Originally presented as the author's Thesis--Zugl.: Technische Universität München, 2007. / Includes bibliographical references.

Moderne Fahrzeuge verfügen über verschiedene Assistenzsysteme, welche den Fahrer unterstützen können. Damit diese Systeme auf die jeweilige Verkehrssituation reagieren können, ist eine Erkennung des Fahrzeugumfelds notwendig. Dabei werden verschiedene Sensoren eingesetzt, welche die Umgebung erfassen können. Entfernungen und Geschwindigkeiten lassen sich z.B. sehr gut mit Radar-Sensoren bestimmen. Aus diesen Sensordaten kann ein virtuelles Umfeldmodell erstellt werden. Dazu sind mehrere Algorithmen erforderlich, welche die Sensordaten aufbereiten und auswerten. Um diese Algorithmen testen zu können, wurde von BMW ein Tool zur Darstellung der Sensordaten entwickelt. Das „Radar Analysis Tool“ (RAT) kann die Sensordaten aufgezeichneter Testfahrten abspielen. Dabei ist es möglich, implementierte Algorithmen mit den aufgezeichneten Daten zu testen. Das Ziel dieser Arbeit ist die Implementierung mehrerer Algorithmen zur Umfeldmodellierung, welche nach verschiedenen Eigenschaften verglichen werden. Dabei werden auch neue Ansätze entwickelt und implementiert. Anhand des Vergleichs lässt sich erkennen, welche Algorithmen besonders gut für den Einsatz im Fahrzeug geeignet sind. Eine Voraussetzung für die Implementierung der Algorithmen ist die Erweiterung des Tools RAT. Dabei wird z.B. eine neue 2D-Ansicht des Fahrzeugumfelds hinzugefügt. Außerdem wird eine neue Schnittstelle entwickelt, welche die einfache Anbindung von Algorithmen in RAT ermöglicht. Um die verschiedenen Algorithmen auswählen zu können, wird zusätzlich eine Konfiguration implementiert. Dadurch müssen keine Änderungen am Quellcode des Tools vorgenommen werden, um die Algorithmen zu wechseln. Um die Algorithmen vergleichen zu können, wird ein Konzept zur Auswertung entworfen. Anhand der Auswertung lassen sich die Vor- und Nachteile der jeweiligen Verfahren erkennen. Diese Ergebnisse helfen, die Auswahl von Algorithmen für den finalen Einsatz im Fahrzeug zu treffen.

Zugl.: Ilmenau, Techn. Univ., Diss., 2009

Der vorliegende Band 6 des Schlussberichtes "Die flexible S-Bahn: Energiesparende und anschlussoptimierende Flexibilisierung der Fahrweisen und Fahrzeiten - das neuartige Fahrerassistenzsystem ENAflex-S" ordnet sich in das Teilprojekt AP 200 ein. Das Systemkonzept "Flexible S-Bahn" umfasst dabei vier Flexibilisierungsstufen: 1. Flexibilisierung von Haltezeiten zur Anschlussoptimierung zwischen S-Bahn und den straßengebundenen ÖPNV-Systemen (Bus, Straßenbahn) 2. Flexibilisierung der Fahrweisen zwischen zwei Halten mit dem Ziel der Traktionsenergieminimierung (Energieoptimale Zugsteuerung EOZ) 3. Flexibilisierung der Fahrzeiten in vorgegebenen Toleranzbereichen 4. Flexibilisierung der Zugfolgezeiten zur nachfrageorientierten Optimierung des Beförderungsangebotes, d.h. zur Verbesserung der Relation zwischen den Fahrgelderlösen und den Betriebskosten (gekürzt, entnommen Vorwort zum Schlussbericht Band 6)

