Verhaltensentscheidung für automatisierte Fahrzeuge mittels Arbitrationsgraphen

Automatisiertes Fahren verspricht die Sicherheit, den Komfort und die Effizienz des Straßenverkehrs zu verbessern und hat das Potenzial eine grundlegende Transformation der Mobilität anzustoßen. Neben der Wahrnehmung und Interpretation seines Umfelds muss ein automatisiertes Fahrzeug zuverlässig sichere und zeitlich konsistente Entscheidungen treffen – bspw. ob, wann und wie ein Fahrstreifenwechsel durchgeführt wird.

Da es für viele Szenarien bereits spezialisierte Lösungsansätze zur Verhaltensplanung gibt, sollte die Verhaltensentscheidung in der Lage sein, diese sinnvoll miteinander zu kombinieren. ... mehrGleichzeitig muss sie robust gegen fehlerhafte Ausgaben oder gar Ausfälle einzelner Verhaltensoptionen sein. Schließlich sollte der Entscheidungsprozess transparent und nachvollziehbar sein, um einen effektiven Entwicklungsprozess zu ermöglichen.

Daher wird in dieser Arbeit zunächst eine anwendungsunabhängige Systemarchitektur zur sicheren und robusten Verhaltensentscheidung vorgeschlagen. Diese setzt grundlegende Verhaltensoptionen in einem hierarchischen Arbitrationsgraphen zusammen und sichert dabei die Stellgrößen mittels Verifikation und diversen Rückfallebenen ab. Die jeweiligen Verhaltensbausteine übernehmen dabei die Situationsinterpretation und Verhaltensplanung, während generische Arbitratoren den Entscheidungsprozess realisieren.

Anschließend wird diese Architektur auf den Kontext des automatisierten Fahrens angewandt und in Simulation evaluiert. Dabei planen die Verhaltensoptionen einzelne Fahrmanöver und geben diese als Trajektorien aus. Drei Verifikatoren prüfen diese auf Gültigkeit, Realisierbarkeit und Verkehrssicherheit. Stellt sich ein Fahrmanöver bspw. als unsicher heraus, greift die Arbitration auf Alternativoptionen und drei Rückfallebenen zurück, um weiterhin ein sicheres Verhalten zu erzeugen.

Die Evaluation zeigt, dass die vorgestellte Methode auch bei hohen Ausfallraten ein sicheres und stabiles Fahrverhalten erzeugt. Die Entkopplung von Situationsinterpretation und Verhaltensentscheidung trägt außerdem zu einer transparenten und nachvollziehbaren Entscheidungsfindung bei. Dank konsequenter Modularität können vielfältige Methoden der Verhaltensplanung effizient und skalierbar miteinander kombiniert werden. Zudem ermöglicht der Bottom-Up Entwurf schnelles Prototyping und eine iterative Weiterentwicklung des Gesamtsystems.

Automated driving promises to improve safety, comfort, and efficiency of road traffic and has the potential to catalyze a fundamental transformation of mobility. In addition to perceiving and interpreting its environment, an automated vehicle must reliably make safe and temporally consistent decisions – for example, whether, when and how to change lanes.

Since specialized behavior planning solutions already exist for many scenarios, the decision-making should be able to combine them appropriately. At the same time, it must be robust against faulty outputs or even failures of individual behavior options. ... mehrFinally, the decision-making process should be transparent and traceable to enable an effective development process.

Therefore, this work first proposes an application-independent system architecture for secure and robust behavioral decision-making. It assembles basic behavior blocks in a hierarchical arbitration graph and ensures safety through verification and diverse levels of fallback. The respective behavior blocks are responsible for situation interpretation and behavior planning, while generic arbitrators carry out the decision process.

This architecture is then applied to the context of automated driving and evaluated in simulation. Thereby, the behavior options plan individual driving maneuvers and output them as trajectories. Multiple verifiers check these for feasibility, drivability and road safety. If a driving maneuver turns out to be unsafe, for example, the arbitration uses its alternative options and three fallback levels to continue generating safe behavior.

The evaluation shows that the presented method produces safe and stable driving behavior even at high failure rates. Meanwhile, the decoupling of situation interpretation and decision-making contributes to a transparent and comprehensible decision-making process. This rigorous modularity allows to combine a wide range of behavior planning methods in an efficient and scalable manner. In addition, the bottom-up design leads to fast prototyping and iterative enhancement of the overall system.