestehend aus Raddrehzahl- und Gierratensensor, schreiben die Fahrzeugposition mit Hilfe der Koppelnavigationsgleichung relativ für ca. 10s ohne eine Messung absoluter Positionswerte fort. Um die bestehenden Genauigkeitsanforderungen zu erfüllen, muss jedoch ab einer Geschwindigkeit von 30km/h das Fahrzeugmodell um eine Schwimmwinkelschätzung erweitert werden. Ein digitaler Kompass eignet sich nachweislich nicht für die Positionsbestimmung auf Rennstrecken. Hier treten aufgrund von magnetischen Interferenzen zu große Messfehler der Fahrzeugausrichtung auf, die eine Positionsstützung ungeeignet machen. Bei Referenzmessungen mit einem Servo-Tachymeter konnte die geforderte Genauigkeit dieser Messeinrichtung bei Fahrzeuggeschwindigkeiten kleiner 30km/h nachgewiesen werden. Bei höheren Geschwindigkeiten liefert das System jedoch keine Ergebnisse, was den Einsatz auf Rennstrecken ausschließt. Auf den Boden gerichtete Laser-Reflexlichtschranken können sehr präzise die Überfahrt über eine Bodenmarkierung detektieren. Da diese Überfahrten beim autonomen Fahren auf Rennstrecken nur sehr selten auftreten, ist diese Positionierungsmethode nicht geeignet. Mit Hilfe einer LIDAR-basierten Randbebauungserkennung kann die Fahrzeugposition in Kombination mit einer hochgenauen digitalen Karte der Randbebauung auf ca. 20-30cm genau geschätzt werden. Schwierigkeiten bereiten hier jedoch Unregelmäßigkeiten in der Geometrie der Randbebauung. Während parallel verlaufende Leitplanken neben der Strecke sehr gut erfasst werden können, liefern Sträucher, Erdwälle, etc. ungenaue Messergebnisse. Somit ist die LIDAR-basierte Randbebauungserkennung ein bedingt geeignetes System zur Positionsstützung auf Rennstrecken. Als vielversprechendster Ansatz zur Verbesserung der Positions- und Ausrichtungsbestimmung auf Rennstrecken konnte der Einsatz einer visuellen Spurerkennung in Verbindung mit einer hochgenauen digitalen Karte der Spurmarkierungen identifiziert werden. Hierfür wurde eine sich in Vorserie befindliche Bildverarbeitungseinheit der Firma MobileEye mit einer eigens entwi-ckelten Spurerkennung verglichen. Letztere bietet den Vorteil, Systemwissen über den Verlauf der Fahrspurmarkierung sowie negative Effekte der Fahrzeugeigendynamik mit in den Signalver-arbeitungsprozess einfließen zu lassen. Bei Vergleichsfahrten auf dem BMW eigenem Testgelände in Aschheim konnte der Vorteil der Spurdatenrückführung nachgewiesen werden. Die erwei-terte Spurerkennung hatte nachweislich gegenüber der Vorserienbildverarbeitung eine höhere Verfügbarkeit von gültigen Messwerten. Bei Messfahrten auf der Nordschleife stellte sich jedoch das Vorseriensystem von MobileEye als das deutlich robustere Spurerkennungssystem heraus. Hier führten verschmutzte Fahrbahnmarkierungen, schnell wechselnde Lichtverhältnisse sowie sonstige Straßenbeschriftungen dazu, dass die erweiterte Spurerkennung weitaus weniger gültige Messwerte lieferte als das Vorseriensystem. Aus diesem Grund fiel für Fahrten mit schlechten visuellen Bedingungen die Wahl auf das Vorserienbildverarbeitungssystem. Für den Entwurf des Positionsfilters wurden letztlich folgende Signalquellen verwendet: - GPS-gestützte Inertialplattform (GPS/INS) - Fahrzeugsensoren mit erweitertem Fahrzeugmodell - Videobasierte Spurerkennung in Kombination mit einer selbst aufgezeichneten hochge-nauen Karte der Spurmarkierungen der Teststrecke. Als Fusionsalgorithmus wurde ein erweiterter Kalman-Filter eingesetzt, da sich dieser besonders für die Zusammenführung unterschiedlicher Sensormessdaten eignet. Um eine optimale Zustandsschätzung der Fahrzeugposition und Ausrichtung zu erhalten, mussten die verwendeten Signalquellen zunächst zeitlich synchronisiert sowie auf Plausibilität geprüft werden. Als Synchronisationspunkt wurde der Messzeitpunkt der Signalquelle mit der größten Latenz verwendet. Dieser wurde mit 163ms durch für die videobasierte Spurerkennung bestimmt. Da jedoch