Manifestations of aggressive driving, such as tailgating, speeding, or swearing, are not trivial offenses but are serious problems with hazardous consequences—for the offender as well as the target of aggression. Aggression on the road erases the joy of driving, affects heart health, causes traffic jams, and increases the risk of traffic accidents. This work is aimed at developing a technology-driven solution to mitigate aggressive driving according to the principles of Persuasive Technology. Persuasive Technology is a scientific field dealing with computerized software or information systems that are designed to reinforce, change, or shape attitudes, behaviors, or both without using coercion or deception. Against this background, the Driving Feedback Avatar (DFA) was developed through this work. The system is a visual in-car interface that provides the driver with feedback on aggressive driving. The main element is an abstract avatar displayed in the vehicle. The feedback is transmitted through the emotional state of this avatar, i.e., if the driver behaves aggressively, the avatar becomes increasingly angry (negative feedback). If no aggressive action occurs, the avatar is more relaxed (positive feedback). In addition, directly after an aggressive action is recognized by the system, the display is flashing briefly to give the driver an instant feedback on his action. Five empirical studies were carried out as part of the human-centered design process of the DFA. They were aimed at understanding the user and the use context of the future system, ideating system ideas, and evaluating a system prototype. The initial research question was about the triggers of aggressive driving. In a driver study on a public road, 34 participants reported their emotions and their triggers while they were driving (study 1). The second research question asked for interventions to cope with aggression in everyday life. For this purpose, 15 experts dealing with the treatment of aggressive individuals were interviewed (study 2). In total, 75 triggers of aggressive driving and 34 anti-aggression interventions were identified. Inspired by these findings, 108 participants generated more than 100 ideas of how to mitigate aggressive driving using technology in a series of ideation workshops (study 3). Based on these ideas, the concept of the DFA was elaborated on. In an online survey, the concept was evaluated by 1,047 German respondents to get a first assessment of its perception (study 4). Later on, the DFA was implemented into a prototype and evaluated in an experimental driving study with 32 participants, focusing on the system’s effectiveness (study 5). The DFA had only weak and, in part, unexpected effects on aggressive driving that require a deeper discussion. With the DFA, this work has shown that there is room to change aggressive driving through Persuasive Technology. However, this is a very sensitive issue with special requirements regarding the design of avatar-based feedback systems in the context of aggressive driving. Moreover, this work makes a significant contribution through the number of empirical insights gained on the problem of aggressive driving and wants to encourage future research and design activities in this regard. / Aggressives Fahren, egal ob Drängeln, Rasen oder Fluchen, ist kein Kavaliersdelikt, sondern ein ernstzunehmendes Problem mit schwerwiegenden Folgen—sowohl für den Täter als auch für das