Fahrsequenz-Clustering zur datenbasierten Szenarienanalyse für die Validierung urbaner automatisierter Fahrfunktionen

Automatisierte Fahrfunktionen im urbanen Raum stellen eine Schlüsseltechnologie der Mobilität der Zukunft dar. Für den Einsatz dieser Technologie muss ihre Sicherheit nachgewiesen werden. Dieser Nachweis kann erbracht werden, indem die automatisierte Fahrfunktion in allen relevanten Betriebssituationen getestet wurde. Eine zentrale Herausforderung liegt in der Ermittlung und Auflistung dieser Betriebssituationen. Ein prominenter Ansatz zur Validierung automatisierter Fahrfunktionen basiert auf der umfassenden Analyse und Simulation relevanter Verkehrsszenarien.

Zentrale Voraussetzung für die szenariobasierte Validierung ist das Wissen über im urbanen Verkehr vorkommende Situationen. ... mehrDie vorliegende Dissertation adressiert die Herausforderung der datenbasierten Szenarienanalyse zur Extraktion dieser Szenarien aus Daten. Es wird ein neuartiges Konzept vorgestellt, das auf einer modellfreien Analyse von realen Verkehrsaufzeichnungen basiert. Kernstück des Konzepts ist ein Verfahren zum Clustering semantisch ähnlicher Teile der Verkehrsaufzeichnungen (hier: Fahrsequenzen). Aus jedem Cluster ähnlicher Fahrsequenzen wird dann ein Szenario für die Validierung abgeleitet. Das Fahrsequenz-Clustering wird in einen Prozess zur strukturierten Sammlung und Verarbeitung der notwendigen Daten eingeordnet. Des Weiteren werden statistische Verfahren beschrieben, um anhand der Clustering-Ergebnisse die Auftretenswahrscheinlichkeiten von Szenarien zu ermitteln sowie die Anzahl der noch unbekannten Szenarien abzuschätzen.

Das Konzept wird anhand von zwei Datensätzen evaluiert – einem simulierten Datensatz und einer realen Verkehrsaufzeichnung einer urbanen Kreuzung. Die Ergebnisse zeigen, dass das Fahrsequenz-Clustering in der Lage ist, ähnliche Fahrsequenzen zu gruppieren und so auf die Anzahl und Häufigkeitsverteilung der im Datensatz vorhandenen Szenarien zu schließen. Dabei liegt die Zahl der Szenarien deutlich unter der Zahl der aufgezeichneten Fahrsequenzen.

Die Dissertation leistet somit einen Beitrag zur Entwicklung und Zulassung automatisierter Fahrfunktionen im urbanen Raum. Das Fahrsequenz-Clustering sowie die abgeleiteten Auftretenswahrscheinlichkeiten können für die Auswahl zu testender Szenarien sowie bei der Gewichtung und Bewertung von ermittelten Risiken genutzt werden. Die statistischen Betrachtungen dienen als Säule der Sicherheitsargumentation für die Zulassung einer automatisierten Fahrfunktion, da sie den Grad der Vollständigkeit des betrachteten Datensatzes abschätzen können.

Automated driving functions in urban areas are a key technology for the mobility of the future. For the use of this, its safety must be proven. This proof can be provided by testing the automated driving function in all relevant operating situations. A key challenge lies in identifying and listing these operating situations. A prominent approach to validating automated driving functions is based on the comprehensive analysis and simulation of relevant traffic scenarios.

The central prerequisite for scenario-based validation is knowledge of situations that occur in urban traffic. ... mehrThis thesis addresses the challenge of data-based scenario analysis to extract these scenarios from data. A novel concept is presented that is based on a model-free analysis of real traffic records. The core of the concept is a method for clustering semantically similar parts of the traffic recordings (here: driving sequences). A scenario for validation is then derived from each cluster of similar driving sequences. Driving sequence clustering is incorporated into a process for the structured collection and processing of the necessary data. Furthermore, statistical methods are described to determine the probability of occurrence of scenarios based on the clustering results and to estimate the number of scenarios that are still unknown.

The concept is evaluated using two data sets - a simulated data set and a real traffic recording of an urban intersection. The results show that driving sequence clustering is capable of grouping similar driving sequences and thus inferring the number and frequency distribution of the scenarios present in the data set. The number of scenarios is significantly lower than the number of recorded driving sequences.

The thesis thus contributes to the development and approval of automated driving functions in urban areas. The driving sequence clustering and the derived probabilities of occurrence can be used for the selection of scenarios to be tested as well as for the weighting and evaluation of identified risks. The statistical considerations serve as a pillar of the safety argumentation for the approval of an automated driving function, as they can estimate the degree of completeness of the data set under consideration.