Situationsverstehen und semantische Manöverplanung unter Berücksichtigung von Unsicherheiten für kooperative Fahrzeuge in heterogenen Verkehrsszenarien

• Antragsteller: Professor Dr. J. Marius Zöllner, seit 11/2019
• Fachliche Zuordnung: Verkehrs- und Transportsysteme, Intelligenter und automatisierter Verkehr ; Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung von 2015 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 273310216

Ziel des Fortsetzungsprojekts „Situationsverstehen und semantische Manöverplanung unter Berücksichtigung von Unsicherheiten für kooperative Fahrzeuge in heterogenen Verkehrsszenarien“ ist die Erforschung von lernenden Verfahren basierend auf realen Fahrzeugbewegungsdaten für das implizite kooperative Situationsverständnis und die implizite kooperative Entscheidungsfindung in heterogenen Szenarien. Dies soll durch Herstellen der notwendigen Generalisierung mit Bezug zur Realität geschehen um die antizipatorischen Fähigkeiten automatisierter Fahrzeuge zu verbessern und damit kritische Situationen proaktiv zu vermeiden.Während sich die Fähigkeiten automatisierter Fahrzeuge stetig weiterentwickeln, fehlt ihnen dennoch ein wesentlicher Bestandteil, welcher sie bis auf Weiteres vom Menschen unterscheiden wird - die Fähigkeit der (impliziten) Kooperation. Im Gegensatz zu heutigen automatisierten Fahrzeugen, beziehen menschliche Fahrer die (subtilen) Handlungen und Absichten anderer Fahrer in ihre Entscheidungen mit ein, und sind so in der Lage auch ohne explizite Kommunikation Kooperation einzufordern oder anzubieten. Obwohl insbesondere in den letzten Jahren viele Forschungsarbeiten kooperatives Fahren adressieren, liegt der Fokus auf expliziter Kooperation. Da in absehbarer Zeit weder alle Fahrzeuge über die nötigen technischen Lösung verfügen werden, um eine Kommunikation zwischen Fahrzeugen und mit der Infrastruktur zu ermöglichen, noch Algorithmen soweit standardisiert sein werden, dass kommunizierte Umfeldinformationen und Verhaltensentscheidungen einheitlich berücksichtigt werden, sollten sich automatisierte Fahrzeuge auch ohne Kommunikation gegenüber anderen Fahrzeugen kooperativ verhalten können.Aus diesem Grund werden Konzepte und Methoden erforscht, welche ohne explizite Kommunikation auskommen und deshalb auf Verkehrssituationen in der echten Welt anwendbar sind. Des Weiteren erlaubt die Art der Problemmodellierung eine Erweiterung des Situationsverständnis und der Entscheidungsfindungen auf heterogene Szenarien mit Fahrradfahrern sowie Fußgängern, die gezielt erforscht werden.Da automatisiertes Fahren und insbesondere die implizite Kooperation eine hohe Komplexität aufweisen, ist es nicht praktikabel entsprechendes Verständnis oder Verhalten vollständig durch Experten zu modellieren. Stattdessen liegt der Fokus auf lernenden Verfahren, um die Herausforderungen des Situationsverständnis und der Entscheidungsfindung zu lösen.Aktuelle Lernverfahren bieten die Möglichkeit über einen hochdimensionalen Zustandsraum zu generalisieren und reduzieren auf diese Weise die Komplexität der Entscheidungsfindung in verschiedenen Verkehrssituationen.Obwohl die Absicherung von lernenden Verfahren eine große Herausforderung darstellt, können diese Methoden eingesetzt werden um die Konvergenz modellgetriebener Verfahren zu beschleunigen, indem sie als Heuristik oder Initiallösung eingesetzt werden.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 1835: Kooperativ interagierende Automobile
• Ehemaliger Antragsteller: Professor Dr.-Ing. Rüdiger Dillmann, bis 11/2019