eine verzögerte Positionsschätzung für eine stabile Reglung des Fahrzeugs für das autonome Fahren ungenügend ist, wurde die geschätzte Fahrzeugposition am Ausgang des Kalman-Filters mit Hilfe der Koppelnavigationsgleichung sowie der Fahrzeugsensoren auf den aktuellen Zeitpunkt (Latenz = 0s) prädiziert. Für die Detektion systematischer Fehler wie Radschlupf, falsch erkannte Spurmarkierung und GPS-Mehrwegeausbreitung kamen robuste Signalplausibilisierungsalgorithmen zum Einsatz. So erfolgte die Plausibilisierung der Spurerkennung unter anderem über die selbst aufgezeichnete hochgenaue Karte der Spurmarkierungen, da eine Spurerkennung nur da sinnvoll ist, wo Spurmarkierungsstützpunkte in hinterlegt sind. Für die Gültigkeitsüberprüfung der GPS-Messwerte wurde ein GPS-Offset-Beobachter entwickelt und angewendet. Die Evaluierung des entwickelten Positionsfilters wurde im Rahmen der Arbeit am Beispiel des BMW TrackTrainers auf drei ausgewählten Teststrecken mit steigendem Schwierigkeitsniveau (Verschlechterung der GPS-Empfangsbedingungen) durchgeführt. Hierfür wurde die in Echtzeit geschätzte Fahrzeugposition mit einer durch Post-Processing korrigierten Positionslösung referenziert. Die Auswertung der Ergebnisse bewies, dass der entwickelte Positionsfilter durch die Fusion einer GPS-gestützten Inertialplattform, den Fahrzeugsensoren zur Messung von Gierrate und Raddrehzahlen sowie einer visuellen Spurerkennung in Kombination mit einer hochgenauen Karte der Fahrspurmarkierungen die Anforderungen des autonomen Fahrens auch unter schlechten GPS-Empfangsbedingungen erfüllt. Mit diesem, im Rahmen der Arbeit entwickelten, hoch-genauen Positionsbestimmungssystem konnte erstmalig am 21.10.2009 das autonome Fahren auf der Nürburgring Nordschleife nachgewiesen werden.:1. Einleitung 1 1.1. Bedeutung der Positionsbestimmung für moderne Fahrerassistenzsysteme 1 1.2. Kernaufgaben des autonomen Fahrens 3 1.3. Hochgenaue Positionsbestimmung für das autonome Fahren auf Rennstrecken 5 1.4. Zielsetzung der Arbeit und gewählter Lösungsweg 8 2. Grundlagen zur Positionsbestimmung 9 2.1. Allgemeines 9 2.1.1. Definitionen 9 2.1.2. Klassifikationen 9 2.1.3. Koordinatensysteme 11 2.1.4. Transformationen 13 2.2. Ortungsprinzipien 15 2.2.1. Koppelnavigation 16 2.2.2. Inertialnavigation 19 2.2.3. Trilateration/Pseudorange 23 2.2.4. Hyperbelnavigation 24 2.2.5. Triangulation 25 2.2.6. Zellortung 26 2.2.7. Map-Matching 26 2.2.8. Sensordatenfusion mit Erweitertem Kalman-Filter 27 2.3. Existierende Positionsbestimmungssysteme 29 2.3.1. GPS/Glonass/Galileo 29 2.3.2. GPS-gestützte Inertialplattform 33 2.3.3. Mobilfunkortung 34 2.3.4. WLAN-Ortung 34 2.3.5. Tachymeter 35 2.3.6. CAIROS 36 2.4. Sensorik im Fahrzeug 37 2.4.1. RADAR 38 2.4.2. LIDAR 38 2.4.3. Videokamera 39 2.4.4. Raddrehzahlsensor 39 2.4.5. Sensorcluster aus Beschleunigungs- und Gierratensensoren 39 2.4.6. Gierratensensor 40 2.4.7. Beschleunigungssensor 40 2.4.8. Kompass 41 2.5. Positionsbestimmung autonom fahrender Systeme 41 2.5.1. Transportwesen 42 2.5.2. Landwirtschaft 42 2.5.3. Öffentlicher Personennahverkehr 42 2.5.4. Militär 43 2.5.5. Automobilindustrie 43 2.6. Schlussfolgerung und Konkretisierung der Aufgabestellung 45 3. Ausgangssituation 46 3.1. Bewertung einer GPS-gestützten Inertialplattform auf ausgewählten Teststrecken 46 3.2. Rahmenbedingungen der Rennstrecke 49 3.3. Präzisierung der Genauigkeitsanforderungen 50 3.4. Vorauswahl potenzieller Signalquellen 51 3.5. Schlussfolgerung 54 4. Experimentelle Untersuchung und Bewertung potenzieller Signalquellen 56 4.1. GPS/INS 56 4.2. Fahrzeugsensoren und erweitertes Fahrzeugmodell 63 4.3. Digitale Karte 68 4.4. Digitaler Kompass 69 4.5. Videokamera mit Spurerkennung 72 4.6. Laser-Reflexlichtschranke 75 4.7. Servotachymeter 77 4.8. LIDAR-basierte Randbebauungserkennung 81 4.9. Schlussfolgerung und Auswahl geeigneter Signalquellen für die Fusion 84 5. Optimierung eines Ortungsverfahrens mittels