Inference of Traffic Regulations at Intersections Based on Trajectory Data

Zahlreiche moderne Lösungen im Bereich Autonomes Fahren greifen auf hochpräzises Kartenmaterial zurück. Neben anderen Informationen muss das Kartenmaterial solche über Verkehrsregeln enthalten.
In dieser Arbeit wird eine Offline-Lösung für die Inferenz von Verkehrsregeln an Deutschen Kreuzungen entwickelt. Mithilfe dieser Lösung werden für jeden Fahrstreifen einer Kreuzung Klassifikationsentscheidungen für jede mögliche Zielrichtung, welche von diesem Fahrstreifen aus erreichbar ist, getroffen. Verkehrsregeln werden mithilfe von Hidden-Markov-Models repräsentiert und, basierend auf errechneten Likelihood-Werten, bestimmt. ... mehrDie Modelle werden mithilfe künstlich erzeugter Trajektorien von Kreuzungsüberquerungen parametrisiert und evaluiert. Unter realen Umständen würden solche Daten opportunistisch und sensorgestützt von einer Fahrzeugflotte über einen längeren Zeitraum hinweg gesammelt werden. In einer Reihe von Experimenten wird eine geeignete Trajektorienrepräsentation festgelegt und der Klassifikationsansatz getestet und verfeinert. Die Klassifikationsperformanz des Ansatzes wird mithilfe eines Kreuzvalidierungsverfahren bestimmt. Mittlere F$_1$-Scores zur Quantifizierung der besten Ergebnisse unter den erzielten Testergebnissen variieren zwischen 0.809 und 0.832. Bezüglich der Verkehrsregeln, welche mithilfe von Vorfahrts- und Stoppschildern, sowie Lichtsignalanlagen kommuniziert werden, werden hohe Klassifikationsleistungen erreicht. Allerdings bestehen Schwierigkeiten bei der Klassifikation im Zusammenhang mit den Verkehrsregeln Vorfahrt achten und Rechts vor Links. Da die initial erzielten Ergebnisse vielversprechend sind, wird empfohlen diesen Ansatz in zukünftigen Arbeiten weiterzuentwickeln und zu verbessern.

Many state-of-the-art approaches in autonomous driving make use of highly precise maps. Among other annotations, these maps must contain information regarding traffic regulations.
In this thesis an offline approach aiming at the inference of traffic regulations at German intersections on a sub-lane level is suggested. The representation and likelihood-based inference of regulations is realized using Hidden Markov Models. These are parametrized and evaluated on an artificially created set of trajectories crossing several intersections. In a real-world context, the trajectories could be opportunistically collected from a sensor-equipped fleet of vehicles over an extended period of time. ... mehrIn a series of experiments, a suitable trajectory representation is determined and the approach is tested and improved. Classification performance is evaluated in a cross-validation manner. Mean test F$_1$ scores associated to the best classification results range between 0.809 and 0.832. High performance is achieved in the context of the traffic regulations priority, stop and traffic-light. However, regarding the yield and yield-to-right regulation, challenges remain. As initial results are promising, the approach is worth being developed and improved further.