Upload
trinhtram
View
216
Download
0
Embed Size (px)
Citation preview
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 1
Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten
Dipl.-Ing. Jens Heine
Mensch im Verkehr
Verhaltensprädiktion und Intentionserkennung
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 2
Gliederung
• Motivation• Fahrerintentionserkennung und Manöverprädiktion
• Methodik: Probandenstudie• Algorithmus zur Fahrmanöverprädiktion
• Algorithmus zur Fahrmanöverprädiktion• Fuzzy Logik und Zustandsautomat• Verhaltensketten und Edit Distance• Validierung
• Zusammenfassung & Ausblick
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 3
Gliederung
• Motivation• Fahrerintentionserkennung und Manöverprädiktion
• Methodik: Probandenstudie• Algorithmus zur Fahrmanöverprädiktion
• Algorithmus zur Fahrmanöverprädiktion• Fuzzy Logik und Zustandsautomat• Verhaltensketten und Edit Distance• Validierung
• Zusammenfassung & Ausblick
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 4
Motivation
• Mit Vision Zero wird eine Reduktion der Unfälle im Straßenverkehr angestrebt [1]
• Fahrerassistenzsysteme (FAS) haben einen maßgeblichen Anteil daran [2]
• Die Forschungsinitiative UR:BAN [3] erforscht Fahrerassistenzsysteme zur Unfallreduktion im städtischen Verkehr
• Früher Warnzeitpunkte steigern die Effektivität von FAS, beinhalten aber die Gefahr eines Warndilemmas [4]
• Fahrerintentionserkennung bietet die Chance die Fehlauslösungen von FAS zu verringern und die Wirksamkeit zu steigern [5]
• Um Fahrerassistenzsysteme mit der Information über die Fahrerintention zu versorgen ist ein echtzeitfähiger Algorithmus zur Fahrmanöverprädiktion notwendig
SBZA LDW
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 5
Fahrerintentionserkennung und Manöverprädiktion
• Die Fahrerintention gehört (neben u.a. Aufmerksamkeit oder Beanspruchung) zu den kurzfristig veränderlichen Einflussfaktoren des Fahrers auf das Fahrerverhalten. Sie beinhaltet u.a. die intendierte Route des Fahrers oder die in unmittelbarer Zukunft geplante Fahrmanöverfolge. [6]
• Die Fahrerintention wird vor allem der Manöver- und Navigationsebene der Fahrzeugführung zugeordnet. [7]
• Um Fahrerintention zu detektieren ist das Wissen über die Art der Informationsaufnahme, -verarbeitung und die getroffenen Entscheidungennotwendig [8]
Angelehnt an: [9]
Manöverprädiktion
Intentionserkennung
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 6
Merkmale zur Fahrmanöverprädiktion
[7]
Fahrer
Fahrzeug
Umwelt
Inertialsensorik (Giermoment, Beschleunigung, …)
Blickrichtung / Blickverhalten (Sakkaden, Fokusdauer)
Lenkeingaben, Pedalbedienung (bewusst und unbewusst)
Umfeldsensorik (TTC, THW, TLC, Spurhaltegüte)
Verkehrssituation
Kopfbewegung /-orientierung
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 7
Gliederung
• Motivation• Fahrerintentionserkennung und Manöverprädiktion
• Methodik: Probandenstudie• Algorithmus zur Fahrmanöverprädiktion
• Algorithmus zur Fahrmanöverprädiktion• Fuzzy Logik und Zustandsautomat• Verhaltensketten und Edit Distance• Validierung
• Zusammenfassung & Ausblick
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 8
Methodik: Probandenstudie
Probandenversuche im kontrollierten FeldTestgelände August-Euler-Flugplatz Griesheim• Rundkurs über Landebahn und „Taxiway“
• Länge ca. 2,0km• Probanden fahren jeweils 10 Runden
Versuchsreihen• Versuchsreihe 1 zur Datenerhebung (n = 58): 2013
(Alter: MW=40,0 Jahre SD=13,3 Jahre; davon 39,6% weiblich)
• Versuchsreihe 2 zur Datenerhebung (n = 44): 2014(Alter: MW=38,4 Jahre SD=13,6 Jahre; davon 45,5% weiblich)
Herausforderung beim Versuchsdesign • nicht das Manöver von den Probanden einfordern• sondern die Handlung (und somit die Bildung einer entsprechenden Intention)
provozieren Aufzeichnung realitätsnaher Messdaten im kontrollierten Feldversuch