visueller Spurerkennung 86 5.1. Hochgenaue digitale Karte für Spurmarkierungen 86 5.1.1. Straßenmodellierung 86 5.1.2. Vermessung der Spurmarkierungen 87 5.1.3. Aufbereitung der Spurmarkierungen 89 5.1.4. Map-Matching 98 5.2. Erweiterte Spurerkennung 99 5.2.1. Prädiktion des Spurverlaufs im Videobild 99 5.2.2. Kantendetektion im Videobild 101 5.2.3. Berechnung der Parameter des Spurmodells 105 5.2.4. Rollwinkelschätzung und Korrektur der erweiterten Bildverarbeitung 107 5.2.5. Vergleich zweier Spurerkennungssysteme 108 5.3. Schlussfolgerung 111 6. Fusion der Signalquellen 112 6.1. Messdatensynchronisierung 112 6.2. Signalplausibilisierung 114 6.3. Sensordatenfusion 117 6.4. Schnittstelle für das Autonome Fahren 120 6.5. Zusammenfassung 124 7. Validierung des Gesamtsystems 125 7.1. Referenzsystem 125 7.2. Experimentelle Ergebnisse auf ausgewählten Teststrecken 126 7.3. Schlussfolgerung 133 8. Zusammenfassung und Ausblick 134 Literaturverzeichnis 136 Abkürzungsverzeichnis 142 Liste der Formelzeichen 143

Die Bedeutung innovativer Geschäftsmodelle als Bestimmungsfaktor für den Unternehmenserfolg steht weitestgehend außer Frage. Aufgrund der hohen Komplexität von Geschäftsmodellen hat sich jedoch bislang kein praktisch anwendbares Bewertungskonzept etablieren können, welches Geschäftsmodellinnovationen in Hinblick auf deren Erfolgsentwicklung untersucht. Zur Adressierung dieser Problemstellung wird unter Anwendung des systemdynamischen Ansatzes ein Simulationsmodell entwickelt, welches den Wertbeitrag einer Geschäftsmodellinnovation ausweist. Neben dem Kapitalwert als finanzielle Wertgröße des Geschäftsmodells werden ferner der Kundenwert sowie der Wert der unternehmerischen Fähigkeiten als wichtige Wertgrößen explizit gemacht, da sie die zukünftige Leistungs- und Wettbewerbsfähigkeit des Geschäftsmodells determinieren. Damit liefert das Bewertungsmodell einen Ansatz zur ganzheitlichen Geschäftsmodellbewertung, die die Anwendung finanzieller Standardkalkulationen mit der Messbarmachung nicht-finanzieller Erfolgsgrößen kombiniert.:1 Einführung 2 Geschäftsmodelle und Geschäftsmodellbewertung 3 Entwicklungsprozess des systemdynamischen Geschäftsmodells bedarfsabhängiger Funktionserweiterungen 4 Aufbau des systemdynamischen Geschäftsmodells bedarfsabhängiger Funktionserweiterungen 5 Simulation des systemdynamischen Geschäftsmodells bedarfsabhängiger Funktionserweiterungen 6 Schlussbetrachtung / Business model innovations provide powerful levers for creating sustainable competitive advantage and thus have a positive impact on the value of an enterprise. However, due to the complexity of business models, no practically applicable framework, evaluating an innovative business model with regard to its effect on a company’s success, has been established. Hence, a simulation model assessing the value contribution of a business model innovation is developed. Using the mathematical modeling technique ‘System Dynamics’ to frame the value drivers of a business allows for simulation experiments that reveal the effect of the business model’s design on its profitability, therewith guiding policymakers towards better decisions. As a result, the simulation model reports the net present value of a business model. In addition, the success indicators customer lifetime value and the value of the enterprises’ capabilities are identified as important assets that have to be monitored closely as they determine the company’s prospective performance. In combining financial standard calculations with the operationalization of non-financial measures, the simulation model represents a comprehensive approach for business model evaluation.:1 Einführung 2 Geschäftsmodelle und Geschäftsmodellbewertung 3 Entwicklungsprozess des systemdynamischen Geschäftsmodells bedarfsabhängiger Funktionserweiterungen 4 Aufbau des systemdynamischen Geschäftsmodells bedarfsabhängiger Funktionserweiterungen 5 Simulation des systemdynamischen Geschäftsmodells bedarfsabhängiger Funktionserweiterungen 6 Schlussbetrachtung