Opfer. Es nimmt die Freude am Fahren, beeinträchtigt die Herzgesundheit, verursacht Stau und erhöht das Unfallrisiko. Ziel dieser Arbeit war es daher nach den Prinzipien persuasiver Technologie (engl. Persuasive Technology) eine technische Lösung zu entwickeln, die aggressives Fahren verringert. Als persuasiv werden Systeme bezeichnet, die ein bestimmtes Verhalten oder eine bestimmte Einstellung ihres Nutzers verstärken, verändern oder formen, ohne dabei Zwang auf ihn auszuüben oder ihn zu täuschen. Vor diesem Hintergrund wurde im Rahmen dieser Arbeit der sogenannte Driving Feedback Avatar (DFA) entwickelt. Das System ist eine visuelle Benutzerschnittstelle im Fahrzeug, die dem Fahrer Rückmeldung zu bestimmten aggressiven Verhaltensweisen gibt. Hauptelement ist ein abstrakter Avatar, der in einem Display angezeigt wird. Das Feedback selbst wird durch den emotionalen Zustand dieses Avatars vermittelt. Verhält sich der Fahrer aggressiv, wird er zunehmend wütender (negatives Feedback). Legt der Fahrer hingegen keine aggressiven Verhaltensweisen an den Tag, zeigt sich der Avatar nach und nach entspannter (positives Feedback). Darüber hinaus erhält der Fahrer ein sofortiges Feedback, indem das Display kurz aufblinkt, direkt nachdem eine aggressive Handlung vom System erkannt wurde. Zur Entwicklung des Systems wurden, unter Einsatz menschenzentrierter Forschungsmethoden, insgesamt fünf empirische Studien durchgeführt. Diese dienten dazu, den Nutzer und den Nutzungskontext des zukünftigen Systems zu verstehen, Ideen für mögliche Systeme zu entwickeln und die finale Lösung anhand eines Prototypens zu evaluieren. Zunächst stand dabei die Forschungsfrage im Raum, welche Auslöser für aggressives Fahren es heute gibt. In einer Fahrerstudie auf öffentlicher Straße berichteten dazu 34 Teilnehmer während der Fahrt von ihren Emotionen und deren Auslösern (Studie 1). Die zweite Forschungsfrage ergründete Maßnahmen zur Bewältigung von Aggression im Alltag. Hierzu wurden 15 Experten, die sich beruflich mit der Behandlung von aggressiven Personen befassen, interviewt (Studie 2). Insgesamt konnten so 75 Auslöser aggressiven Fahrens und 34 Maßnahmen zur Regulierung von Aggression im Allgemeinen abgeleitet werden. Inspiriert von diesen Erkenntnissen, entwickelten 108 Teilnehmer in einer Reihe von Workshops mehr als 100 Ideen, wie Aggression beim Fahren, unter Einsatz von Technologie, verringert werden könnte (Studie 3). Basierend auf diesen Ideen, entstand das Konzept des DFA. In einer Onlineumfrage mit 1.047 deutschen Teilnehmern wurde das Konzept evaluiert, um eine erste Bewertung der Wahrnehmung des Systems zu erhalten (Studie 4). Später wurde der DFA prototypisch umgesetzt und dessen Effektivität in einer Fahrerstudie unter experimentellen Bedingungen untersucht (Studie 5). Es zeigte sich, dass das System nur schwache und in Teilen auch unerwartete Effekte hat, die eine eingehende Diskussion verlangen. Diese Arbeit hat gezeigt, dass es möglich ist, aggressives Fahren mit Hilfe persuasiver Technologie zu beeinflussen. Jedoch ist dies ein sehr sensibles Vorhaben, das besondere Anforderungen an das Design Avatar-basierter Feedbacksysteme im Kontext aggressiven Fahrens stellt. Darüber hinaus leistet diese Arbeit vor allem aufgrund der gewonnenen empirischen Erkenntnisse rund um das Problem aggressiven Fahrens einen wichtigen Beitrag für Wissenschaft und Praxis und will zu weiteren Forschungs- und Designaktivitäten anregen.

