Warning: Use of undefined constant ‘WP_ALLOW_REPAIR’ - assumed '‘WP_ALLOW_REPAIR’' (this will throw an Error in a future version of PHP) in /homepages/1/d16937579/htdocs/tuner-tv/wp-config.php on line 9
PRORETA 4: Continental und TU Darmstadt entwickeln maschinell lernendes Fahrerassistenzsystem – Tuner-TV – Das Autofernsehen

PRORETA 4: Continental und TU Darmstadt entwickeln maschinell lernendes Fahrerassistenzsystem

17.10.2018 Frankfurt am Main. Das Technologieunternehmen Continental und die Technische UniversitĂ€t Darmstadt haben in der vierten Auflage des Forschungsprojekts PRORETA ein maschinell lernendes Fahrzeugsystem entwickelt, das Autofahrer in innerstĂ€dtischen Verkehrssituationen unterstĂŒtzt, und dieses in einen Prototypen eingebaut.

Daten von Radarsensoren helfen bei der EinschĂ€tzung der Verkehrslage beim Linksabbiegen, Einfahren in einen Kreisverkehr oder beim Passieren von Rechts-vor-Links-Kreuzungen. Eine SchlĂŒsselrolle in dem dreieinhalbjĂ€hrigen Forschungsprojekt spielte das Thema maschinelles Lernen. Algorithmen erstellen auf Basis unterschiedlicher Fahrzeugdaten ein stets aktuelles Fahrtypprofil der Person hinter dem Lenkrad. Auf dieser Grundlage werden die Empfehlungen des Stadtassistenten (City Assistant System) fĂŒr Fahrmanöver an den Fahrstil des Fahrers angepasst.

Maschinelles Lernverfahren wertet Fahrzeugdaten aus

Die Aufgabenstellung des PRORETA-Projekts war komplex. „In der Zusammenarbeit unserer Fachgebiete mit Continental haben wir uns mit PRORETA 4 vorgenommen, ĂŒber lernfĂ€hige Systeme Lösungen zu verwirklichen, die wegen fehlender AnpassungsfĂ€higkeit bisher nicht angegangen wurden. Die Ergebnisse unserer Arbeit werden dabei helfen, die Sicherheit im Fahrzeug und fĂŒr andere Verkehrsteilnehmer weiter zu erhöhen“, sagt Prof. Dr. Hermann Winner, Leiter des Fachgebiets Fahrzeugtechnik der TU Darmstadt.

Damit ein Assistenzsystem in einer komplexen Verkehrssituation eine Empfehlung an den Fahrer ausgeben kann, die von diesem akzeptiert wird – den Fahrer quasi wie ein guter Beifahrer kennt – muss das System dessen Fahrstil und damit auch dessen subjektives Sicherheits- oder Risikoempfinden analysieren. Ein solches Fahrprofil entsteht sicher und schnell auf Basis eines maschinellen Lernverfahrens. DafĂŒr wertet das System Daten aus, die wĂ€hrend der Fahrt erfasst werden. Dem Algorithmus geben unter anderem Beschleunigung, Gierraten, BremsvorgĂ€nge und Querbeschleunigung Aufschluss, um welchen Fahrertyp es sich handelt.

KĂŒnstliche Intelligenz mit zunehmender Bedeutung in Fahrzeugen

WERBUNG:

Umfangreiche Testfahrten mit Probanden ergaben, dass bei den im City Assistant System eingesetzten Algorithmen innerhalb von drei bis fĂŒnf Fahrmanövern RĂŒckschlĂŒsse auf den aktuellen Fahrstil des Fahrers möglich sind. Damit ist die Zuordnung des Fahrers zu einem oder auch mehreren Clustern von Fahrprofilen möglich, wodurch sich die Fahrempfehlungen des Stadtassistenten stark personalisieren lassen.

