Probabilistische Vorhersage von Fahrstreifenwechseln für hochautomatisiertes Fahren auf Autobahnen

Die vorliegende Arbeit stellt ein Konzept zur zeitlichen Vorhersage von Fahrstreifenwechselmanövern auf Autobahnen für Systeme zur automatischen Fahrzeugführung vor. Derartige Systeme benötigen ein Verständnis der Fahrumgebung zur konfliktfreien und nachvollziehbaren Durchführung der Fahraufgabe. Dies beinhaltet die Wahrnehmung und Interpretation der Fahrumgebung zur Erkennung und Vorhersage von Fahrmanövern des umgebenden Verkehrs. Der erste Teil der Arbeit beschreibt das Konzept zur Wahrnehmung von Fahrmanövermerkmalen und darauf aufbauend der Fahrstreifenwechselvorhersage mithilfe eines Dynamischen Bayes'schen Netzwerks (BN). ... mehrÜber dieses werden kausale Zusammenhänge bzgl. der Fahrmanövermerkmale in Form eines probabilistisch grafischen Modells abgebildet und die Zeit bis zu einem Fahrstreifenwechsel geschätzt. Der zweite Teil der Arbeit widmet sich der maschinellen Bestimmung der Struktur und Parameter des BN aus Realfahrdaten. Dazu wird eine Prozesskette entwickelt, die eine Referenzdatenerstellung, eine informationstheoretische Bestimmung der diskreten Zustandsräume der Fahrmanövermerkmale sowie ein mehrstufiges Vorgehen zur Strukturbestimmung des BN beinhaltet. Beginnend mit einem naiven BN zur Merkmalsauswahl wird die Netzwerkstruktur über ein hierarchisch naives BN zu einem Dynamischen BN entwickelt. Hierbei wird das hierarchisch naive Bayes Model zur Identifikation latenter Variablen und ein evolutionärer Algorithmus zur Bestimmung temporaler Abhängigkeiten verwendet. Insgesamt gelingt es mit der vorliegenden Arbeit ein Gesamtkonzept zur Fahrstreifenwechselvorhersage vorzustellen, dessen Funktionsweise anhand von Realfahrdaten nachgewiesen wird.

A concept for time-related forecasts of lane change maneuvers in highway scenarios is presented within the present thesis. Automated driving systems rely on understanding the driving environment to fulfil their driving task transparently and safely. This involves the perception of the driving environment as well as its interpretation to detect and predict driving maneuvers of road users. The first part of this thesis focuses on the perception of lane change situation features and the lane change prediction based on a dynamic Bayesian network (BN). With this, probabilistic temporal relationships between situation features are represented in a probabilistic graphical model to estimate the time to lane change according to the configuration of situation features. ... mehrThe second part of the thesis deals with BN structure and parameter learning from natural driving data. For this purpose a toolchain is developed. It includes a retrospective ground truth data labeling as well as the determination of discrete states spaces for all situation features by use of information theory principles and a multi-stage approach to determine the structure of the dynamic BN. Starting with a naive BN to select an optimal set of situation features, the network is evolved via a hierarchical naive BN to a dynamic BN, using the hierarchical naive Bayes model to identify latent variables and evolutionary algorithms to determine temporal relationships. To sum up, this thesis contributes an overall concept for lane change prediction on highways that is proven to be operational on natural driving data.