Semantische Situationsrepräsentation und Aktionsbewertung zur Planung von Fahrmanöversequenzen

Hochautomatisiertes Fahren und autonome Fahrzeuge stehen seit einigen Jahren im Fokus der Forschung von Automobilherstellern, Zulieferern aber auch IT-Unternehmen sowie Forschungseinrichtungen. Selbstfahrende Fahrzeuge nehmen ihre Umgebung mittels Sensoren wahr und führen Fahraktionen aus, um ihr Ziel sicher und effizient zu erreichen. Dabei wird häufig ein Modell der Verkehrssituation erstellt, das sowohl aktuelle Sensordaten als auch Hintergrundwissen wie Kartendaten zusammenführt. Darauf aufbauend können dann Fahrmanöver geplant werden, die von der Aktorik des Fahrzeugs ausgeführt werden.
... mehr

In den letzten Jahren wurden große Fortschritte auf dem Gebiet des hochautomatisierten Fahrens erzielt. Herausforderungen, die sich dabei gezeigt haben, sind das automatisierte Verstehen von komplexen Verkehrssituationen und darauf aufbauend die Generierung von optimalen Fahrstrategien. Automatisierte Fahrzeuge müssen gerade im innerstädtischen Bereich mit einer Vielzahl von unterschiedlichen Straßentopologien zurechtkommen. Situationsabhängige Speziallösungen stoßen dabei an ihre Grenzen.
Hinzu kommt die durch dynamische Verkehrsteilnehmer induzierte kombinatorische Komplexität im Planungsprozess.

Ziel dieser Arbeit ist die aktive und passive Unterstützung des Fahrers sowie die Bereitstellung von abstrakten Fahrmanöversequenzen für automatisiertes Fahren. Wissenschaftliche Beiträge sind dabei
- eine Abstraktion der Verkehrssituation durch eine relationale, semantische Szenenrepräsentation sowie darauf aufbauend
- Methoden zur effizienten Planung und dynamischen Validierung von Fahrmanöversequenzen.

Durch eine relationale Modellierung kann der Planungsraum für Fahrmanöver an semantischen Grenzen diskretisiert werden. Dies erlaubt eine einheitliche und durch die Reduktion des Raums effiziente Planung. Die Rückführung der semantischen Pläne in eine geometrische Darstellung ermöglicht die dynamische Validierung und Optimierung resultierender Pläne hinsichtlich Energieeffizienz und Komfort.

Hinweise zur optimalen Fahrweise werden als Teil einer Assistenzfunktion dem Fahrer kommuniziert oder für die Trajektorienplanung automatisierter Fahrzeuge zur Verfügung gestellt. Die Verfahren werden sowohl auf synthetischen Daten als auch im realen Fahrversuch evaluiert.

Highly automated driving and autonomous vehicles have been a strong focus of research not only by automobile manufacturers and Tier 1 suppliers, but also IT companies and research institutes. Self-driving vehicles perceive their environment using sensors and carry out driving actions in order to reach their destination in a safe and efficient manner.
In doing so, a model of the current traffic situation is often created. This model includes and integrates both current sensor data and background knowledge such as map data.
Building on this, driving maneuvers can be planned to be carried out by the actuators of the vehicle.
... mehr

In recent years, significant advances have been made in the field of highly automated driving. A primary challenge that has emerged is the automated understanding of complex traffic situations and, based on this, the generation of optimal driving strategies.
Especially in inner-city areas, automated vehicles have to cope with a multitude of different road topologies. In these cases, specialized situation-dependent solutions reach their limits. Additionally, the existence of dynamic road users induces a higher combinatorial complexity to the planning process.

The goal of this work is both the active and passive support of the driver and the provision of abstract driving maneuvers for automated driving. The scientific contributions are
- an abstraction of the traffic situation through a relational, semantic scene representation and, based on this,
- methods for efficient planning and dynamic validation of driving strategies.

Using a relational model, the search space for planning driving maneuvers can be discretized at semantic boundaries. This enables a generalized planning process that is efficient due to reduction of the search space. Backprojection of the semantic plans into a geometric representation enables the dynamic validation and optimization of the resulting plans with regard to energy efficiency and comfort.

Hints on optimizing the driving style are communicated to the driver as part of an assistance system or are made available for trajectory planning of an automated vehicle. The methods are evaluated both on synthetic data and in real driving tests.