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 9
Probandenstudie: Fahrmanöver
Anhalten an Stop-SchildFahrstreifenwechsel
Notausweichen Notbremsen an Ampel Wurfhindernis
Anhalten an Ampel
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 10
Gliederung
• Motivation• Fahrerintentionserkennung und Manöverprädiktion
• Methodik: Probandenstudie• Algorithmus zur Fahrmanöverprädiktion
• Algorithmus zur Fahrmanöverprädiktion• Fuzzy Logik und Zustandsautomat• Verhaltensketten und Edit Distance• Validierung
• Zusammenfassung & Ausblick
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 11
Algorithmus zur Fahrmanöverprädiktion
Fahrzeug-Daten Algorithmus
Fahrmanöver-wahrscheinlichkeit
Zeithorizont
Anforderungen:• möglichst frühe und sichere Erkennung• Nachvollziehbar, Transparent (White-Box-Modell)• Modular und Echtzeitfähig
Zustandsautomat
Herausforderungen:• Interindividuelle Unterschiede im Fahrerverhalten
Unschärfe in Merkmalen zur Prädiktion
• Intraindividuelle Unterschiede im FahrerverhaltenUnsicherheit in Merkmalen zur Prädiktion
• Merkmale treten zu unterschiedlichen Zeiten während der Manöverdurchführung auf
Merkmale treten in Zeitreihen auf
Fuzzy-Logik
Edit Distance
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 12
Struktur des Algorithmus
CAN-BusEingangssignale
Fahrmanöverdatenbank
FuzzifizierungZustandsautomat
Verhaltenskette
Aktuelle Fahrerverhaltenskette
TrainingEchtzeiterkennung
[12]
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 13
Fuzzifizierung der Eingangsgrößen
Verlauf des Lenkwinkel über die Zeit vor und während eines Fahrstreifenwechsel; Fahrzeug berührt Fahrstreifenmerkierungbei t = 0s
Verlauf der Änderung des Lenkwinkels über den Lenkwinkel; Aufgeteilt in 5 gleichgroße Integrale
Trainierte Fuzzy-Sets des Lenkwinkels für einen Fahrstreifenwechsel aus dem Signalverlauf
Fahrstreifenwechsel
Lernen der Fuzzy-Mengen aus Daten der Probandenstudie
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 14
In der Theorie der Fuzzy-Logik liegt üblicherweise eine Regelbasis mit den möglichen Kombinationen der Eingangsgrößen vor
In diesem Zustandsautomaten repräsentiert jeder Zustand eine bestimmte Fuzzy-Regel
1 : velocity=high, accelerator pedal=low, brake pedal=near zero 3 : velocity=high, accelerator pedal=near zero, brake pedal=near zero 8 : velocity=near zero, accelerator pedal=near zero, brake pedal=low
Die vorhandenen Zustände und Transitionen werden aus den Versuchsdaten gelernt
Für jedes zu erkennende Manöver existiert ein Zustandsautomat
Zustandsautomat
Anhaltemanöver
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 15
Verhaltensketten
Stopping maneuver
Die Verhaltenskette der Fahrmanöversequenz enthält die Aktivierung der jeweiligen Fuzzy-Regeln über die Zeit
Fahrzeug fährt geradeaus mit ~50km/h
Fahrzeug hält an Stop-Schild
Fahrer löst Gaspedal
Fahrer betätigt Bremspedal
Fahrzeug verlangsamt
Fahrzeug verzögert
Anhaltemanövervelocity Accelerator pedal Brakepedal
1:near zero 1:near zero 1:near zero
2:very low 2:low 2:low
3:low 3:medium 3:medium
4: medium 4:high 4:high
5: high
6:very high
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 16
Fahrmanöverdatenbank
Jede Verhaltenskette jedes Manövers der Probanden in unserer Studie werden im Training des Algorithmus in einer
manöverspezifischen „Datenbank“ gespeichertz.B. Proband 01 (P01) führt ersten Fahrstreifenwechsel nach links aus (FSW1)
Für jedes zu erkennende Fahrmanöver liegt eine eigene Datenbank vor
P01 FSW1:P01 FSW2:P01 FSW3:P02 FSW1:P02 FSW2:P02 FSW3:P03 FSW1:P03 FSW2:P03 FSW3:P04 FSW1:
Weitere Werte die zu jedem Zustand gespeichert werden:- Zeit der Aktivierung- Zeit bis zum Manöver - Aktivierungsgrad
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 17
Edit Distance