More than 900 bicyclists died in motor vehicle crashes in the United States in 2020, which represents a 50% increase from 2010 and the highest number of bicyclist deaths in nearly 35 years [1]. Reversing this trend will require efforts on multiple fronts, including reducing vehicle speeds and improving roadways and vehicles to be more hospitable to cyclists. Automatic emergency braking (ABB) with cyclist detection is a vehicle countermeasure with potential to prevent bicycle-motor vehicle crashes. AEB systems, which typically warn drivers of an impending collision and brake if drivers do not respond, have been shown to reduce vehicle-to-vehicle rear-end crash rates by 50% [2] and pedestrian crash rates by 27% [3]. Little is known about the real-world effects of ABB with cyclist detection on bicycle crashes. Subaru's EyeSight system, which includes ABB, has been capable of detecting cyclists in parallel configurations beginning in model year (MY) 2013 in the United States. The ability to detect cyclists in perpendicular configurations was added to some models beginning in MY 2022. The goal of this study is to evaluate the effects of the early version of EyeSight on U.S. bicycle crashes. [from Introduction]

Um die Fahrzeugsicherheit auch weiterhin zu verbessern, können Systeme der Aktiven Sicherheit ihren Beitrag leisten. Zu diesem Zweck werden u. a. Unfalldatenbanken mit precrash relevanten Parametern herangezogen, mit welchen der Systemnutzen frühzeitig auf das Unfallgeschehen analysiert wird. Aufgrund von Informationsdefiziten in der bisherigen Unfallrekonstruktion stellt das Treffen von fundierten Aussagen zur precrash Phase eine Schwierigkeit dar, wie z. B. die genaue Ausgangsgeschwindigkeit. Deshalb sind zum Teil ungesicherte Annahmen notwendig, um eine precrash Phase rekonstruieren zu können. Bisher ist in Unfalldatenbanken zu jeweils einem analysierten Unfall eine einzelne mögliche precrash Phase dokumentiert, so wie der Unfall möglicherweise ablief. Weitere mögliche Varianten der precrash Phasen, die ebenso zu selben Unfall geführt hätten bleiben unberücksichtigt. Um detaillierte Aussagen zum tatsächlichen Nutzungsgrad eines Systems in einem realen Unfall abzuleiten, wird ein automatisiertes Simulationstool vorgestellt, welches mit Hilfe stochastischer Methoden auf mögliche Varianten an precrash Phasen schließt, die zum selben realen Unfall führen. Für das Tool dienen als Eingangsgröße rekonstruierte Unfälle, die in den precrash Phasen zum Teil Informationsdefizite aufweisen. Hierbei variiert die Monte Carlo Methode, ein Zufallszahlengenerator, die unterschiedlichen Ausprägungen von ausgewählten Einflussparametern entsprechend deren Häufigkeit. Dieses Tool kompensiert somit die Informationsdefizite in precrash Phasen und baut zugleich eine synthetische Unfalldatenbank mit Varianten an precrash Phasen auf, mit dem Ziel, die Vorunfallphase statistisch repräsentativ und unabhängig von einer konkreten Rekonstruktionsvariante abzubilden. In anschließenden Simulationen jeweils mit den soeben variierten precrash Phasen werden die unterschiedlichen Auswirkungen eines vorausschauenden Systems ermittelt. Die verschiedenen Einflüsse eines Systems werden auch hier mit der Monte Carlo Methode berücksichtigt, wie z. B. die Reaktionszeit des Fahrers auf eine Warnung. Im Falle eines Systemeingriffes ist eine mögliche Veränderung der Unfallschwere bzw. wahrscheinlichen Verletzungsschwere zu betrachten. Mit dieser vorgestellten Methodik ist der tatsächliche Nutzen eines vorausschauenden Systems für die Unfallbeteiligten noch genauer feststellbar, da das Simulationstool ein breites mögliches Spektrum an precrash Phasen und Systemauswirkungen betrachtet.

Fahrerassistenzsysteme (FAS), wie zum Beispiel die „Aktive Gefahrenbremsung“, sollen dazu beitragen, das Fahren sicherer zu machen und die Anzahl an Unfällen und Verunglückten im Straßenverkehr weiter zu senken. Bei der Entwicklung von FAS muss neben der funktionalen Zuverlässigkeit des FAS sichergestellt werden, dass der Fahrer die Assistenzfunktion versteht und fehlerfrei benutzen kann. Zur Bestimmung geeigneter Systemauslegungen kommen in der Entwicklung Probandenversuche zum Einsatz, bei denen die zukünftigen Nutzer das FAS erleben und anschließend beurteilen. In dieser Arbeit wird die Eignung eines statischen Fahrsimulators für die Durchführung von Probandenversuchen zur Bewertung aktiv eingreifender FAS untersucht. Hierzu wurde ein Fahrversuch auf der Teststrecke und im statischen Fahrsimulator konzipiert, mit jeweils ca. 80 Probanden durchgeführt und die Ergebnisse bezüglich der Auswirkung des FAS „Aktive Gefahrenbremsung“ auf ausgewählte objektive und subjektive Kennwerte in der jeweiligen Versuchsumgebung vergleichend gegenübergestellt. Es zeigt sich, dass der statische Fahrsimulator prinzipiell für die Durchführung von Studien zur Bewertung aktiv eingreifender FAS geeignet ist. Als Ergebnis der Arbeit werden Erkenntnisse zur Aussagekraft der betrachteten Kennwerte sowie Empfehlungen zur Versuchsdurchführung im statischen Fahrsimulator gegeben.