Maschinell gelernte Algorithmen halten immer stĂ€rkeren Einzug in Fahrzeugsysteme. SchĂ€tzungen zufolge wird die im Jahr 2015 vorhandene Anzahl von sieben Millionen Fahrzeugsystem-Einheiten, die sich kĂŒnstlicher Intelligenz bedienen, bis 2025 auf 225 Millionen Einheiten anwachsen. Bei leistungsfĂ€higen maschinell gelernten Algorithmen handelt es sich zumeist um Modelle mit hoher KomplexitĂ€t, die in ihrer Rohform durch den Menschen nur wenig oder gar nicht interpretierbar sind, Ă€hnlich einer Black Box. Dies stellt besondere Herausforderungen an die Absicherung der Assistenzsysteme. Bereits im Rahmen der Algorithmenauswahl für Fahrerassistenzsysteme ist deshalb eine Absicherungsstrategie mitentwickelt worden. Bei PRORETA 4 wurden verschiedene Verfahren zur Reduzierung der benötigten Anzahl von TestfĂ€llen fĂŒr gelernte Algorithmen herausgearbeitet, die weiter erforscht werden.

Das City Assistant System erkennt, ob eine LĂŒcke im Verkehr groß genug ist

„Der Autofahrer soll Vertrauen in das City Assistant System und dessen Empfehlungen entwickeln können. Vertrauen ist die Basis fĂŒr die Akzeptanz von Assistenzsystemen, die wiederum ein wesentlicher Bestandteil auf dem Weg zum unfallfreien Fahren sind“, sagt Ralph Lauxmann, Leiter Systems & Technology der Division Chassis & Safety bei Continental. Anhand des Fahrprofils steuert das System die Zeitfenster fĂŒr Fahrempfehlungen, etwa beim Linksabbiegeassistenten. Dieses ermittelt anhand der eigenen Positionsdaten sowie Tempo und Abstand des entgegenkommenden Verkehrs, wie groß die LĂŒcken im Gegenverkehr fĂŒr einen Linksabbiegevorgang sind. Die Aufgabe der Objektdetektion ĂŒbernehmen ein serienreifer Fernbereichsradar sowie Nahbereichsradare in den Fahrzeugseiten, die heute in vielen Assistenzsystemen bereits im Einsatz sind, etwa bei der intelligenten Geschwindigkeitsregelung Adaptive Cruise Control oder der Überwachung des toten Winkels.

Keine UnterstĂŒtzung benötigt der Fahrer bei extrem großen LĂŒcken im Gegenverkehr – sondern nur dann, wenn das notwendige Zeitfenster fĂŒr sicheres Abbiegen kritisch ist oder es fĂŒr den Fahrer schwierig wird, dieses abzuschĂ€tzen. Das kann bei Nacht oder schlechter Sicht der Fall sein, oder auch bei unerfahrenen oder Ă€lteren Autofahrern. Bei starkem Verkehr reduziert das City Assistant System den Stress bei der LĂŒckenfindung und informiert den Fahrer, wenn eine passende LĂŒcke kommt. Versuchsfahrten im Rahmen von PRORETA 4 ermittelten ein Zeitfenster von fĂŒnf bis sieben Sekunden, in denen das System mit Empfehlungen Hilfestellung geben kann. Der untere Wert mit kleineren LĂŒcken im Gegenverkehr gilt dabei fĂŒr etwas dynamischere, der obere Wert fĂŒr sehr defensive Fahrer. In beiden FĂ€llen ist fĂŒr den aktuellen Fahrer gewĂ€hrleistet: Der Abbiegevorgang kann sicher abgeschlossen werden.

Das gleiche Prinzip gilt auch fĂŒr den zweiten Einsatzbereich: die Einfahrt in einen Kreisverkehr. Auch in diesem Fall ermittelt das System auf Basis der Fahrzeug- und Umfeldsensorik, ob eine VerkehrslĂŒcke groß genug ist und ob es angesichts des ermittelten Fahrerprofils sinnvoll ist, die Einfahrt in den Kreisverkehr zu empfehlen oder besser auf eine grĂ¶ĂŸere LĂŒcke zu warten.

Die Fahrempfehlung kann auf unterschiedlichen Wegen gegeben werden. „Assistenzsysteme deren Warnungen nicht als nĂŒtzlich empfunden werden, werden von Autofahrern oftmals als störend empfunden, ignoriert oder gar abgeschaltet. Deshalb unterstĂŒtzen wir den Ansatz des sich-anpassenden Assistenzsystems mit einem speziellen Interaktionskonzept. Optische, akustische oder auch haptische Signale zeigen dabei die Empfehlungen fĂŒr den Fahrer möglichst intuitiv an“, sagt Dr. Karsten Michels, Leiter Systems & Technology in der Division Interior bei Continental. Am auffĂ€lligsten ist die optische Anzeige mit einem großen grĂŒnen oder roten Pfeil. Aber auch ein Vibrieren in der Sitzflanke oder andere haptische Signale sind konfigurierbar.