• Aufgrund inter- und intraindividueller Unterschiede in der Manöverausführung ist die Chance zwei identische Ketten zu finden sehr gering
• Um ein Fahrmanöver zu prädizieren wird das aktuelle Fahrerverhalten mit den gespeicherten Verhaltensketten mit Hilfe eines Ähnlichkeitsmaßes verglichen
• Die Edit Distance berechnet den minimalen Aufwand die aktuelle Verhaltenskette in jede andere gespeicherte zu transformieren :
- Um Sequenz a in Sequenz b zu transformieren sind folgende Schritte notwendig:
- (4) Einfügen - (5) Verschieben- (6) Löschen
- Jede Transformation ist mit bestimmten Kosten belegt
- Der Abstand der Sequenzen entspricht dem Minimum der Summe der Kosten
dist min• Der minimale Aufwand zur Transformation entspricht dem Abstand beider Ketten
• Der Gesamtabstand wird über das quadratisches Mittel der aktuellen Verhaltenskette mit jeder Verhaltenskette in der entsprechenden Fahrmanöver-Datenbank berechnet
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 18
Berechnung der Manöverwahrscheinlichkeit
Die Manöverwahrscheinlichkeit und der Zeithorizont werden aus der Edit Distance berechnet
• Es wird eine Funktion gelernt, welche auf abbildet • Dazu wird jede positive (Manöver wurde ausgeführt) und negative Erkennung
(Manöver wurde nicht ausgeführt) analysiert• Der minimale Abstand für jede positive und negative
Sequenz werden berechnet
• Das Verhältnis wird für
jedes berechnet
• Dadurch entsteht eine Lookup-Table um die Manöverwahrscheinlichkeit für jede errechnete Edit Distance zu berechnen
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 19
Validierung
• Die Spezifität und Sensitivität der binären Klassifizierung wurde entsprechend berechnet
• Um eine ROC-Kurve (Receiver operator caracteristic) zu erhalten wurde die Entscheidungsschwelle ∗variiert
• Das Optimum zwischen Sensitivität und Spezifität für den Fahrstreifenwechsel nach links befindet sich bei der Entscheidungsgrenze ∗=69,4%
• Daraus ergibt sich folgende Performance des Algorithmus zur Erkennung von Fahrstreifenwechsel nach links mit CAN-Bus Daten:
– TPR=97,5% – FPR=22,4% – AUC=0,895 (Area under curve)– mittlerer Zeithorizont von =0,9s
* p*=69,4%
• Das Training und das Testen wurde mit verschiedenen Teilen des Versuchsdatensatzes durchgeführt (70% vs. 30%)
• Die Designparameter des Algorithmus wurden dabei systematisch variiert, um das bestmögliche Set zu finden
• Ein binärer Klassifizierer wurde definiert:– ∗ Manöver liegt vor – ∗ Manöver liegt nicht vor
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 20
Gliederung
• Motivation• Fahrerintentionserkennung und Manöverprädiktion
• Methodik: Probandenstudie• Algorithmus zur Fahrmanöverprädiktion
• Algorithmus zur Fahrmanöverprädiktion• Fuzzy Logik und Zustandsautomat• Verhaltensketten und Edit Distance• Validierung
• Zusammenfassung & Ausblick
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 21
Zusammenfassung und Ausblick
Zusammenfassung:• Fahrmanöverprädiktion auf Basis von Verhaltensketten mit Fuzzy-Logik und Edit
Distance ist möglich • Der gezeigte Algorithmus kann Fahrmanöver auf prototypischer Hardware (Car-PC)
im Versuchsträger in Echtzeit prädizieren • Es ist möglich mit Fahrzeugdaten ein Fahrstreifenwechsel zu prädizieren bevor
das entsprechende Vorderrad die Fahrstreifenmarkierung berührt• Das Trigger Level ist an das Fahrerassistenzsystem bezüglich notwendiger
Erkennungsraten oder gewünschten Zeithorizont anpassbar
Ausblick:• Fahrerbeobachtung ermöglicht die Steigerung des Prädiktionshorizontes durch die
Nutzung früherer Merkmale des Fahrerverhaltens• Die Informationen zu dem vom Fahrer geplanten Fahrmanöver kann zur
Parametrisierung von warnenden und eingreifenden Fahrerassistenzsystemengenutzt werden, mit dem Ziel die Akzeptanz zu steigern und ein mögliches Warndilemma zu verringern
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 22
Vielen Dank für Ihre Aufmerksamkeit!
Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten
UR:BAN-Konferenz • Fahrmanöverprädiktion im urbanen Verkehr auf Basis von Verhaltensketten • Dipl.-Ing. Jens Heine • 18./19.02.2016 • Garching 23
Verwendete Quellen
• [1] Tingvall, C., & Haworth, N. (2000). Vision Zero: an ethical approach to safety and mobility. In 6th ITE International Conference Road Safety & Traffic Enforcement: Beyond (Vol. 1999).
• [2] Winner, H., Hakuli, S., Lotz, F., & Singer, C. (2015) Handbuch Fahrerassistenzsysteme: Grundlagen, Komponenten und Systeme für aktive Sicherheit und Komfort (3., überar-beitete und ergänzte Auflage). ATZ/MTZ-Fachbuch.
• [3] Manstetten, D., Bengler, K., Busch, F., Färber, B., Lehsing, C., Neukum, A., Petermann-Stock, I. (2012). “UR:BAN MV” – a German project focusing on human factors to in-crease traffic safety in urban areas
• [4] Hoffmann, J., & Gayko, J. (2012). Fahrerwarnelemente. In H. Winner, S. Hakuli, & G. Wolf (Eds.), ATZ-MTZ-Fachbuch. Handbuch Fahrerassistenzsysteme. Grundlagen, Kompo-nenten und Systeme für aktive Sicherheit und Komfort ; mit 45 Tabellen (2nd ed., pp. 343–354). Wiesbaden: Vieweg + Teubner
• [5] Blaschke, C., Schmitt, J., & Färber, B. (2007). Fahrmanöver-Prädiktion über CAN-Bus Daten. In VDl-Berichte 2015. Fahrer im 21. Jahrhundert. Human Machine Interface (pp. 165–177). Düsseldorf: VDI Verlag GmbH.
• [6] Kopf, M. 2005. Was nützt es dem Fahrer, wenn Fahrerinformations- und -assistenzsysteme etwas über ihn wissen? In: Fahrerassistenzsysteme mit maschineller Wahrnehmung. Heidelberg. Springer.
• [7] Donges, E. (1982). Aspekte der aktiven Sicherheit bei der Führung von Personenkraftwagen. AUTOMOB-IND, 27(2).• [8] Jürgensohn, T. et al. (2001). Nichtformale Konstrukte in quantitativen Fahrermodellen In: Kraftfahrzeugführung (pp. 95-117).
Springer Berlin Heidelberg.• [9] Heckhausen, Heinz, Gollwitzer, Peter. 1987. Thought Contents and Cognitive Functioning in Motivational versus Volitional
States of Mind. In: Motivation• [10] Zadeh, Lofti A. 1965. Fuzzy sets Information and Control 8(3): 338-353. New York. Polytechnic Press• and Emotion. 11, Nr. 2, S. 101–120• [11] Levensthein, V. I. (1966). Binary Codes Capable of Correcting Deletions, Insertions and Re-versals. Soviet Physics Doklady,
pp. 707–710.• [12] Heine, J., Sylla M., Langer, I., Schramm, T., Abendroth, B., Bruder, R.: Algorithm for driver intention detection with Fuzzy Logic
and Edit Distance, bei IEEE 18th International Conference on Intelligent Transportation Systems ITSC (2015)