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

Autonomes Fahren (AF) wird potenziell die Präferenzen für die im Auto verbrachte Zeit stark beeinflussen und dementsprechend den Wert der Reisezeit, der ein Schlüsselelement von Kosten-Nutzen-Analysen im Verkehr ist. Die Untersuchung dieses Aspekts des AF ist daher entscheidend für die Analyse potenzieller Auswirkungen der Technik auf die zukünftige Verkehrsnachfrage. Trotz der steigenden Anzahl an Studien zu diesem Thema, gibt es noch erhebliche Forschungslücken. Der Fokus der Dissertation ist die potenziellen Änderungen des Reisezeitwerts, die durch das AF entstehen, zu messen sowie ihre Determinanten zu analysieren. Es wurden sowohl qualitative Ansätze als auch quantitative Methoden verwendet. Dabei wurden zwei Konzepte von AF betrachtet: privates und geteiltes autnomes Fahrzeug. Die Ergebnisse der Analysen zeigen einen niedrigeren Wert der Reisezeitersparnis beim AF im Vergleich zum manuellen Fahren, allerdings nur auf Pendelwegen. Das private Fahrzeug wird als eine attraktivere Option als ein geteiltes Fahrzeug wahrgenommen, jedoch unterscheiden sich die Nutzerpräferenzen für geteilte Fahrzeug stark zwischen den durchgeführten Studien. Individuelle Charakteristiken, wie Erfahrung mit Fahrassistenzsystemen, beeinflussen stark die Wahrnehmung der Zeit im AF; andere sozio-demographischen Faktoren, wie Alter und Geschlecht haben vor allem einen indirekten Effekt auf den Reisezeitwert indem sie Einstellungen potenzieller Nutzer beeinflussen. Die Verbesserung des Fahrterlebnisses durch das AF und das Vertrauen in die Technik sind wichtige Determinanten der Reisezeitwahrnehmung. Fahrvergnügen und andere wahrgenommene Vorteile vom manuellen Fahren gleichen in einem gewissen Ausmaß den Nutzen vom AF aus. Es wurden Reisezeitwerte für unterschiedliche potenzielle Nutzersegmente berechnet. Abschließend wurden politische Implikationen, Empfehlungen für die Entwicklung von AF sowie Empfehlungen für künftige Studien und potenziellen Forschungsgebiete abgeleitet. / Autonomous driving will potentially strongly affect preferences for time spent in a vehicle and, consequently, the value of travel time savings (VTTS). As VTTS is a key element of cost-benefit analysis for transport, these interrelations are crucial for analysing the potential impact of the technology on future travel demand. Despite the increasing number of studies dedicated to this topic there are still many unanswered questions. The focus of the thesis is to measure potential changes in the VTTS resulting from the introduction of autonomous driving and analyse their determinants. Qualitative approaches and quantitative methods were used. Two concepts of AVs were considered: a privately-owned AV (PAV) and a shared AV (SAV). The analysis results suggest lower VTTS for autonomous driving compared to manual driving, but only on commuting trips. A PAV is perceived as a more attractive option than an SAV, but user preferences for SAVs vary between the conducted studies. Individual characteristics, such as experience with advanced driver assistance systems, strongly affect the perception of time in an AV; other socio-demographic factors, such as age and gender, affect mode choices and the VTTS mainly indirectly by influencing the attitudes of potential users. The improvement in travel experiences due to autonomous driving and trust in the technology are important determinants of the perception of travel time. Enjoyment of driving and other perceived benefits of manual driving partially counterbalance the utility of riding autonomously. VTTS for different potential user segments were calculated. In conclusion, several policy implications, development recommendations for AVs as well as recommendations for future studies and potential research avenues are derived from the findings.