Die Innenraumkamera erkennt, ob der Fahrer die Verkehrssituation erfasst hat

Eine weitere komplexe Aufgabenstellung ergibt sich fĂŒr den Stadtassistenten bei Rechts-vor-Links-Kreuzungen. Hier erkennt das System zunĂ€chst anhand von Karten-, GPS- und selbst ermittelten Standortdaten, dass sich der Fahrer einer solchen Kreuzung nĂ€hert. Mithilfe der Innenraumkamera analysiert das System, ob der Fahrer ankommenden Verkehr, dem Vorfahrt zu gewĂ€hren ist, erkannt hat. Dabei prĂŒft das System, ob der Fahrer unmittelbar vor der Kreuzung tatsĂ€chlich den Kopf nach rechts in die Kreuzung gewendet und einen anderen Verkehrsteilnehmer fixiert hat; diese Fixierung dauert 250 bis 500 Millisekunden. Bei gefĂ€hrlicheren Situationen kann das System den Fahrer mittels eines Signals aufmerksam machen. Auch ob der Fahrer korrekt gehandelt hat, wird festgestellt und kann diesem ĂŒber eine nachtrĂ€gliche Meldung mitgeteilt werden. In einer serienreifen Version könnte der City Assistant fĂŒr die beschriebenen Einsatzbereiche um eine Notbremsfunktion erweitert werden.

Genaue Positionsermittlung durch selbst ermittelte Landmarken

Je genauer die Position des eigenen Fahrzeugs bekannt ist, desto verlĂ€sslicher können Fahrerassistenzsysteme in komplexen Verkehrssituationen Entscheidungen treffen. Bestandteil von PRORETA 4 war deshalb auch ein kamerabasiertes System fĂŒr die automatische Kartierung von Landmarken. Das können markante Punkte an GebĂ€uden oder die Infrastruktur sein. Diese Landmarken werden spĂ€ter von der Fahrzeugkamera wiedererkannt, womit eine exaktere Lokalisierung des Fahrzeugs möglich ist als bei GPS- oder Navigationsdaten. Bei diesem Langzeit-SLAM-Verfahren (Simultaneous Localization and Mapping) werden auf hĂ€ufiger befahrenen Strecken Landmarken erkannt, bewertet und in einem Datenspeicher im Fahrzeug abgelegt. Damit ist auf diesen Strecken eine Positionserkennung möglich, die eine Genauigkeit von unter einem Meter hat.

Die Historie der PRORETA-Projekte von Continental und TU Darmstadt

Das erste PRORETA-Projekt (2002 bis 2006) befasste sich mit der Notbrems- und Notausweich-Assistenz auf vorausfahrenden oder stehenden Verkehr. In PRORETA 2 (2006 bis 2009) wurde die Überholassistenz zur Vermeidung von UnfĂ€llen mit entgegenkommendem Verkehr auf Landstraßen untersucht. PRORETA 3 (2011 bis 2014) konzentrierte sich auf die Entwicklung eines Integralkonzeptes zur Automation und Unfallvermeidung.

Das entwickelte und in einen Prototypen eingebaute System unterstĂŒtzt Autofahrer in innerstĂ€dtischen Verkehrssituationen. © Continental AG

Das entwickelte und in einen Prototypen eingebaute System unterstĂŒtzt Autofahrer in innerstĂ€dtischen Verkehrssituationen. © Continental AG

Spezial Elektroautos und E-MobilitÀt:

Durch die weitere Nutzung der Seite stimmst du der Verwendung von Cookies zu. Weitere Informationen

Die Cookie-Einstellungen auf dieser Website sind auf "Cookies zulassen" eingestellt, um das beste Surferlebnis zu ermöglichen. Wenn du diese Website ohne Änderung der Cookie-Einstellungen verwendest oder auf "Akzeptieren" klickst, erklĂ€rst du sich damit einverstanden.

Schließen