Probabilistische Fahrzeugumfeldschätzung für Fahrerassistenzsysteme

Steinmeyer, Simon

Viele aktuelle Fahrerassistenzsysteme wie beispielsweise die adaptive Geschwindigkeitsregelung, Spurwechselassistenten und Systeme zur Anhaltewegverkürzung sind auf eine verlässliche Detektion anderer Verkehrsteilnehmer und Hindernisse angewiesen. Zukünftige Assistenzsysteme wie beispielsweise Systeme für das Automatische Fahren erhöhen diese Zuverlässigkeitsanforderung weiter. Die Dissertation befasst sich mit der statistisch genauen Bewertung von Objekthypothesen innerhalb einer Sensordatenfusion, welche aus Messdaten gewonnen wurden. Für jede Hypothese wird eine Wahrscheinlichkeit bestimmt, welche angibt, ob diese vom Fahrerassistenzsystem berücksichtigt werden muss. Hierbei werden widersprüchliche Messdaten systematisch in probabilistischen Modellen aufgelöst, wobei zur Approximation der Wahrscheinlichkeitsdichtefunktion geeignete Modelle aus dem Bereich des Maschinellen Lernens eingesetzt werden. Als Ergebnis erhält man einen Schätzer, der eine präzise Relevanzwahrscheinlichkeit für beliebige Objekthypothesen erzeugt, sodass das Fahrerassistenzsystem frühzeitig und angemessen auf ein aktuelles Umfeld reagieren kann. Neben dem Objekthypothesenmodell ist als zweiter Typ von Umfeldmodellen das Belegungsgitter verbreitet, welches den Raum um das Fahrzeug in Zellen diskretisiert. Die Messdaten werden mit den jeweiligen örtlich zugehörigen Zellen assoziiert und deren Zustand wird aktualisiert. Als Ergebnis erhält man eine Menge von Zellen mit unterschiedlichen Zuständen, die beispielsweise die Überfahrbarkeit repräsentieren. Die Dissertation entwickelt formale Eigenschaften, die Fusions- und Abfragealgorithmen aufweisen müssen, um eine statistisch belastbare Aussage über die Befahrbarkeit eines aus vielen Zellen bestehenden Korridors liefern zu können. Zusätzlich werden exemplarische Algorithmen entwickelt, die diese Eigenschaften berücksichtigen und somit eine präzisere Schätzung als bekannte Ansätze erlauben.

Many of today's driver assistance systems, like adaptive cruise control, lane change assistant or collision avoidance and mitigation systems require a reliable perception of other traffic participants and obstacles. Future driver assistance systems like automatic driving will further increase the requirement of a reliable environment perception. This thesis deals with the validation of object hypotheses that are generated on the base of measurements inside a sensor data fusion software. A statistically accurate probability of each object hypothesis is generated, which indicates if it should be considered by the driver assistance system. Contradictory data will be resolved systematically using probabilistic models. To approximate the underlying probabilistic density function, proper Machine Learning algorithms are used. As a result, an estimator can be presented that generates a accurate relevance probability for every object hypothesis. Driver assistance systems can now react more early and more adequately to the current environment. Beside the object model, a second type of environment model is common: The occupancy grid discretises the space around the vehicle into cells, in which each of them contains a cell state. These cell states are updated with measurements that can be associated with the cell's position. As a result, a set of cell states is generated that may represent, for instance, their trafficability. To provide a trafficability estimation of a corridor consisting of many cells, formal mathematical standards are developed. These standards must be considered from both fusion and query algorithms to perform a statistically correct estimation. Additionally, exemplary algorithms with these features are developed which can do a more accurate estimation than common approaches.

Vorschau

Zitieren

Zitierform:

Steinmeyer, Simon: Probabilistische Fahrzeugumfeldschätzung für Fahrerassistenzsysteme. 2014.

Zugriffsstatistik

Gesamt:
Volltextzugriffe:
Metadatenansicht:
12 Monate:
Volltextzugriffe:
Metadatenansicht:

Details anzeigen

Rechte

Nutzung und Vervielfältigung:
Alle Rechte vorbehalten

Export