Situation Assessment in Urban Intersection Scenarios

Ein Großteil der Verkehrsunfälle auf Europas Straßen findet in städtischen Kreuzungsbereichen statt. Die Ursache liegt in den meisten Fällen in einem vorangegangen Fehler seitens eines Fahrers. Eine Möglichkeit, um solche Unfälle zu verhinden, wäre der Einsatz eines Fahrassistenzsystems, welches im Fahrzeug verbaut ist und den Fahrer in Kreuzungssituationen unterstützt und auf mögliche Gefahren hinweist. Das Fahrassistenzsystem müsste dafür in der Lage sein eine komplexe Verkehrssituation ganzheitlich zu erfassen und basierend darauf abzuschätzen wie sich die Situation in naher Zukunft weiter entwickelt. Derzeit gibt es aber noch kein System, dass solch eine Funktionalität bietet, und auch im akademischen Bereich fehlt es an Methoden für eine ganzheitliche Situationserfassung. Die vorliegende Arbeit präsentiert eine neuartige Methode um innerstädtische Kreuzungssituationen zu erfassen. Sie basiert auf der Erkenntnis, dass derartige Verkehrssituationen zu komplex und zu variabel sind, um sie im Ganzen zu analysieren. Deshalb wird die Verkehrssituation in kleinere, leichter handhabbare Teile zerlegt, wobei jeder Teil aus zwei in Beziehung stehenden Entitäten besteht. Dabei beeinflusst eine Entität das Verhalten der anderen, zum Beispiel ein Fahrzeug, welches ein folgendes Fahrzeug zum Abbremsen veranlasst. Mögliche Konstellationen für in Beziehung stehende Entitäten werden von einem Experten in Modellen spezifiziert, die als "Konfigurationen" bezeichnet werden. Im Zuge der Arbeit wurde eine Reihe von Methoden entwickelt, die von dem Konfigurationen-Konzept Gebrauch machen. Neben der eigentlichen Erkennung einer Konfiguration wird das Konzept auch für Methoden zur Verhaltensprädiktion verwendet, unter anderem, um ausgehend von der Konfiguration eines Fahrzeugs das longitudinale Verhalten oder nächste Manöver vorherzusagen. In einer umfassenden Evaluation kann gezeigt werden, dass sich Konfigurationen zuverlässig erkennen lassen und sich zur Situationseinschätzung eignen. Zusätzlich übertreffen die vorgeschlagenen Prädiktionsmethoden die zum Vergleich herangezogenen bisherigen Methoden. Als Grund dafür wird die Berücksichtigung der Konfigurations-information ausgemacht.

In Europe, the major share of traffic accidents takes place at urban intersections. In most of the cases, these accidents are the result of a preceding driver error. One possibility for avoiding these accidents would be to employ a vehicle-mounted Advanced Driver Assistance System (ADAS) that supports the driver during negotiating an intersection and warns of possible hazards. For this purpose, the ADAS would be required to assess complex traffic situations comprehensively in order to anticipate the future evolution of the current situation. At the time being, there is no system available offering this functionality, and also in academia there are no suitable methods for performing a comprehensive situation assessment. The work at hand presents a novel method for assessing urban intersection situations. It is based on the insight that these traffic situations are too complex and too variable to assess them as a whole. Therefore, a decomposition of the traffic situation into smaller, more manageable parts is proposed. Each part consists of a pair of interrelated entities, where one entity affects the behavior of the other, for example a vehicle forcing a trailing vehicle to slow down. Possible constellations of interrelated entities are defined by a human expert in models which are tagged 'configurations'. In the course of this work, a set of methods was developed that employ the concept of configurations. Besides fundamental methods aiming at the recognition of a road user's configuration also novel approaches for predicting the behavior or the upcoming maneuver of a vehicle are presented, which take the configuration of the vehicle explicitly into account. In an extensive evaluation, it is shown that configurations can be robustly recognized and are suited for a comprehensive situation assessment. In addition, the proposed prediction methods excel the state-of-the-art methods used for reference which can be traced back to the consideration of configuration-information.

Zitieren

Zitierform:
Zitierform konnte nicht geladen werden.