Driver Behavior Analysis and Decision-Making for Autonomous Driving at Non-Signalized Inner City Intersections

Der Fokus dieser Arbeit liegt auf dem menschliches Fahrverhalten im Straßenverkehr. Davon werden zwei Aspekte abgedeckt: Dessen Vorhersage, einschließlich der Identifikation relevanter Einflussfaktoren, sowie die Verhaltensgenerierung für autonome Fahrzeuge.
Die Verhaltensvorhersage basiert auf einer Feldstudie, bei der Probanden mit einem Messfahrzeug innerstädtische Kreuzungen durchfahren haben. Die gefahrene Trajektorie und Lidar-Aufnahmen werden dazu genutzt, um Komplexitätseigenschaften zu definieren, die die Umgebung an der Kreuzung, den Verkehr dort sowie den Fahrweg beschreiben. ... mehrDas Fahrverhalten wird über weitere Eigenschaften charakterisiert. Basierend auf den Komplexitätseigenschaften werden Regressionsmodelle trainiert, um die Verhaltenseigenschaften vorherzusagen. Dazu werden lineare Regression, Random Forest und Gradient Boosting Machine genutzt. Verschiedene Mengen der Komplexitätseigenschaften, inklusive einiger, die durch einen Autoencoder reduziert werden, werden für die Vorhersage verwendet. Die Ergebnisse zeigen, dass das Fahrverhalten zuverlässig vorhergesagt werden kann. Werden jedoch Komplexitätseigenschaftsmengen mit nur wenigen Eigenschaften verwendet, ist die Vorhersageleistung reduziert.
Um einen Komplexitätswert zu erhalten, der sich mit der menschlichen Wahrnehmung von Komplexität deckt, wurde eine Onlinestudie durchgeführt, bei der Videos von Anfahrten an Kreuzungen genutzt wurden. In Paarvergleichen waren die Teilnehmer aufgefordert, die komplexere Situation zu identifizieren. Anhand dieser Daten werden Komplexitätswerte für die in der Studie beinhalteten Kreuzungsdurchfahrten berechnet. Mehrere Methoden kommen zum Einsatz, um diese Werte den Durchfahrten der ursprünglichen Feldstudie zuzuweisen. Diese zugeordneten Komplexitätswerte werden benutzt, um Verhaltens-Regressionsmodelle zu trainieren. Die Ergebnisse zeigen, dass die Verhaltensvorhersage mit den Komplexitätswerten möglich ist, jedoch erfordern es die meisten Varianten, dass zusätzlich die Abbiegerichtung als zweite Eigenschaft berücksichtigt wird.
Die Verhaltensgenerierung zur Entscheidungsfindung an T-Kreuzungen basiert auf einem ereignisdiskreten System. Für dieses werden mehrere Eigenschaften genutzt, um Ereignisse zu definieren, welche den Status des Entscheidungsfindungsprozesses an der Kreuzung beschreiben. Die Ereignisse lösen die Übergänge zwischen den Zuständen des ereignisdiskreten Modells aus. Allen Zuständen ist entweder offensives oder defensives Fahrverhalten zugewiesen, welches über das Intelligent Driver Model implementiert wird. Der Algorithmus wird über eine Simulationsumgebung validiert. Unter Nutzung einer generischen Karte und mehrerer realer Karten wird das Entscheidungsfindungsmodell 14400 mal simuliert, während es mit weiteren Kooperationsfahrzeugen interagiert. Keiner dieser Durchläufe führte zu einer Kollision des Fahrzeugs, das den Algorithmus ausführte, und die Zeiten zur Durchquerung der Kreuzung können mit der Anzahl von Kooperationsfahrzeugen sowie den Kreuzungsformen erklärt werden. Weitere Simulationen dienen dazu, den Einfluss eingeschränkter Sicht an den Kreuzungen auf das Modell zu untersuchen.

The focus of this work is on human driving behavior in road traffic. Two aspects of it are covered, the prediction of it, including the identification of relevant influencing factors, as well as the behavior generation for autonomous vehicles.
The behavior prediction is based on a field study during which participants drove a measurement vehicle through inner-city traffic. Using the driven trajectories and lidar recordings complexity features to describe the surroundings at the intersection, the traffic there and the driving path are defined. The driving behavior is characterized by further features. ... mehrBased on the complexity features regression models are trained to predict the behavior features. For that, linear regression, random forest and gradient boosting machine are utilized. Different complexity feature sets, including ones that are reduced with the help of an autoencoder, are used for prediction. The results show that the driving behavior can be predicted reliably. However, when using complexity feature sets with only few features the prediction performance is reduced.
In order to obtain a complexity score that is in line with human perception of complexity, an online study using videos of approaches to intersections was conducted. In pairwise comparisons participants were asked to identify the more complex situation. From that data complexity scores for the intersection passes included in the study are calculated. Several methods are used to assign these scores to the runs of the original field study. Behavior regression models are trained using these assigned complexity scores. The results show that behavior prediction with the complexity scores is possible, however, most variants require to also consider the turning direction as a second feature.
The behavior generation for decision-making at T-intersections is based on a discrete event system (DES). For it, several features are used to define events that describe the status of the decision-making process at the intersection. The events trigger the transitions between the states of the DES. All states are associated with either offensive or defensive driving behavior, which is implemented using the intelligent driver model. The algorithm is validated with a simulation framework. Using a generic map and several real maps, the decision-making model is simulated 14400 times while interacting with further cooperation vehicles. None of these runs resulted in a collision involving the vehicle running the algorithm and the times to pass the intersection can be explained by the numbers of cooperation vehicles and the intersection layouts. Further simulations are used to investigate the influence of limited visibility at the intersections on the model.