Lernen von Sensormesswerten zur Verbesserung von Fahrerassistenzsystemen am Beispiel eines adaptiven Kurvenwarners
Heinrichs, Robert
Today, Advanced Driver Assistance Systems are a central part of vehicles and improve safety and comfort. Especially in the safety area, Advanced Driver Assistance Systems have a significant positive impact, which is visible in accident statistics.
With sensors and actuators Advanced Driver Assistance Systems can capture the vehicles state and its surroundings, and can intervene if necessary, supporting the driver. Former Advanced Driver Assistance Systems discard sensor data after evaluation and must analyze them from scratch each time.
If relevant information is stored in the vehicle, new knowledge and new information can be gained across trips by using statistical algorithms. This is called learning. With this information, Advanced Driver Assistance Systems can be improved and can adapt to the individual driving style of a driver. Due to the always changing environment, the learned information has to be kept updated. To do this, changes have to be detected and incorporated into the previously learned information.
Advanced Driver Assistance Systems require extensive information for their precise and safety-critical function. Previous learning systems in vehicles based on statistical algorithms are not able to provide this information. Also, possible changes were not considered extensively, which could invalidate previously learned information.
The developed algorithm called measurement series transformation enables the learning system to generate extensive information consisting of probability distributions at positions along the road. For this, the statistical algorithm kernel density estimation is used and enables learning this information with a constant storage footprint. To detect changes, the t-test-forgetting is developed, which is based on hypothesis tests. It is able to detect different types of changes and remove invalidated information from the system.
These contributions allowed the implementation of a prototypical learning Advanced Driver Assistance System Adaptive Curve Warning, which is demonstrated in an experimental vehicle. The Adaptive Curve Warning system is able to learn the position and speed profile of curves autonomously, update the profile with every trip through that curve and timely warn the driver in case of excess speed.
The learning system created in this thesis enables learning any measurands as probability distributions along roads. With the t-test-forgetting, this information is kept updated. Thus, the learning system provides Advanced Driver Assistance Systems with updated extensive information with which their function can be improved and individualized for a driver.
Fahrerassistenzsysteme sind heutzutage zentraler Bestandteil von Kraftfahrzeugen und verbessern die Sicherheit und den Komfort. Insbesondere im Bereich der Sicherheit haben Fahrerassistenzsysteme einen signifikanten positiven Einfluss, der in den Unfallstatistiken sichtbar ist.
Mit Sensoren und Aktoren können Fahrerassistenzsysteme den Zustand des Fahrzeugs und dessen Umgebung erfassen und gegebenenfalls eingreifen, um den Fahrer zu unterstützen. Bisherige Fahrerassistenzsysteme verwerfen jedoch die Sensordaten nach der Auswertung und müssen Sensordaten jedes Mal von Grund auf neu auswerten.
Werden für Fahrerassistenzsysteme relevante Informationen im Fahrzeug gespeichert, können mit statistischen Verfahren neue Erkenntnisse und Informationen fahrtübergreifend gewonnen werden. Dies wird als Lernen bezeichnet. Mit diesen Informationen können Fahrerassistenzsysteme verbessert werden und sich an den individuellen Fahrstil eines Fahrers anpassen. Durch eine sich ständig verändernde Umgebung müssen die gelernten Informationen aktuell gehalten werden. Dazu müssen Änderungen erkannt und bei den bisher gelernten Informationen berücksichtigt werden.
Fahrerassistenzsysteme benötigen für ihre präzise und sicherheitskritische Funktion sehr umfangreiche Informationen. Bisherige lernende Systeme im Fahrzeug, die auf statistischen Verfahren basieren, können diese Informationen nicht bereitstellen. Ebenso wurden mögliche Änderungen unzureichend berücksichtigt, die bisher gelernte Informationen unter Umständen ungültig werden lassen.
Das entwickelte Verfahren namens Messwertreihen-Transformation ermöglicht es dem lernenden System, umfangreiche Informationen in Form von Wahrscheinlichkeitsverteilungen an Positionen auf der Straße zu generieren. Das dafür verwendete statistische Verfahren Kerndichteschätzung, ermöglicht das Lernen dieser Informationen mit konstantem Speicherplatzbedarf. Zur Erkennung von Änderungen wird das t-Test-Vergessen basierend auf Hypothesentests entwickelt. Es ist in der Lage, verschiedene Arten von Änderungen zu erkennen und ungültig gewordene Informationen aus dem System zu entfernen.
Diese Beiträge ermöglichen die Realisierung eines prototypischen lernenden Fahrerassistenzsystems, dem adaptiven Kurvenwarner, der in einem Versuchsträger demonstriert wird. Der adaptive Kurvenwarner lernt die Position und das Geschwindigkeitsprofil von Kurven selbstständig, aktualisiert das Profil mit jeder Fahrt durch diese Kurve und kann den Fahrer bei möglicher überhöhter Geschwindigkeit rechtzeitig warnen.
Das in der vorliegenden Arbeit erschaffene lernende System, ermöglicht es, beliebige Messgrößen entlang Straßen in Form von Wahrscheinlichkeitsverteilungen zu lernen. Mit der Änderungserkennung t-Test-Vergessen werden diese Informationen aktuell gehalten. Das lernende System stellt damit Fahrerassistenzsystemen aktuell gehaltene, umfangreiche Informationen zur Verfügung, mit denen die Funktion verbessert und für einen Fahrer individualisiert werden kann.
FahrerassistenzsystemeLernendes Systemt-Test-VergessenÄnderungserkennungKurvenwarnerMesswertreihen-TransformationHypothesentestKerndichteschätzungadvanced driver assistance systemslearning systemt-test-forgettingchange point detectioncurve warning systemmeasurement series transformationhypothesis testkernel density estimation
