Klassifikation und Prädiktion der Verkehrsumgebung für das automatisierte Fahren

Im Zuge der Entwicklung des automatisierten und vernetzten Fahrens entstehen neue Herausforderungen durch die Vorhersage des Verhaltens anderer Verkehrsteilnehmer, welche für eine kollisionsfreie Manöverplanung des eigenen Fahrzeugs nötig ist. Auch das bessere Verständnis aufgezeichneter Messdaten ist von hoher Wichtigkeit, da diese in aufbereiteter Form als Lerndaten die Grundlage der Verhaltensprädiktion der Verkehrsumgebung sowie vieler weiterer Anwendungen bilden. Das Ziel der vorliegenden Dissertation ist das Aufzeigen von Synergien, welche sich aus der Verwendung ähnlicher maschineller Lernverfahren für beide Bereiche ergeben, der Sortierung und Klassifikation bestehender Messdaten sowie der Vorhersage des Verhaltens anderer Verkehrsteilnehmer.
Im ersten Teil werden mit der Fahrzeugsensorik aufgezeichnete Messdaten verwendet, um darin regelbasiert durch den Anwender definierbare Manöver zu klassifizieren. Ferner erfolgt mit Fokus auf Autobahn-Spurwechselsituationen eine Klassifikation der Messdaten mit auf maschinellem Lernen und Regeln basierenden, orthogonal wirkenden Algorithmen. In einer Clusteranalyse wird abschließend ein unüberwachtes System untersucht, welches für die Vorbereitung der Klassifikation Messdaten vorsortiert und auch komplexere Situationen erkennt. Der zweite Teil widmet sich einer Verhaltensprädiktion, zunächst für einscherende Objekte auf der Autobahn. Durch den Vergleich mit einer umfangreichen Lerndatenbank werden verschiedene Kombinationen online gemessener Objektmerkmale genutzt, um frühzeitig vor Überfahrt der Spurmarkierung ein Einscheren zu erkennen. Innerstädtisch werden rechtsabbiegende Fahrzeuge an einer Forschungskreuzung in Braunschweig prädiziert, nun unter Nutzung von Algorithmen, welche mit Infrastrukturdaten angelernt werden.