Navigation systems are one of the most commonly found electronic gadgets in modern vehicles nowadays. Alongside navigation units this technology is made readily available to individuals in everyday devices such as a mobile phone. Digital maps which come preloaded on these devices accommodate within them an extensive dataset of spatial information from around the globe which aids the driver in achieving a well guided driving experience. Apart from being essential for navigation this sensor information backs up other vehicular applications in making intelligent decisions. The quality of this information delivered is in direct relation to the underlying dataset used to produce these maps. Since we live in a highly dynamic environment with constantly changing geography, an effort is necessary to keep these maps updated with the most up to date information as frequently as possible. The digital map of interest in this study is OpenStreetMap, the underlying data of which is a combination of donated as well as crowdsourced information from the last 10 years. This extensive dataset helps in building of a detailed digital map of the world using well defined cartographic techniques. The information within OpenStreetMap is currently enhanced by a large group of volunteers who willing use donated satellite imagery, uploaded GPS tracks, field surveys etc. to correct and collect necessary data for a region of interest. Though this method helps in improving and increasing the quality and quantity of the OpenStreetMap dataset, it is very time consuming and requires a great deal of human effort. Through this thesis an effort is made to automatically enrich this dataset by preprocessing crowdsourced sensor data collected from the navigation system and driver assistance systems (Traffic Sign Recognition system and a Lane Detection System) of a driving vehicle. The kind of data that is algorithmically derived includes the calculation of the curvature of the underlying road, correction of speed limit values for individual road segments being driven and the identification of change in the geometry of existing roads due to closure of old ones or addition of new ones in the Nuremberg region of Bavaria, Germany. Except for a small percentage of speed limit information on roads segments, other information is currently not available in the OpenStreetMap database for use in safety and comfort related applications. The navigation system has the ability to deliver geographical data in form of GPS coordinates at a certain frequency. This set of GPS coordinates can grouped together to form a GPS track visualizing the actual path traversed by a driving vehicle. A large number of such GPS tracks repeatedly collected from different vehicles driving in a region of interest gives all GPS points which lie on a particular road. These points, after outlier elimination methods are used as a dataset to scientifically determine the underlying curvature of the road with the aid of curve fitting techniques. Additional information received from the lane detection system helps identify curves on a road for which the curvature must be calculated. The fusion of information from these sources helps to achieve curvature results with high accuracy. Traffic sign recognition system helps detect traffic signs while driving, the fusion of this data with geographical information from the navigation system at the instance of detection helps determine road segments for which the recognized speed limit values are valid. This thesis successfully demonstrates a method to automatically enrich OpenStreetMap data by crowdsourcing raw sensor data from multiple vehicles equipped with driver assistance systems. All OpenStreetMap attributes were 100% updated into the database and the results have proven the effectiveness our system architecture. The positive results obtained in combination with minimal errors promise a better future for assisted driving.

Die Dissertation beschreibt Verfahren zur Fusion von Sensordaten am Beispiel eines PreCrash-Systems für Kraftfahrzeuge. Ein PreCrash-System erkennt mit Hilfe von Sensoren, die das Fahrzeugumfeld überwachen, (unvermeidliche) Unfälle wenige hundert Millisekunden vor Beginn des Zusammenstoßes und stellt verschiedene Informationen zur Verfügung, die bei der Aktivierung von Sicherheitseinrichtungen wie Gurtstraffer oder Airbags hilfreich sind. Neben guten Erkennungsleistungen spielt bei einem solchen System vor allem die Eignung für den Einsatz im automobilen Umfeld mit all seinen Anforderungen eine große Rolle. Dies bedeutet zum Beispiel Robustheit gegenüber schwierigen Wetterbedingungen, geringe Anforderungen an die Rechenleistung und auch die Erkennung eines Sensorausfalls. Ebenso stellt die Vielfalt möglicher Objekte mit ihren unterschiedlichen Reflexionseigenschaften und teilweise sehr hohen Relativgeschwindigkeiten eine besondere Herausforderung für ein umfelderkennendes System dar. Nach einführenden Betrachtungen zum Stand der Technik und der Zielstellung, unterschiedliche Sensorik zur Verbesserung der Detektionsleistungen und damit der Robustheit des Gesamtsystems zu fusionieren, beinhaltet die Arbeit eine Beschreibung der Funktionalität "PreCrash", Angaben zu Voraussetzungen und speziellen Umgebungsbedingungen im Fahrzeugbereich, die Einfluss auf die Verfahrensauswahl ausüben und eine Beschreibung der verwendeten Sensorik. Signalverarbeitungsverfahren zur Realisierung eines PreCrash-Systems sind sowohl auf Basis eines Einzelsensorsystems als auch auf Grundlage eines Multisensorsystems ausführlich dokumentiert. Ansätze zur Sensordatenfusion werden gesondert dargestellt und auch Nebenaspekte wie die Erkennung von Sensorausfällen berücksichtigt. Die Arbeit enthält Ergebnisse, die die Erkennungsleistungen mehrerer implementierter Verfahren aufzeigen und die auf realen, mit Hilfe eines Versuchsfahrzeuges aufgenommener Daten basieren.